斯拉夫语言说服技巧语料库发布

背景

劝说技术（Persuasion Techniques）是媒体中广泛使用的修辞手段，旨在影响公众舆论。尽管已有针对英语等主要语言的说服技术数据集，但面向斯拉夫语言（Slavic Languages）的资源极其匮乏。斯拉夫语族包含多种使用人口众多的语言，其政治、社会媒体中的劝说策略研究对于跨语言信息分析和计算社会语言学具有重要意义。现有工作多集中于单一语言或粗粒度标注，缺乏多语言、多粒度、包含争议性话题的语料库。为此，研究者构建了一个全新的劝说技术语料库，覆盖保加利亚语、波兰语和俄语三种斯拉夫语言，并提供了从文本跨度到句子的精细标注层次，填补了这一领域的资源空白。

核心内容

本文提出一个名为“斯拉夫语言劝说技术语料库”（A Corpus of Persuasion Techniques in Slavic Languages）的新资源，专注于斯拉夫语言中的劝说技术标注。该语料库包含来自保加利亚语（Bulgarian）、波兰语（Polish）和俄语（Russian）的文档，采用粗粒度（文本跨度级别，text-span level）和细粒度（句子级别，sentence level）两种标注粒度。劝说技术基于一个包含25种细粒度类别的分类体系，这些类别被归入六大类修辞说服策略（rhetorical persuasion strategies）。语料库包含来自222篇文档的大约7500个文本跨度，覆盖国内外高度争议的话题。论文详细描述了语料库的创建过程，提供了丰富的统计信息，并考察了话题与劝说技术之间的关联。研究者还使用基于经典机器学习（classic ML-based）和基于生成式AI（generative AI-based）的模型，建立了在文本跨度级别和句子级别对劝说技术进行检测与分类的基线及基准结果。

具体来说，语料库的构建步骤包括：文档收集（从新闻、社交媒体等来源选取热点争议话题）、标注指南制定、多轮人工标注与一致性检验、标注结果整合。25种细粒度技术涵盖如情感诉求、逻辑谬误、权威引用、恐惧煽动等常见策略，六大类则包括逻辑型、情感型、信用型等宏观分类。统计部分展示了各语言中技术分布差异、话题与技术共现模式。基线实验中，经典ML模型（如SVM）和生成式AI模型（如基于transformer的序列标注模型）分别在跨度级和句子级任务上评估，报告了F1分数等性能指标。

关键要点

• 语言覆盖：语料库涵盖三种斯拉夫语言——保加利亚语、波兰语、俄语，均为拥有大量使用者且政治媒体环境活跃的语言。
• 标注粒度：同时提供粗粒度（文本跨度）和细粒度（句子）标注，支持不同层级的分析需求。
• 分类体系：包含25种细粒度劝说技术，归入6大类修辞说服策略；分类体系基于已有研究并针对斯拉夫语言特点调整。
• 规模与多样性：共222篇文档，约7500个文本跨度，覆盖国内与国际层面高度争议的话题（如政治选举、疫情、民族议题等）。
• 关联分析：通过统计揭示了不同话题与特定劝说技术之间的相关性，例如某些政治话题更频繁使用情感诉求或权威引用。
• 基线基准：使用经典ML模型（如支持向量机）和生成式AI模型（如预训练语言模型微调）进行检测与分类，建立了跨度级和句子级任务的性能基线。
• 开源可用：语料库、标注指南及实验代码预计随论文公开发布（论文中提及“Code, Data and Media Associated with this Article”）。

意义与影响

• 填补资源空白：此前缺乏面向斯拉夫语言的多语言劝说技术语料库，该工作为跨语言计算话语分析提供了关键基础资源。
• 促进多语言研究：通过标注三种代表性斯拉夫语言，支持对比语言学、跨文化劝说策略研究，并可作为多语言模型评估的测试床。
• 推动检测技术：提供的基线和基准结果（经典ML与生成式AI）为后续研究设定了比较标准，有助于开发更鲁棒的劝说技术自动检测系统。
• 现实应用价值：可应用于媒体素养教育、自动化假新闻检测、政治广告分析、舆情监控等实际场景，尤其针对斯拉夫国家网络信息环境。
• 方法论贡献：展示了跨语言、多粒度标注的流程与挑战，包括标注体系设计、一致性控制、语言差异处理，为类似项目提供可复现范例。
• 未来方向：可扩展至其他斯拉夫语言（如乌克兰语、塞尔维亚语）、更多媒体类型（如视频、音频转录），或结合多模态信息；生成式AI模型在该任务上的表现也提示了优化潜力。