[Paper] 映射巴西众议院的政治话语：多方面的计算方法

发布: 1天前 (2026年4月24日 GMT+8 01:46)

7 分钟阅读

原文: arXiv

Source: arXiv - 2604.21897v1

概览

本文提出了一个可扩展、数据驱动的框架，用于剖析议会演讲，应用于巴西众议院（2003‑2025）期间超过 45 万条发言。通过超越点名投票，作者揭示了立法者如何发言、发言内容以及谁的发言相似，提供了更丰富的政治动态图景，可供开发者在公民技术、NLP 或分析工具中加以利用。

多维分析流水线，融合 (i) 历时文体计量学，(ii) 上下文主题建模，和 (iii) 说话者语义聚类。
大规模实证研究，基于 22 年巴西立法演讲语料库，展示了流水线的可扩展性。
实证洞见：
- 随时间推移，出现明显的文体漂移，倾向于更短、更直接的表达。
- 对国家危机（如经济冲击、疫情）作出快速议程重塑。
- 话语对齐更多受地区和性别驱动，而非党派归属。
开源工具包（或至少可复现的工作流），可适配其他议会或协商机构。

数据收集与预处理
- 抓取官方文字稿，清理 HTML，去除停用词，并对葡萄牙语文本进行词形还原。
- 将每篇演讲与元数据对齐：议员 ID、党派、州、性别和时间戳。
历时文体计量分析
- 计算经典文体指标（句子长度、词汇丰富度、被动语态使用率）按年份分布。
- 使用简单的时间序列模型跟踪趋势，以发现长期变化。
情境主题建模
- 训练多语言 BERT 编码器（例如 bert-base-portuguese-cased）以获取句子嵌入。
- 应用动态主题模型（BERTopic），在聚类嵌入的同时允许主题随年份演变。
语义发言人聚类
- 将每位议员的演讲嵌入聚合为单一表示（平均或注意力加权）。
- 进行层次聚类（例如 HDBSCAN），发现具有相似修辞特征的议员群体。
评估与验证
- 将文体趋势与外部事件（如 2014 年经济衰退、2020 年 COVID‑19）进行对比。
- 使用已知的人口属性（地区、性别）和党派立场验证发言人聚类。

该流水线是模块化的：可以替换嵌入模型、更改聚类算法或添加情感层，而不会破坏整体工作流。

维度	核心发现	解释
风格	平均句长从约 23 个词（2003 年）下降到约 15 个词（2024 年）。	立法者的表述更简短、更像“推文”，可能反映了媒体压力。
主题	“公共健康”“经济刺激”和“环境”等主题在 2020 年疫情和 2022 年洪灾期间出现突发性激增。	议程对危机反应迅速，证实了言论内容是政策关注的前瞻性指标。
发言人对齐	聚类显著与地理区域（东北 vs. 南部）和性别对齐；党派 affiliation 只解释约 12 % 的方差。	身份线索（地区利益、性别关注）主导了修辞相似性，表明在特定议题上存在跨党派联盟。

总体而言，研究表明 议员的表达方式 与 他们的投票行为 同样具有信息价值，为政治学家和技术人员打开了新的分析维度。

开发者可以将开源流水线嵌入现有的数据管道（例如 Apache Beam、Airflow），自动处理新的立法会议。

未来的研究可以整合情感分析、基于网络的交互图（谁回复谁）以及多模态数据（例如视频转录），以构建更为丰富的议会话语画像。