本研究分析了2017至2023年间拉丁美洲公众对人工智能和机器人技术的看法，发现教育水平和政治倾向影响人们对失业的恐惧，为新兴经济体的人工智能焦虑提供了新见解。

本研究分析了大型语言模型的政治倾向，发现ChatGPT和Gemini存在自由主义和左翼偏见，且不同语言查询中的偏见有所不同。建议AI工具应保持政治中立。

本研究比较了大型语言模型（LLMs）与人类注释者在潜在内容分析中的表现。结果表明，LLMs在情感分析和政治倾向评估中表现可靠，尤其是GPT-4，但在情绪强度和讽刺检测方面仍需依赖人类专业知识。

本文研究了机器学习在政治倾向预测中的应用，分析了社交媒体数据和议会记录。研究发现，GPT模型在处理政治问题时存在语言和情感偏见，尤其在中英文模型中表现不同。通过自然语言处理技术，研究预测了重要政治事件，强调高质量数据集对减少偏见的重要性。

本文提出了一种新的多头分层注意力模型，能够有效编码长文档结构，检测新闻文章的政治倾向。研究表明，该模型在准确性和鲁棒性上优于现有方法，能够自动评估在线新闻的意识形态偏见，并处理复杂的序列结构，取得了显著效果。

本文介绍了一种新颖的无监督技术，通过社交媒体文本学习政治倾向，用户只需13篇相关帖子即可预测政治取向。研究利用卷积神经网络和自我注意力框架，实现了93.7%的准确率。此外，分析显示政治家的负面情绪推文更易传播，突显情感与受欢迎程度的关系。

该研究提出了一种启发式方法，利用时间序列预测模型将社交媒体帖子分类为五个不同的政治倾向类别。该方法在 Twitter 和 Gab 上进行了测试，旨在为预测社交媒体平台中的政治偏见提供启示，并为减轻政治偏见的负面影响开发更有效的策略。