Fugu-MT 論文翻訳(概要): Multiclass Sentiment Analysis for Identifying Political Viewpoints

論文の概要: Multiclass Sentiment Analysis for Identifying Political Viewpoints

arxiv url: http://arxiv.org/abs/2608.11049v1
Date: Tue, 11 Aug 2026 15:21:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:46.101588
Title: Multiclass Sentiment Analysis for Identifying Political Viewpoints
Title（参考訳）: 政治的視点の特定のためのマルチクラス感性分析
Abstract要約: ソーシャルメディアにおける政治的視点のマルチクラス感情分析について検討する。我々は,XGBoostとBERTに基づく2つの機械学習手法の設計と評価を行った。実験の結果,XGBoostモデルが0.2835F1スコアに達し,BERTモデルが0.2806F1スコアに達した。
参考スコア（独自算出の注目度）: 7.5332488078934015
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The rapid growth of social media has created vast amounts of political discourse, which provides valuable opportunities to analyze public opinions and identify different political perspectives. Sentiment Analysis (SA) is a core task in Natural Language Processing (NLP) that allows the computational study of attitudes and opinions in textual data, and has become increasingly important for understanding political discourse. In this work, we investigate multiclass sentiment analysis of political view- points on social media, that is to automatically discriminate multiple sentiment classes over political issues and figures. To solve this task we design and evaluate two machine-learning approaches based on XGBoost and BERT. We train and evaluate the models on a labeled dataset of political social media posts using standard classification metrics. The experimental results show that the XGBoost model reaches an F1-score of 0.2835 and the BERT- based model reaches an F1-score of 0.2806 on the test set. These results demonstrate the challenge of classifying complex and contextualized political discourse sentiment and provide a baseline for future research in multiclass political sentiment analysis.
Abstract（参考訳）: ソーシャルメディアの急速な成長は、大衆の意見を分析し、異なる政治的視点を識別する貴重な機会を提供する、膨大な量の政治談話を生み出している。感性分析(SA)は、自然言語処理(NLP)の中核的なタスクであり、テキストデータにおける態度や意見の計算的な研究を可能にし、政治的言論を理解する上でますます重要になっている。本研究では、ソーシャルメディアにおける政治的視点のマルチクラス感情分析について検討する。この課題を解決するために,XGBoostとBERTに基づく2つの機械学習手法の設計と評価を行った。我々は、標準的な分類基準を用いて、政治的ソーシャルメディア投稿のラベル付きデータセット上でモデルを訓練し、評価する。実験の結果,XGBoostモデルが0.2835F1スコアに達し,BERTモデルが0.2806F1スコアに達した。これらの結果は、複雑で文脈化された政治的言論感情を分類することの課題を示し、多階級政治感情分析における将来の研究のベースラインを提供する。

関連論文リスト

Large Language Models Unpack Complex Political Opinions through Target-Stance Extraction [1.3822821449151652]
政治的分極は、政策、数字、問題に関する信念の複雑な相互作用から生じる。大規模言語モデル(LLM)は、最小限の監督で複雑な政治的意見を抽出することができる。
論文参考訳（メタデータ） (2026-03-07T23:01:09Z)
Latent Topic Synthesis: Leveraging LLMs for Electoral Ad Analysis [51.95395936342771]
ラベルなしコーパスから解釈可能なトピック分類を自動生成するエンドツーエンドフレームワークを提案する。われわれはこの枠組みを、2024年アメリカ合衆国大統領選挙の1ヶ月前のMeta政治広告の大規模なコーパスに適用する。提案手法は,潜在談話構造を明らかにし,意味的に豊かなトピックラベルを合成し,モラル・フレーミングの次元でトピックを注釈する。
論文参考訳（メタデータ） (2025-10-16T20:30:20Z)
Operational Validation of Large-Language-Model Agent Social Simulation: Evidence from Voat v/technology [59.63189507373199]
私たちは、2014年から2020年にかけて活動しているRedditのようなオルタナティブなニュースアグリゲータとディスカッションプラットフォームであるVoatをモデルとした技術コミュニティシミュレーションを構築しました。 YSocialフレームワークを使用して、Voatの共有URLからサンプリングされた技術リンクの固定カタログでシミュレーションをシードする。エージェントは、リンクとテキストの投稿、スレッド化された返信、日々のアクティビティサイクルのためのプラットフォームルールの下で投稿、返信、反応を生成する。結果は、よく知られたオンライン規則性を示す: 類似の活動リズム、ヘビーテール参加、疎低クラスタリング相互作用ネットワーク、コア周辺構造、Voatとのトピックアライメント、高毒性
論文参考訳（メタデータ） (2025-08-29T16:06:27Z)
"Whose Side Are You On?" Estimating Ideology of Political and News Content Using Large Language Models and Few-shot Demonstration Selection [5.277598111323805]
既存のイデオロギーを分類するアプローチは、大規模なデータセットのラベル付けを必要とするため、進化するイデオロギーの文脈に適応できないという点で制限されている。本稿では、オンラインコンテンツの政治的イデオロギーを、文脈内学習を通じて、米国政治スペクトルの文脈で分類する大規模言語モデルの可能性について検討する。
論文参考訳（メタデータ） (2025-03-23T02:32:25Z)
The Impact of Persona-based Political Perspectives on Hateful Content Detection [4.04666623219944]
政治的に多様な言語モデルは、多くの研究者や組織にアクセスできない計算資源を必要とする。近年の研究では、ペルソナをベースとしたプロンプトが、追加の訓練なしに、モデルアウトプットに政治的多様性をもたらすことが確認されている。本稿では、下流業務における政治的事前訓練に匹敵する結果が得られるかどうかを考察する。
論文参考訳（メタデータ） (2025-02-01T09:53:17Z)
AgoraSpeech: A multi-annotated comprehensive dataset of political discourse through the lens of humans and AI [1.3060410279656598]
アゴラ・スペーチ(AgoraSpeech)は、ギリシャ国民選挙中の2023年の6つの政党による171の政治演説を精巧にキュレートした高品質なデータセットである。このデータセットには、テキスト分類、トピック識別、感情分析、名前付きエンティティ認識、分極、ポピュリズム検出の6つの自然言語処理(NLP)タスクのためのアノテーション(1段落)が含まれている。
論文参考訳（メタデータ） (2025-01-09T18:17:59Z)
Political-LLM: Large Language Models in Political Science [159.95299889946637]
大規模言語モデル(LLM)は、政治科学のタスクで広く採用されている。政治LLMは、LLMを計算政治科学に統合する包括的な理解を促進することを目的としている。
論文参考訳（メタデータ） (2024-12-09T08:47:50Z)
The Face of Populism: Examining Differences in Facial Emotional Expressions of Political Leaders Using Machine Learning [50.24983453990065]
私たちは15カ国の政治指導者の220本のYouTubeビデオのサンプルをディープラーニングで処理しています。ポピュリスト・レトリックの度合いが異なるリーダー群間での負の感情の平均スコアの統計的に有意な差を観察した。
論文参考訳（メタデータ） (2023-04-19T18:32:49Z)
Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文参考訳（メタデータ） (2023-03-25T09:34:05Z)
PAR: Political Actor Representation Learning with Social Context and Expert Knowledge [45.215862050840116]
我々は,textbfPolitical textbfActor textbfRepresentation学習フレームワークであるtextbfPARを提案する。我々は,社会的文脈情報を活用するために,議員に関する事実文を検索し,抽出する。次に、社会的文脈を取り入れた異種情報ネットワークを構築し、リレーショナルグラフニューラルネットワークを用いて立法者表現を学習する。
論文参考訳（メタデータ） (2022-10-15T19:28:06Z)
Sentiment Analysis Based on Deep Learning: A Comparative Study [69.09570726777817]
世論の研究は我々に貴重な情報を提供することができる。感情分析の効率性と正確性は、自然言語処理で直面する課題によって妨げられている。本稿では、感情分析の問題を解決するためにディープラーニングを用いた最新の研究をレビューする。
論文参考訳（メタデータ） (2020-06-05T16:28:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。