Policlim

🚀 政治氣候模型卡

本模型用於檢測（政治）文本中氣候變化的顯著性。它通過對政治宣言中的文本進行分析，幫助識別氣候變化相關內容的突出程度，為政治和氣候研究提供了有力的工具。

🚀 快速開始

你可以使用該模型進行文本分類，也可以將其作為基礎模型進行進一步的微調以完成其他任務。simpletransformers 包讓這個過程變得非常簡單。

基礎用法

import simpletransformers
from simpletransformers.classification import ClassificationModel, ClassificationArgs

## 用於氣候變化顯著性檢測：

# 以任意首選格式加載目標數據。
data = pd.read_csv('your_data.csv')

model = ClassificationModel(
     model_type = "xlmroberta", model_name = 'policlim'
 )

preds,output = model.predict(data['text'].tolist())

高級用法

from sklearn.metrics import f1_score, precision, accuracy, recall

# 加載訓練數據。需要在 'text' 字段中有文本，在 'labels' 字段中有相應的標籤。
new_train = pd.read_csv('your_new_train_data.csv')
new_test = pd.read_csv('your_new_test_data.csv')
new_eval = pd.read_csv('your_new_eval_data.csv')

# 用更新後的參數初始化模型
model = ClassificationModel(
    model_type="xlmroberta", 
    model_name="policlim",  
    num_labels=2,                 # 新任務的標籤數量
#    args=model_args,             # 必要時更新參數（標籤、超參數、處理細節、模型評估偏好）
#    weight = weights,            # 用於類別權重   
    ignore_mismatched_sizes=True, # 如果新任務的標籤數量不是 2，則需要此參數
    use_cuda=True
)

# 訓練模型
model.train_model(train_df = new_train, eval_df = new_test,
                  f1_train = f1_score(labels, preds,average=None) # 你也可以添加自己的評估指標
                  )

# 評估模型
result, model_outputs, wrong_predictions = model.eval_model(val_df,
                                                            f1_eval = f1_score(labels, preds,average=None),
                                                            precision = precision(labels, preds,average=None),
                                                            recall = recall(labels, preds,average=None),
                                                            acc = accuracy_score(labels, preds,average=None)
                                                            )

print('\n\n這些是在測試數據集上測試模型時的結果：\n')
print(result)

✨ 主要特性

此模型可檢測（政治）文本中的氣候變化顯著性。它基於 XLM - roberta 進行微調，使用了來自政治宣言的 3434 條手動標註的準句子（從 Manifesteo 項目數據庫 獲取）來檢測氣候變化顯著性。該模型在驗證集上實現了 0.935 的 F1 分數和 0.957 的準確率。

📦 安裝指南

文檔未提及具體安裝步驟，故跳過此章節。

📚 詳細文檔

我們使用該模型對政治宣言的氣候變化顯著性進行了分類，第一步的詳細內容在下面的工作論文中。該論文包含了訓練集、訓練過程、模型評估以及最終數據集的所有相關細節。

🔧 技術細節

該模型通過對基礎的 XLM - roberta 模型進行微調實現功能。使用從政治宣言中手動標註的 3434 條準句子作為訓練數據，在驗證集上取得了較好的效果，F1 分數達到 0.935，準確率達到 0.957。

📄 許可證

文檔未提及許可證信息，故跳過此章節。

📄 引用信息

@techreport{sanford2024policlim,
    title={Policlim: A Dataset of Climate Change Discourse in the Political Manifestos of 45 Countries from 1990-2022},
    author={Sanford, Mary and Pianta, Silvia and Schmid, Nicolas and Musto, Giorgio},
    type={Working paper},
    doi={https://osf.io/preprints/osf/bq356_v4},
    year={2025}
}

📊 模型信息

🔗 模型來源

• 倉庫地址：https://github.com/marysanford/policlim/tree/main
• 論文地址：https://osf.io/preprints/osf/bq356
• 數據來源：https://manifesto-project.wzb.eu/

👥 模型卡片作者

Mary Sanford，mary.sanford@cmcc.it