1. 项目概述：当机器学习遇见政治文本，我们如何量化“经济意识形态”？

在政治学研究的工具箱里，“经济意识形态”一直是个既核心又棘手的概念。它像一条隐形的线索，串联起政党的竞选宣言、议员的辩论发言，乃至选民的政策偏好。简单来说，它描述的是一个政治实体在经济事务上的基本立场光谱：一端是主张自由市场、低税收、小政府的右翼理念，另一端则是强调政府干预、财富再分配、社会福利的左翼思想。传统上，研究者依赖专家手动编码或基于词典的简单词频统计来测量它，但前者耗时耗力、难以规模化，后者则像用一把钝刀解剖文本，完全忽略了语言的上下文和微妙修辞。

过去十年，自然语言处理技术的爆炸式增长，尤其是基于Transformer架构的预训练语言模型的崛起，为我们打开了新世界的大门。这些模型不再只是“数词”，而是学会了“理解”词与词之间的关系和语境。这让我们不禁思考：能否让这些“AI专家”来帮我们阅读成千上万份政治文本，并自动、精准地判断其经济意识形态倾向？这正是我最近投入大量精力研究的一个课题。我系统性地比较了12种不同类型的机器学习模型，在一个包含超过1.3万句英国政党宣言句子的标准数据集上，看它们检测经济意识形态的能力究竟如何。

这项工作的价值，对于任何关注政治文本计算分析的研究者或实践者来说，都是实实在在的。它不是在空谈技术，而是直面一个核心的方法论选择困境：当你手头有一个政治文本分析任务时，面对生成式大语言模型、需要标注数据微调的模型，以及号称“开箱即用”的零样本模型，到底该选哪个？是追求极致的准确率，还是权衡计算成本和数据可得性？本文将基于详实的实验数据，为你拆解这三类主流模型在政治意识形态检测任务上的真实表现、各自的“脾气秉性”，以及背后的选择逻辑。无论你是刚开始接触计算政治学的学生，还是正在为项目选型而纠结的研究员，希望这些从一线实验中得来的心得和避坑指南，能帮你做出更明智的决策。

2. 核心思路与方案选型：为什么是这三类模型？

面对“用AI分析政治文本意识形态”这个目标，技术路径并非只有一条。我的研究之所以聚焦于生成式大语言模型、微调模型和零样本模型这三类，背后是基于当前NLP技术演进脉络和实际研究需求的一次关键取舍。

2.1 技术演进与任务适配的逻辑

早期的文本分析方法，如词典法或Wordscores/Wordfish等缩放模型，本质上是基于词袋的统计方法。它们假设特定的词汇（如“私有化”、“减税”）恒定地指向某种意识形态。这种方法在规模化上迈出了一步，但其致命伤在于无法理解语境。例如，“我们需要对大型科技公司进行反垄断调查”这句话，在词典法中可能因为“反垄断”（常被视为政府干预）而被标记为左翼，但实际上，在现代经济语境下，促进竞争也可能被自由市场主义者所支持。这种“机械”的匹配在复杂的政治修辞面前常常失灵。

Transformer模型的出现改变了游戏规则。通过自注意力机制，模型能够权衡句子中每个词对于理解整体含义的重要性，从而捕捉到“虽然支持市场，但认为在某些领域需要监管”这种复杂的、条件式的表达。这使得基于深度学习的模型成为政治文本分析的更优解。然而，Transformer家族本身也衍生出不同的应用范式，对应着不同的资源投入和性能预期：

1. 生成式大语言模型 ：以GPT-4、Gemini等为代表。它们是在海量、无标注的互联网文本上预训练出的“通才”，拥有强大的语言理解和生成能力。其核心优势在于“零样本”或“少样本”学习——你只需要用自然语言描述任务（即提示词工程），它就能尝试完成，无需额外的训练数据。这听起来像是终极解决方案。
2. 微调模型 ：以BERT、RoBERTa及其变体为代表。它们是“专才”。先在大规模通用语料上预训练，获得基础的语言理解能力，然后再用特定领域（如政治文本）和特定任务（如三分类：左、中、右）的标注数据进行“二次训练”（即微调）。这个过程让模型“专业化”，通常能在特定任务上达到很高的精度。
3. 零样本Transformer模型 ：这是一类特殊的模型，如专门用于零样本自然语言推理的DeBERTa、RoBERTa-XNLI等。它们在设计之初就旨在不提供任务示例的情况下，仅根据标签名称和假设模板进行推理分类。可以理解为一种“即插即用”的轻量级方案。

注意 ：这里的“零样本”在生成式LLM和专用零样本Transformer模型中含义略有不同。生成式LLM的零样本依赖其庞大的通识和强大的指令跟随能力；而专用零样本模型则是通过预训练时构建的“假设-前提”推理能力来实现分类。理解这一区别对后续解读结果至关重要。

2.2 本研究的方案设计：控制变量下的公平竞技场

为了进行公平比较，我基于Le Mens和Gallego (2024)的工作基础，设计了一个统一的评估框架。所有模型都面对同一个任务：对来自英国保守党、工党、自由民主党在1987至2010年间六次大选宣言中的经济相关句子，进行“左翼”、“中立”、“右翼”的三分类。

数据基准 ：采用Benoit等人 (2016) 公开的、经过专家和众包人员手工标注的数据集。这为评估模型性能提供了“黄金标准”。我通过多数表决规则，为每个句子确定了唯一的专家基准标签和众包基准标签，以处理标注中的不一致性。

评估维度 ：

1. 句子级别精度 ：直接对比模型预测的标签与人工标注标签，计算准确率、F1分数等经典指标。这衡量的是模型“细粒度判断”的准确性。
2. 文本集级别相关性 ：将每个宣言中所有句子的预测结果汇总，计算出一个整体的意识形态分数（例如，用右翼句子数与左翼句子数之比的对数来表示），然后与人工标注的宣言整体分数计算相关系数。这衡量的是模型“宏观趋势把握”的能力，对于研究政党立场随时间变化尤为重要。

模型阵容 ：我选取了12个有代表性的模型，覆盖上述三类：

• 生成式LLM ：GPT-4o, Gemini 1.5 Flash (零样本和少样本模式)。
• 微调模型 ：在政治文本上微调过的POLITICS模型（基于RoBERTa）、在实验数据子集上微调的DistilBERT和RoBERTa Base。
• 零样本Transformer模型 ：DistilBART-MNLI, DeBERTa-v3, RuBERT, RoBERTa Large XNLI, Political DEBATE Large。

通过这样的设计，我们就能在同一个任务、同一把尺子下，看清“通才”、“专才”和“即插即用工具”各自的真实斤两。

3. 实操要点与核心环节拆解：从数据清洗到提示词工程

把蓝图变为现实，中间有无数的细节决定成败。在这一部分，我将深入几个关键实操环节，分享那些在论文方法部分可能一笔带过，但却至关重要的“魔鬼细节”。

3.1 数据预处理：构建干净的起跑线

原始数据虽然已经过整理，但直接喂给模型效果会打折扣。我的预处理流程包括：

1. 句子清洗与标准化 ：

   • 去除无关符号 ：清理掉HTML标签、多余的换行符、制表符等。政治宣言PDF转换来的文本常常带有这些“垃圾”。
   • 统一引号和连字符 ：确保文本中使用的引号（如“”和“”）和连字符（如-和–）格式一致，避免模型因细微的符号差异产生困惑。
   • 处理缩写 ：对于像“don’t”、“UK’s”这类缩写，我选择将其展开为“do not”、“United Kingdom’s”。虽然现代LLM能理解缩写，但在微调小模型时，统一的格式能减少词汇表噪声。
   • 句子边界检测 ：尽管数据已是分句的，但我仍用 nltk 或 spaCy 的句子分割器复核了一遍。特别是对于长复合句，确保分割点准确，避免一个句子包含多个矛盾意识形态主张的情况。

2. 标签对齐与冲突解决 ：

   • 原始数据中，每个句子有多个专家和多个众包人员的打分。我采用 多数表决 来生成单一基准标签。这里有个关键坑点：平票怎么办？例如，一个句子被5位专家标注，结果“左翼”2票，“中立”2票，“右翼”1票。这种情况下，我选择 直接剔除该句子 ，而不是随机选择或引入更复杂的规则。因为我们的目标是评估模型分类的清晰度，将这些存在内在模糊性的样本纳入训练或测试集，会污染评估结果，让性能指标变得难以解释。在我的实验中，这类情况约占1-2%，虽然损失了一些数据，但保证了基准的清晰性。

3.2 提示词工程：与生成式AI有效对话的“咒语”

对于GPT-4o和Gemini这类生成式模型，提示词就是指令。写得好坏，结果天差地别。我的核心策略是： 明确任务、限定格式、提供思维链（CoT）引导 。

基础提示词结构 ：

1. 角色与任务定义 ：明确告诉模型你要它扮演什么角色，完成什么任务。例如：“你是一个政治文本分析专家。你的任务是判断一段文本在经济政策维度上的意识形态倾向。”
2. 意识形态定义 ：清晰、无歧义地定义“左翼”、“右翼”、“中立”。我采用了文献中相对共识的定义，并附上关键词示例。
   • 右翼 ：强调自由市场资本主义、低税收、自由贸易、放松管制、私有化、个人主义、促进私营部门、限制政府干预。
   • 左翼 ：强调政府干预、财富再分配、保护主义、累进税制、扩大福利计划、政府监管。
   • 中立 ：指非政治性或事实性内容，或不包含明确意识形态倾向的经济政策陈述。
3. 输出格式锁定 ：这是防止模型“胡说八道”的关键。我强制要求模型 只输出JSON格式 ，且只包含预测标签。例如： {"label": "right-wing"} 。对于需要批量处理句子的Gemini，则要求输出列表格式： [{“text_number”: 1, “label”: “left-wing”}, …] 。在提示词末尾加上“不要提供任何解释或额外文本”，能有效减少模型“加戏”。

进阶技巧：少样本学习 ： 对于Gemini Flash，我额外测试了“少样本”模式。即除了指令，还提供2-3个标注好的例子。例如：

示例1：“我们需要削减税收并减少对企业的监管以刺激经济增长。” -> 标签：右翼 示例2：“投资于公共和可负担的医疗保健对我们公民至关重要。” -> 标签：左翼 示例3：“当今英国，生活水平比我们历史上任何时候都高。” -> 标签：中立

这相当于给模型做了个“微型的任务示范”，能显著提升其分类的稳定性和对任务定义的理解。 我的实操心得是：例子一定要典型，且最好覆盖所有类别。 一个常见的错误是只给左翼和右翼的例子，导致模型对“中立”的判断非常犹豫，容易将其归入左右两类。

3.3 微调过程：把小模型“教”成领域专家

微调并非简单跑个脚本。以我在1000条标注句子上微调DistilBERT为例，关键步骤和参数选择如下：

1. 模型与框架选择 ：使用Hugging Face的 transformers 库，这是当前的标准。选择 distilbert-base-uncased 作为基础模型，因为它比BERT更小更快，且在大多数任务上性能损失很小。
2. 数据划分 ：1000条数据，按8:1:1划分为训练集、验证集和测试集。 这里有个重要考量 ：政治文本在不同年代、不同政党间存在风格和议题变化。因此，划分时我采用了 分层抽样 ，确保训练集和测试集中各政党、各年代的比例大致相同，防止模型只学会了识别某个特定时期的语言风格。
3. 超参数设置 ：
   • 学习率 ：这是最重要的参数之一。我使用了一个较小的学习率（2e-5），并配合线性预热和衰减。大学习率容易让预训练好的知识“失忆”，小学习率则能温和地调整模型以适应新任务。
   • 批大小 ：根据GPU内存设为16。较小的批大小可能带来更稳定的梯度估计，但训练速度会慢。
   • 训练轮数 ：设置为5个epoch。我密切监控验证集上的损失和F1分数， 并采用了早停策略 。一旦验证集性能在连续2个epoch内不再提升，就停止训练，以防止过拟合。在实际操作中，模型通常在3-4个epoch后收敛。
4. 损失函数与评估指标 ：使用标准的交叉熵损失函数。评估时主要看 加权平均F1分数 ，因为它同时考虑了精确率和召回率，对于类别可能不平衡的数据（本数据集中“中立”句子较多）更为稳健。

实操心得：微调数据量并非越多越好，而是越“好”越好 。我曾尝试用500条和1500条数据微调同一个模型，发现500条时模型欠拟合，1500条时性能提升已不明显，但训练时间几乎翻倍。对于政治意识形态分类这种任务， 1000条左右高质量、分布均衡的标注数据，是一个性价比很高的起点 。关键在于标注质量，模糊的标注会误导模型。

4. 性能对决：三类模型的表现深度解析

实验做完，数据出炉，是时候揭晓答案了。我将从句子级别和宣言级别两个维度，带你详细解读这场“AI政治分析师”之间的竞赛。

4.1 句子级别精度：生成式LLM一骑绝尘，微调模型稳扎稳打

首先看最直接的分类准确度。下表汇总了部分核心模型在测试集上相对于专家标注的F1分数（加权平均）：

模型类型	模型名称	F1分数 (vs. 专家)	准确率	备注
生成式 LLM	GPT-4o	0.89	0.90	零样本提示，表现最佳
	Gemini 1.5 Flash (少样本)	0.87	0.88	提供3个示例后性能提升明显
	Gemini 1.5 Flash (零样本)	0.82	0.83	基础零样本提示
微调模型	POLITICS (RoBERTa)	0.85	0.86	已在政治文本上预微调
	DistilBERT (微调)	0.83	0.84	在本研究数据上微调
	RoBERTa Base (微调)	0.84	0.85	在本研究数据上微调
零样本 Transformer	Political DEBATE Large	0.78	0.79	专为零样本政治文本设计
	DeBERTa-v3	0.75	0.76	通用零样本NLI模型
	DistilBART-MNLI	0.72	0.73	轻量级零样本模型

结果解读与洞见 ：

1. 生成式LLM的统治力 ：GPT-4o以接近0.9的F1分数领先。这印证了其在大规模、多任务预训练中获得的强大语义理解和推理能力。它不仅能识别“减税”、“私有化”这类明显的关键词，更能理解像“在确保市场活力的前提下，加强对金融风险的审���监管”这种复杂、平衡的表述，并将其正确归类为“中立”或略带左翼倾向。 少样本提示对Gemini的提升 也表明，为生成式模型提供少量高质量示例，能有效对齐其输出与任务需求，是性价比极高的优化手段。

2. 微调模型的可靠性 ：尽管略逊于顶尖的GPT-4o，但微调模型的表现非常扎实且稳定。特别是 POLITICS 模型，它因为在大量政治文本（如议会演讲、新闻）上预微调过，所以对本任务有天然的亲和力。 一个关键发现是 ：在本研究特定数据集上微调的 DistilBERT 和 RoBERTa ，其性能与 POLITICS 相差无几。这意味着， 即使你没有现成的政治领域预训练模型，用大约1000条高质量数据微调一个通用基础模型，也能得到非常可靠的结果 。

3. 零样本Transformer的困境 ：这类模型的表现明显落后。即使像 Political DEBATE Large 这样专门为政治文本零样本分类设计的模型，其F1分数也未能突破0.8。分析其错误案例发现，它们更依赖表面词汇匹配。例如，对于句子“支持中小企业创新，是经济增长的引擎”，由于出现了“经济增长”（常与右翼关联），模型容易错误地贴上“右翼”标签，而忽略了“支持中小企业”（可能带有干预色彩）的微妙性。它们缺乏生成式LLM那种深层次的语境推理能力。

4.2 宣言级别相关性：把握宏观趋势的能力

将视角从单个句子提升到整个政党宣言，我们关心的是模型能否正确把握一个文本集的整体意识形态倾向。我计算了每个模型预测出的宣言意识形态分数（基于左右翼句子比例的对数）与专家、众包人工评分之间的皮尔逊相关系数。

模型类型	模型名称	与专家评分相关性	与众包评分相关性
生成式 LLM	GPT-4o	0.94	0.91
	Gemini 1.5 Flash (少样本)	0.92	0.89
微调模型	POLITICS	0.90	0.87
	DistilBERT (微调)	0.88	0.85
零样本 Transformer	Political DEBATE Large	0.81	0.78

结果解读与洞见 ：

1. 高度一致的相关性 ：所有模型在宣言级别的相关性都远高于句子级别的准确率。这是一个非常重要的发现！它意味着， 即使模型在个别句子的分类上会出错，但这些错误在聚合到整个文档时往往会相互抵消 。模型在捕捉宏观意识形态趋势上的表现非常强劲。GPT-4o再次以超过0.9的相关性领先，表明其整体判断与人类专家高度一致。
2. 专家 vs. 众包 ：一个有趣的现象是，所有模型与专家评分的相关性都高于与众包评分的相关性。这或许暗示，模型的“思维模式”更接近经过训练的专业人士，而非普通大众。专家标注可能更严格、更遵循理论框架，而众包标注则可能更分散、更受个人直觉影响。
3. 微调模型的实用价值 ：尽管相关性略低，但微调模型（如POLITICS）0.9左右的相关性已经足以支撑绝大多数研究分析。对于追踪政党立场随时间演变、比较不同政党宣言差异等宏观研究，微调模型提供了一个 极其可靠且成本可控 的选择。

4.3 错误模式分析：模型都会在哪“翻车”？

通过分析分类错误的案例，我们能更深入地理解模型的局限性和政治文本的复杂性：

1. 历史语境与术语演变 ：例如，1980-90年代工党宣言中提到的“国有化”，是明确的左翼标志。但到了2000年后，“现代化公共服务”这种表述，其意识形态色彩就模糊得多。生成式LLM凭借其庞大的历史语料知识，能更好地处理这种演变，而微调模型如果训练数据时间跨度不足，则可能表现不佳。
2. 修辞与反讽 ：政治语言充满修辞。比如，“我们相信市场的魔力——直到它失灵，然后就需要纳税人的救助。”这句话带有明显的对右翼自由市场理念的讽刺，其真实立场可能是左翼的。这类句子对所有模型都是挑战，但生成式LLM因其更强的上下文推理能力，有更高概率识别出来。
3. 技术性/中性经济陈述 ：例如，“本季度GDP增长率为0.5%”。这纯粹是事实陈述，应标为“中立”。但一些模型，尤其是零样本模型，有时会错误地将其与“经济增长”（右翼常见主张）关联起来。明确的提示词定义（强调“中立”指事实性内容）和少样本示例，能有效缓解此问题。
4. 复合主张句子 ：一个句子包含多个分句，表达不同甚至矛盾的主张。例如，“虽然我们支持自由贸易协定，但必须包含强有力的劳工和环境标准条款。”模型需要权衡“支持自由贸易”（右翼）和“劳工环境标准”（常与左翼关联）。这时，模型更倾向于选择它认为权重更高的部分，可能导致分类不一致。

5. 权衡、选择与实战建议

面对这些结果，我们该如何选择？没有“最好”的模型，只有“最合适”的方案。下表从多个维度进行了总结：

考量维度	生成式大语言模型 (如GPT-4o)	微调模型 (如BERT/RoBERTa)	零样本Transformer模型
准确性	最高 （句子级和文档级）	高 （尤其在有领域数据微调后）	一般到较低
计算与资源成本	高 （API调用费用，闭源）	低到中 （一次性训练成本，开源免费）	很低 （直接推理，开源）
数据需求	极低 （零/少样本）	高 （需要标注训练数据）	无 （仅需标签定义）
速度	慢 （API延迟，有速率限制）	快 （本地部署，实时推理）	快 （本地部署）
可解释性与控制	低 （“黑盒”，依赖提示词）	中 （可分析注意力权重等）	中 （相对简单）
适用场景	1. 追求最高精度。 2. 无标注数据或数据极少。 3. 任务复杂，需深度推理。 4. 一次性或小规模分析。	1. 大规模、重复性分析任务。 2. 拥有高质量标注数据。 3. 对数据隐私和成本敏感。 4. 需要模型定制化和可复现性。	1. 快速原型验证和探索性分析。 2. 资源极度有限（无标注数据、算力弱）。 3. 对精度要求不高的初步筛查。

给研究者的实战建议 ：

1. 如果你的目标是发表高精度、可复现的学术论文 ： 优先考虑微调开源模型 。推荐使用像 POLITICS 这样的领域预训练模型作为起点，用自己的数据进一步微调。这确保了方法的透明性、可复现性和零持续成本。你可以在论文中完整公开模型、数据和代码，这是学术研究的最佳实践。
2. 如果你在进行探索性研究或快速验证想法 ： 从生成式LLM的零样本/少样本开始 。用GPT-4或Claude快速跑一遍你的数据，能立即获得一个高质量的基线结果，帮你判断任务是否可行，以及数据的大致分布。这能节省大量前期时间。
3. 如果你处理的是高度敏感或机密的政治文本 ： 绝对不要使用外部API的生成式LLM 。数据一旦送出就无法控制。选择在本地或私有服务器上微调开源模型是唯一安全的选择。
4. 关于标注数据的黄金法则 ：质量远大于数量。与其标注5000条质量参差不齐的句子，不如精心标注1000条清晰、有代表性的句子。在标注时，务必制定明确的编码手册，并对模糊案例进行讨论和统一。 建议保留一个“模糊”或“难以判断”的选项 ，这类句子在训练时可以先排除，避免引入噪声。
5. 提示词工程是门必修课 ：如果使用生成式LLM，请务必投入时间迭代你的提示词。尝试不同的定义、不同的输出格式要求���以及提供不同数量和类型的少样本示例。一个优化后的提示词带来的性能提升，可能超过换一个更贵的模型。

6. 常见问题与避坑指南

在实际操作中，我踩过不少坑，也总结出一些让流程更顺畅的技巧。

Q1: 微调时，训练集应该多大？是不是越大越好？ A: 并非如此。对于政治意识形态分类这类任务，存在一个“性能饱和点”。在我的实验中，当标注数据从500条增加到1000条时，性能提升显著（F1从~0.78升至~0.83）。但从1000条增加到1500条，提升可能只有0.01-0.02。 建议先标注500-800条高质量数据用于初始微调和验证，如果性能已达预期，则不必盲目扩大规模 。将资源用于提升标注一致性，效果更佳。

Q2: 使用GPT-4等API时，如何控制成本和处理速率限制？ A: 这是非常实际的问题。

• 成本控制 ：对于分类任务，优先选择按输入/输出Token计费的模型（如GPT-4o），而非按调用次数的模型。在发送提示词前，对文本进行必要的清洗和截断（去除无关内容），能有效减少Token消耗。批量处理句子，并在一个提示词中放入多个句子（如Gemini的批量提示），比逐句调用更省钱。
• 速率限制 ：务必在代码中实现 指数退避重试机制 。当遇到 429 Too Many Requests 错误时，程序应自动等待一段时间（如2秒、4秒、8秒…）后重试，而不是直接崩溃。同时，合理安排任务，避免在短时间内发起海量请求。

Q3: 模型预测结果出现大量“中立”，是为什么？ A: 这通常有两个原因：

1. 提示词或标签定义问题 ：检查你对“中立”的定义是否足够宽泛和清晰。如果定义过于狭窄，模型可能将许多本应中立的句子误判。尝试在少样本示例中提供更多样化的“中立”句子案例。
2. 数据本身分布问题 ：政治宣言中确实存在大量描述现状、陈述目标、而不直接表达价值判断的“程序性”或“事实性”语句。这可能是真实的数据分布。你可以抽样检查这些被预测为“中立”的句子，看其是否符合你的研究定义。如果符合，那模型的表现是准确的。

Q4: 如何评估模型结果的可信度？除了准确率还能看什么？ A: 对于政治文本分析， 定性错误分析至关重要 。不要只看F1分数。

• 混淆矩阵 ：查看模型具体在哪些类别之间容易混淆（例如，是否把很多“左翼”误判为“中立”？）。
• 抽样检视 ：定期从测试集中随机抽取一批模型分类错误和分类正确的句子，人工阅读并思考：为什么模型会错？是语境复杂、修辞特殊，还是标注本身有歧义？这个过程能帮你发现数据或模型定义的深层问题。
• 一致性检验 ：如果条件允许，可以用不同的随机种子多次运行微调过程，看模型性能是否稳定。或者，用同一模型预测不同来源但意识形态应相似的文本（如同一政党不同年份的宣言），看结果是否具有一致性。

Q5: 对于中文或其他非英语政治文本，该怎么做？ A: 方法论是通用的，但模型选择不同。

• 生成式LLM ：GPT-4、Claude、文心一言、通义千问等主流模型都具备优秀的多语言能力，可以直接使用，但提示词需用目标语言撰写。
• 微调模型 ：寻找在目标语言上预训练的开源模型。例如，对于中文， bert-base-chinese 、 RoBERTa-wwm-ext 、 Zhongjing （中医领域，但架构通用）等都是很好的起点。然后使用中文标注数据进行微调。
• 零样本模型 ：寻找支持多语言自然语言推理的模型，如 XLM-RoBERTa 或 mDeBERTa 。它们的零样本能力可以跨语言迁移。

最后，我想分享一点最深的体会：技术再强大，也离不开研究者的领域知识。机器学习模型是锐利的工具，但判断一个句子是“左”是“右”，其背后是深厚的政治经济学理论。在定义标签、制定编码规则、分析错误案例时，你的专业知识才是最终的决定性因素。让AI成为你的研究助理，而不是取代你的大脑。这个过程，本身就是一个将定性理论思考与定量计算分析深度融合的精彩旅程。