運用大語言模型識別操弄性政治敘事：結合少樣本提示與非監督式分群的偵測框架

本研究開發一套結合大語言模型與非監督式學習的框架，能從海量社群資料中精準過濾正當評論，識別出潛在的操弄性政治敘事，並自動歸納出其核心論點。

Problem

隨著政治討論轉向社群媒體，如何區分具備正當性的政治評論與惡意的操弄性敘事變得極具挑戰。許多貼文往往會利用真實事件進行刻意誤導，將事實框架在具備操弄意圖的脈絡中，使傳統偵測方式難以判別。

研究團隊首先利用具備推理能力的模型搭配少樣本提示（Few-shot Prompt），根據既有的操弄案例與正當批評範例進行過濾；接著對剩餘資料進行向量嵌入，並透過 UMAP 降維與 HDBSCAN 演算法進行非監督式分群；最後再次運用推理模型自動總結每個集群背後的敘事邏輯。

此框架在分析超過 120 萬則社群媒體貼文的實證中，成功辨識出 41 個截然不同的操弄性敘事集群。該方法不僅能有效分離正當批評，還能精準捕捉到複雜的論述結構。

此方法的最大優勢在於其非監督式的特性，使其不依賴預先定義的標籤類別，進而具備發現新型態、演進中操弄手段的能力。這為社群平台治理與防範自動化政治宣傳提供了強大的技術支援。