Policlim

🚀 政治气候模型卡

本模型用于检测（政治）文本中气候变化的显著性。它通过对政治宣言中的文本进行分析，帮助识别气候变化相关内容的突出程度，为政治和气候研究提供了有力的工具。

🚀 快速开始

你可以使用该模型进行文本分类，也可以将其作为基础模型进行进一步的微调以完成其他任务。simpletransformers 包让这个过程变得非常简单。

基础用法

import simpletransformers
from simpletransformers.classification import ClassificationModel, ClassificationArgs

## 用于气候变化显著性检测：

# 以任意首选格式加载目标数据。
data = pd.read_csv('your_data.csv')

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

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

高级用法

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

# 加载训练数据。需要在 'text' 字段中有文本，在 'labels' 字段中有相应的标签。
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')

# 用更新后的参数初始化模型
model = ClassificationModel(
    model_type="xlmroberta", 
    model_name="policlim",  
    num_labels=2,                 # 新任务的标签数量
#    args=model_args,             # 必要时更新参数（标签、超参数、处理细节、模型评估偏好）
#    weight = weights,            # 用于类别权重   
    ignore_mismatched_sizes=True, # 如果新任务的标签数量不是 2，则需要此参数
    use_cuda=True
)

# 训练模型
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评估指标
                  )

# 评估模型
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这些是在测试数据集上测试模型时的结果：\n')
print(result)

✨ 主要特性

此模型可检测（政治）文本中的气候变化显著性。它基于 XLM - roberta 进行微调，使用了来自政治宣言的 3434 条手动标注的准句子（从 Manifesteo 项目数据库 获取）来检测气候变化显著性。该模型在验证集上实现了 0.935 的 F1 分数和 0.957 的准确率。

📦 安装指南

文档未提及具体安装步骤，故跳过此章节。

📚 详细文档

我们使用该模型对政治宣言的气候变化显著性进行了分类，第一步的详细内容在下面的工作论文中。该论文包含了训练集、训练过程、模型评估以及最终数据集的所有相关细节。

🔧 技术细节

该模型通过对基础的 XLM - roberta 模型进行微调实现功能。使用从政治宣言中手动标注的 3434 条准句子作为训练数据，在验证集上取得了较好的效果，F1 分数达到 0.935，准确率达到 0.957。

📄 许可证

文档未提及许可证信息，故跳过此章节。

📄 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

🔗 模型来源

• 仓库地址：https://github.com/marysanford/policlim/tree/main
• 论文地址：https://osf.io/preprints/osf/bq356
• 数据来源：https://manifesto-project.wzb.eu/

👥 模型卡片作者

Mary Sanford，mary.sanford@cmcc.it