Elite Polarization in European Parliamentary Speeches: a Novel Measurement Approach

文章主要内容总结

本文提出了一种利用大型语言模型（LLMs）测量政治精英极化的新方法，通过分析议会演讲中政客对其他政治实体的提及及情感态度，构建“精英极化指数（EPS）”，以量化精英间的相互敌意。

• 研究背景：精英极化（如政客间的情感敌意）对民主制度影响显著，可能导致立法阻碍、宪政危机甚至民主崩溃，但现有测量方法受限于特定国家、时间或手动编码，缺乏跨国家、长时序的可靠数据。
• 方法创新：使用LLMs识别演讲中提及的政治实体（如政党、政客），评估演讲者对这些实体的情感温度（-5至+5分，负为负面，正为正面），并通过加权（基于提及频率）计算政党层面和议会层面的极化指数。
• 数据与验证：分析了英国40年、匈牙利和意大利各20年的议会演讲数据，验证了指数的有效性——能响应选举、政党危机、权力更迭等事件。
• 主要发现：执政党的极化分数通常低于反对党；极化指数对政党层面事件（如分裂、结盟）的反应更敏感；跨国家比较显示不同民主制度下极化模式存在差异（如匈牙利的民主倒退与极化变化的关联）。

文章创新点

1. 测量方法突破：将分析单位从整篇演讲细化到“对单个政治实体的提及”，解决了传统方法无法精准归因情感指向的问题。
2. LLMs的应用优势：相比传统自然语言处理（NLP）技术，LLMs无需大量训练数据，能跨语言分析，准确区分程序性提及与实质性评价，且能解