摘要
在线火灾风暴是用户生成内容中迅速集结的高度负面情绪，可能造成显著的声誉和经济损失。现有的检测器通常依靠内容量、情感得分或预定义的语言特征。然而，这些信号只能间接捕捉不断演变的讨论线程中的上下文意义变化。本文提出了一种基于大语言模型（LLM）的检测系统，具有两种操作模式。
操作模式
- 回顾模式：该模式通过将局部块级评估结合成线程级判断，对完整的Reddit线程进行分类。
- 早期预警模式：该模式顺序处理线程，当滑动窗口超过经过校准的阈值时发出早期警告。在此模式中，语言模型估计三个火灾风暴指标：负面情绪占比、升级水平和贡献者数量。
结果
在一个平衡的Reddit数据集上，全球模式实现了强大的分类性能，而早期预警模式在仅有少量评论和不同贡献者的情况下，达到了高召回率并能够检测到升级的线程。这些结果表明，大语言模型不仅可以用于静态判断任务，还可以作为上下文感知的社交媒体话语监控中的重复估计器。
博主点评： 本文提出的基于LLM的检测系统展现了先进的技术思路，能够在动态社交网络环境中有效识别潜在危机。通过结合上下文信息和实时数据分析，该方法为舆情监测提供了新的视角，值得关注和深入研究。