社交网络中政治观点如何变化:新模型TSN4PI发布
新框架TSN4PI结合大型语言模型与时序图神经网络,用于识别用户政治立场并预测其变化。作者还发布了两个大型数据集,并在X和Truth Social数据上验证了该方法。

为什么传统方法力不从心
社交媒体已成为政治讨论的主要平台。帖子、点赞和转发反映了人们世界观的变化,但研究人员很难跟上这一过程。主要障碍早已为人所知:
- 具有政治意义的帖子淹没在娱乐和个人内容的洪流中。
- 为训练算法而进行的人工标注成本高昂,且受主观性影响。
- 不同平台的数据结构各异,因此在一个社交网络上训练的模型无法在另一个平台上生效。
- 最困难的是预测一个人观点将如何变化,因为新闻、环境和他人行为都会对其产生影响。
传统的机器学习方法常常失灵:它们要么找不到所需的信号,要么仅限于陈述当前偏好。
TSN4PI 的工作原理
TSN4PI 是一个用于追踪社交媒体中政治观点演变的新系统。其架构分为两部分,各自解决不同的任务。
意识形态过滤
第一个模块(PIDN)负责将政治内容与无关内容区分开来。它利用大型语言模型和风格迁移技术,无需额外标注即可处理来自不同来源的噪声数据。简而言之,该模块学会理解帖子的真实主题,不被娱乐性内容分散注意力。
观点转变预测
第二个模块(PIPN)着眼于未来。它利用时序图神经网络,分析用户与他人及帖子的关联,评估其立场将向哪个方向偏移:现有意识形态会增强、减弱,还是完全转向对立面。

测试结果如何
研究人员收集了两个大型数据集,分别来自 X 和 Truth Social 平台,并将其用于非商业研究。测试表明,TSN4PI 成功完成了任务。该系统不仅能发现政治信念的痕迹,还能捕捉随时间发生的变化。
平台之间的差异尤其值得关注。在 X 和 Truth Social 上,受众的两极分化表现各不相同,而该模型能够揭示这些细微差别。这实证表明,网络上的政治观点并非一成不变:它们会在信息环境的影响下发生漂移。

这有什么用
精确追踪意识形态演变的能力不仅对理论研究重要。它有助于预测社会情绪、识别操纵手段,并让推荐算法更加中立。得益于公开的数据集,其他团队可以在相同数据上验证自己的方法,从而更容易比较结果。
该模型并不完美——人的政治行为过于复杂,难以用单一公式概括。但这样一个统一框架为后续研究提供了可依循的基准。该研究已被权威期刊《ACM Transactions on Intelligent Systems and Technology》接收发表。
常问问题
相关材料
所有材料
OpenCollab:可编程智能体协调、受控执行环境与规程遵循度指标
该框架将智能体交互结构的设定、统一的实验环境和详细的事件追踪整合在一起;新增的 Adherence 指标则反映实际执行与声明方案的符合程度。在基准测试中,Duo 配置达到新的 SOTA 水平,而单智能体版本的 token 消耗量最低。
11 十一月 2026
Toollery:从数万种选项中为 LLM 智能体挑选工具,无需微调
Toollery 根据技能和工具的描述构建搜索索引,并在收到请求时只向模型传递有限的一组候选项。在规模达数万个函数的库上进行的实验表明,该方法在固定 top-K 的情况下能够保持选择质量,但最终效果取决于负载特征和服务提供商的缓存情况。
11 十一月 2026
仪表板分析中 GUI 智能体的分阶段诊断:DashAct 基准测试
介绍 DashAct:一个包含 348 条经人工验证轨迹的基准测试,将 GUI 代理与交互式面板的工作拆分为三个阶段和四种视觉条件。结果显示,代理在动作预测和视觉目标定位方面存在持续性问题,其响应也依赖于上下文和空间支持。
11 十一月 2026