Core Concepts
Durch den Einsatz von Large Language Models (LLMs) wie ChatGPT, FLAN-UL2 und Claude können Klassifikationsmodelle bei der Vorhersage der Reaktionen der Crowd auf Social-Media-Beiträge unterstützt werden.
Abstract
Die Studie führt einen neuartigen Datensatz, das Crowd Reaction Estimation Dataset (CRED), ein, der die Entscheidungsprozesse von Social-Media-Managern in staatlichen Kontexten simuliert. Das CRED umfasst Paare von Tweets vom offiziellen Twitter-Account des Weißen Hauses mit vergleichenden Metriken zur Retweetanzahl.
Die Autoren schlagen einen Generator-gesteuerten Schätzansatz (GGEA) vor, der die Analysefähigkeiten von LLMs nutzt, um Klassifikationsmodelle bei der Vorhersage von Crowd-Reaktionen zu unterstützen. Die Ergebnisse zeigen, dass ein feintuniertes FLANG-RoBERTa-Modell, das den Tweetinhalt und die von Claude generierten Antworten verwendet, am besten abschneidet.
Darüber hinaus verwenden die Autoren einen T5-basierten Paraphrasierer, um Paraphrasen eines gegebenen Beitrags zu generieren und die Fähigkeit des GGEA zu demonstrieren, vorherzusagen, welcher Beitrag die meisten Reaktionen hervorrufen wird. Die Studie hebt den Wert der Zusammenarbeit zwischen LLMs und Klassifikationsmodellen hervor, um die Entscheidungsfindung bei der Optimierung der Reichweite von Social-Media-Beiträgen zu verbessern.
Stats
Die Wirtschaft wird in diesem Jahr voraussichtlich mit dem schnellsten Tempo seit fast 40 Jahren wachsen.
Wir haben jetzt die Gelegenheit, einmalige Investitionen in die Grundlagen des Wohlstands der Mittelschicht zu tätigen.
Quotes
"Es ist Zeit, eine amerikanische Wirtschaft wieder aufzubauen, die für alle unsere Familien und die nächste Generation funktioniert."
"Es ist Zeit sicherzustellen, dass jeder Amerikaner die gleiche Chance hat, voranzukommen."
"Es ist Zeit, unsere Wirtschaft besser wieder aufzubauen."