超越情感：利用主题指标进行政治立场分类
原文约500字，阅读约需2分钟。发表于：。这项研究介绍了主题度量，从提取的主题转换而来的虚拟变量，作为情绪度量的替代和补充，用于态度分类；通过使用 Bestvater 和 Monroe（2023）确定的三个数据集，本研究展示了 BERTopic 在提取连贯主题方面的熟练程度以及主题度量在态度分类中的有效性。实验结果表明，与传统方法（如 Dirichlet Allocation（LDA）和 Non-negative Matrix Factorization（NMF））相比，BERTopic 将连贯性得分提高了 17.07％至 54.20％，这些方法在早期政治学研究中很常见。此外，我们的结果表明，主题度量在态度分类中优于情绪度量，提高了高达 18.95％的性能。我们的发现表明，主题度量对于文本和语料库中态度和情绪相关性较弱的富有上下文的文本特别有效。情绪和主题度量的组合在大多数情况下可以实现最佳性能，并且可以进一步解决仅依赖情绪以及主题度量低一致性得分的局限性。
该研究探讨了主题度量在态度分类中的有效性，发现主题度量优于情绪度量，可以提高高达18.95％的性能。情绪和主题度量的组合可以实现最佳性能，并且可以进一步解决仅依赖情绪以及主题度量低一致性得分的局限性。
