論文の概要: From Promises to Accountability: Comparative AI Modeling and Visualization of Electoral Commitments in Nepali Political Texts

• arxiv url: http://arxiv.org/abs/2610.32150v1
• Date: Fri, 23 Oct 2026 04:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.387624
• Title: From Promises to Accountability: Comparative AI Modeling and Visualization of Electoral Commitments in Nepali Political Texts
• Title（参考訳）: 約束から説明責任へ:ネパールの政治文書における選挙コミットメントの比較AIモデリングと可視化
• Abstract要約: 本研究の目的は、選挙期間中の候補者のコミットメントを構造化できるシステムを開発することである。 私たちはネパールの政治文書の最初のゴールドスタンダードデータセットを作成しました。 我々は、機械学習、ディープラーニング、および大規模言語モデルを評価し、自動的に選挙コミットメントを抽出し分析する。
• 参考スコア（独自算出の注目度）: 1.1955584976544071
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Election Commitment Mining refers to the analysis of election commitments made by electoral candidates or political parties during election campaigns. However, many elected candidates and political parties, especially in developing South Asian countries, do not fully deliver on the promises they make before elections. Even after the elections, commitments presented through election manifestos, posters, pamphlets, videos, and other campaign materials are often not systematically or transparently archived. As a result, these promises tend to fade away over time, making it difficult to hold the elected candidates accountable for their commitments. To address this persistent issue, this research aims to develop a system capable of structuring the commitments made by candidates during election periods. In this work, we created the first gold-standard dataset of Nepali political texts (Cohen's kappa = 0.777) and evaluated machine learning, deep learning and large language models to automatically extract and analyze election commitments. LaBSE-LR achieved the best results among machine learning models (0.897 accuracy, 0.896 macro F1-score, 0.947 AUROC), while fastText-LSTM achieved the highest performance among deep learning models (0.914 accuracy, 0.913 macro F1-score, 0.961 AUROC). Among the three evaluated large language models, Qwen3-8B performed best in the few-shot setting (0.848 macro F1-score). The outcome of this work is integrated into a mobile application, where commitments can be visualized with the support of GAI, enhancing transparency, civic engagement, and electoral accountability.
• Abstract（参考訳）: 選挙コミットメントマイニング(英語: Election Commitment Mining)は、選挙運動において選挙候補者や政党が行う選挙コミットメントの分析である。 しかし、多くの選挙で選ばれた候補者や政党、特に発展途上国では、選挙前の約束を完全に履行していない。 選挙後も、選挙宣言、ポスター、パンフレット、ビデオ、その他のキャンペーン資料を通じて提示されるコミットメントは、体系的にも透明にアーカイブされないことが多い。 その結果、これらの約束は時間が経つにつれて消える傾向にあり、選出された候補者がその約束に責任を負うことが困難になる。 この課題に対処するため,本研究では,選挙期間中の候補者のコミットメントを構造化できるシステムを開発することを目的とする。 本研究では,ネパールの政治文書のゴールドスタンダードデータセット(Cohen's kappa = 0.777)を作成し,機械学習,ディープラーニング,大規模言語モデルを評価し,選挙公約を自動的に抽出し分析した。 LaBSE-LRは機械学習モデル(0.897の精度、0.896のマクロF1スコア、0.947のAUROC)の中で最高の結果を得た一方、fastText-LSTMはディープラーニングモデル(0.914の精度、0.913のマクロF1スコア、0.961のAUROC)の中で最高のパフォーマンスを達成した。 評価された3つの大きな言語モデルの中で、Qwen3-8Bは数ショット設定(0.848マクロF1スコア)で最高のパフォーマンスを示した。 この作業の結果はモバイルアプリケーションに統合され、GAIのサポート、透明性の向上、市民の関与、選挙責任などによってコミットメントを視覚化することができる。

関連論文リスト

• Large-Scale, Longitudinal Study of Large Language Models During the 2024 US Election Season [43.092041950140164]
  2024年アメリカ合衆国大統領選挙は、大きな言語モデル(LLM)が普及して以来、アメリカ合衆国で最初の主要大会である。 この瞬間は、LLMが情報エコシステムをどう形成し、政治談話に影響を与えるかという緊急の疑問を提起する。 我々は,2024年7月から11月にかけて,ほぼ毎日のケイデンスに関する12,000以上の質問を構造化された調査を用いて,12種類のモデルについて大規模な縦断調査を行った。
  論文  参考訳（メタデータ） (2025-09-22T22:04:19Z)
• A Large-Scale Simulation on Large Language Models for Decision-Making in Political Science [18.521101885334673]
  我々は,大規模投票者の意思決定をシミュレートする理論駆動多段階推論フレームワークを開発した。 我々は、現実の有権者データに校正された合成人格を用いて、最近のアメリカ合衆国大統領選挙の大規模なシミュレーションを行う。
  論文  参考訳（メタデータ） (2024-12-19T07:10:51Z)
• ElectionSim: Massive Population Election Simulation Powered by Large Language Model Driven Agents [70.17229548653852]
  我々は,大規模言語モデルに基づく革新的な選挙シミュレーションフレームワークであるElectronSimを紹介する。 ソーシャルメディアプラットフォームからサンプリングした100万レベルの投票者プールを提示し、正確な個人シミュレーションを支援する。 PPEは、米国大統領選挙シナリオ下での我々の枠組みの性能を評価するための、世論調査に基づく大統領選挙ベンチマークである。
  論文  参考訳（メタデータ） (2024-10-28T05:25:50Z)
• Towards More Accurate US Presidential Election via Multi-step Reasoning with Large Language Models [12.582222782098587]
  選挙予測は、限られた有権者レベルのデータ、急速に変化する政治情勢、複雑な人間の振る舞いをモデル化する必要性など、ユニークな課題を生んでいる。 政治分析のための多段階推論フレームワークを提案する。 われわれのアプローチは、2016年と2020年のアメリカ大統領選挙研究(ANES)の実際のデータに基づいて検証されている。
  論文  参考訳（メタデータ） (2024-10-21T06:18:53Z)
• Representation Bias in Political Sample Simulations with Large Language Models [54.48283690603358]
  本研究は,大規模言語モデルを用いた政治サンプルのシミュレーションにおけるバイアスの同定と定量化を目的とする。 GPT-3.5-Turboモデルを用いて、米国選挙研究、ドイツ縦割り選挙研究、ズオビアオデータセット、中国家族パネル研究のデータを活用する。
  論文  参考訳（メタデータ） (2024-07-16T05:52:26Z)
• Design and analysis of tweet-based election models for the 2021 Mexican legislative election [55.41644538483948]
  選挙日前の6ヶ月の間に、1500万件の選挙関連ツイートのデータセットを使用します。 地理的属性を持つデータを用いたモデルが従来のポーリング法よりも精度と精度で選挙結果を決定することがわかった。
  論文  参考訳（メタデータ） (2023-01-02T12:40:05Z)

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。