通过机器学习与人工智能测量和促进和平

Measuring and Fostering Peace through Machine Learning and Artificial Intelligence

arXiv: 2601.05232v1

论文信息

标题: Measuring and Fostering Peace through Machine Learning and Artificial Intelligence

作者: P. Gilda, P. Dungarwal, A. Thongkham, et al.

发布日期: 2026-01-08

arXiv ID: 2601.05232v1

PDF 链接: 下载 PDF

3 分钟速览

  • 研究问题：这篇论文试图用机器学习和人工智能自动测量国家层面的和平程度，并开发能实时提升用户媒体素养、促进和平对话的在线工具。
  • 核心方法：用神经网络分类新闻文本嵌入来区分高/低和平国家；用 Google GoEmotions 和大语言模型（LLM）分析 YouTube 视频文本的社会情感维度；设计 Chrome 扩展 MirrorMirror，给用户实时反馈其观看视频的和平度。
  • 关键结果：LLM 与人类专家在五维度和平评分上的最高皮尔逊相关系数达到 0.773（Gemini 3 Pro Preview，见论文图 3），且所有模型在国家级别的跨数据集分类中完全正确。
  • 主要局限：新闻训练的模型在 YouTube 口语化文本上严重过泛化，几乎全部判为高和平；GoEmotions 因上下文窗口小、中性基线高和平均化问题，与人类评分的相关性极弱（r≈0.18r\approx 0.18）；缺乏多模态信息与因果行为证据。
  • 适合读者：计算社会科学、和平研究、内容安全、媒体分析领域的学者与工程师，以及关注 AI 伦理与用户体验的产品设计者。

论文背景和研究动机

团队此前已用知识图谱、监督学习和检索增强生成等方法，从词汇层面分析高低和平国家新闻的语言差异。本文往前再跨一步：不仅测量和平，还试图 “培育和平”。研究动力来自两组现实观察：

  1. 语言是冲突与和平的开关，“仇恨言论” 导致暴力，而 “和平言论” 的特征尚未被充分量化。
  2. 71% 的 16–40 岁人群每天通过社交媒体短视频获取新闻，内容创作者故意制造愤怒等情绪来获取点击，这放大了对立与极化。

因此，研究者希望开发一套自动化工具，既能从新闻和社交媒体的文本中感知一个国家的和平光谱，又能帮助普通用户察觉其所消费媒体的情绪基调，从而实现从 “测量” 到 “干预” 的闭环。

核心方法和技术细节

新闻数据：基于文本嵌入的神经网络分类

研究者从 News on the Web（NOW）语料库收集了约 70 万篇来自 18 个国家的新闻文章，根据外部和平指数给每个国家打上高/低和平标签。文本经 n-gram 预处理后，用 OpenAI 的 text-embedding-3-small 模型转换为 1536 维嵌入向量，作为神经网络的输入。

测试了三种架构：两层卷积网络（CNN）、四层全连接前馈网络以及加入最大池化的改进 CNN。所有模型均采用 80/20 训练测试划分，Adam 优化器（学习率 0.001），二元交叉熵损失，训练 10 个 epoch，并施加 0.3 的 dropout 防过拟合（见论文第 II-B 节）。

YouTube 数据：从词汇情感到语境理解

新闻分类模型在 YouTube 口语化转录文本上全部失败（95‑100% 被判为高和平），说明视频中和平不是由特定话题决定，而是由 “怎么说” 决定。因此转向两种方法：

  • Google GoEmotions (RoBERTa)：对语句进行 28 类细粒度情感分类，再映射到五个人类专家确定的和平维度（同情‑蔑视、新闻‑观点、预防‑促进、秩序‑创意、细腻‑简单）。但该方法只能看到句子级情绪，且大量输出 “中性”，加上直接求平均会抹平情绪的剧烈波动，导致与人类评分相关性极弱。
  • 大语言模型 (LLM)：采用迭代提示工程，先为正式新闻设计了详细提示，发现对 YouTube 过于复杂，后简化为可泛化的提示。最终方案结合了 GoEmotions 输出的量化情绪分数与全文上下文，让 LLM 在 5 分量表上打分。测试了 GPT‑3、GPT‑4‑mini、Gemini 等多个模型，部分模型还使用了检索增强（+R）的混合架构。

为建立评判基准，人类和平研究专家对 52 个 YouTube 视频进行五维度独立评分，维度内评分者间相关系数超过 0.93（见论文表 II），证明维度可被可靠观测。

创新点和贡献

  1. 将文本嵌入驱动的神经网络大规模应用于跨国和平测量，无需依赖特定语言的词典，直接利用高维语义空间区分和平与冲突国家的媒体报道。
  2. 系统对比了词级情感模型与上下文级 LLM 在复杂社会维度评估中的能力鸿沟，证明单靠表面情绪分类无法替代对叙事框架和微妙立场的理解。
  3. 提出 “合成模型” 思路：将 GoEmotions 的结构化情绪数据作为 LLM 的辅助输入，以提升可解释性和可信度，避免纯端到端黑箱。
  4. 以人本设计（HCD）开发了可落地的 MirrorMirror 扩展，把和平研究成果转化为面向普通用户的实时反馈工具，试图超越单纯的点击指标，推动更尊重的沟通。

实验结果分析

新闻分类：跨数据集泛化

在 NOW 测试集上，三种神经网络准确率均超过 96%（CNN 97.24%，前馈网络 97.48%，改进 CNN 96.99%）。在独立 Capstone 和平语料库（16 国，60 万篇）上，单篇文章准确率降至约 70%‑73%（见表 I），但按国家聚合后，全部模型都能正确判断该国属于高或低和平类别。这表明模型学到的语言特征具有一定跨域稳定性，尤其在国家层面的区分度完全保留。

然而，这些模型一遇到 YouTube 转录文本就集体失效，说明书面新闻与口语视频的风格鸿沟极大，基于话题的嵌入表达无法迁移到情绪化和口语化的媒体形式。

YouTube 分析：LLM 大幅领先

在同情‑蔑视维度上，GoEmotions 与人类评分相关性仅 r≈0.18r\approx 0.18，而 Gemini 3 Pro Preview 达到 0.773（图 2）。扩展到全部五个维度，Gemini 系列模型普遍优于 GPT 系列，尤其在 “细腻‑简单” 等需要理解多重观点的维度上，Gemini 3 Pro Preview 比之前版本提升 +0.317（图 3）。这一结果表明，最新的推理模型开始捕捉到早期模型难以处理的 “灰色地带”。

另外，为 LLM 加入 RoBERTa 情感特征的混合模型效果参差不齐，说明额外的信号并非总能自动改进推理，提示工程和模型架构的匹配更为关键。

实践建议

MirrorMirror 从研究走向开放工具的过程中，以下实践方向值得参考：

  1. 多阶段评估管线 别指望单一模型解决所有问题。将轻量级情绪分类器（如 GoEmotions）作为特征提取器，与高成本的 LLM 上下文评估组合，既控制延迟，又保留深度理解。在用户侧可先用 GoEmotions 做粗略实时反馈，再在后台异步调用 LLM 生成更准确的和平度报告。

  2. 以人为中心的迭代设计 论文强调 HCD 流程，包括设计课程学生和外部用户的反馈。实际开发中应持续用人类专家标注的金标准（如 52 个视频的评分）校准模型，并定期更新，以避免模型与不断变化的媒体语言脱节。

  3. 多模态融合是下一步 论文已指出纯文本分析的局限，未来的扩展应整合音频特征（语气、语速）和视频画面信息，这可能需要结合预训练的多模态模型（如 Gemini 或 GPT‑4 的视觉能力）。在落地上，可以先在少数有授权的新闻视频上实验，再逐步扩展。

  4. 从个体工具到平台信号 MirrorMirror 目前是面向用户的浏览器扩展，但长期目标是为内容创作者、记者和平台提供开放工具。可考虑提供 API，让内容管理后台直接展示视频的和平维度评分，辅助编辑判断，或在推荐算法中引入 “平和度” 作为多样性权重，减缓情绪极化。

  5. 注意隐私与伦理风险 实时分析用户观看的媒体内容，需确保数据不离开本地或充分匿名化。提示用户了解其媒体饮食的演变趋势，而非被平台监控，这一点在 UX 设计上尤为关键。研究者的长期目标推动 “自我觉察” 正是这一工具区别于商业监控产品的核心价值。

通过上述工程化路径，学术研究有望转化为真正能降低冲突热度的公共产品。