荷兰COVID-19新闻发布会中的言语行为分析

摘要

本研究创建了一个包含所有荷兰COVID-19新闻发布会的开源语料库，采用John Searle的言语行为分类法对句子进行标注。语料库包含2020年3月6日至2021年4月20日期间举行的58场新闻发布会，共有9441个手工标注的句子。言语行为标注具有一致性，Krippendorff’s alpha值为0.71。语料库使用方便，富含元数据，包括词汇、句法、话语（发言人、问题或回答）特征以及现有法规类型信息。

技术方法

数据收集与处理

新闻发布会文本从某机构官方网站获取，使用NLTK进行句子分割，并利用SpaCy进行词元化、词性标注和组块分析。每个句子都添加了元数据：在新闻发布会中的排名、日期、发言人身份（部长或记者）、是否属于开场陈述或问答环节。

标注流程

使用Prodigy标注工具，采用Searle的言语行为分类法：断言类、指令类（分为温和和强烈）、承诺类、表达类和宣告类。两名标注员共标注了9441个句子，标注过程耗时约50小时。

机器学习应用

使用RoBERTa模型进行言语行为分类实验，在单标签分类任务中达到0.73的准确度和0.74的平均倒数排名。实验采用时序排序，使用最后20%作为测试集，训练集从20%到80%逐步增加。

研究成果

语料库包含58场新闻发布会，5548个段落，29409个句子，528703个词符，15431个唯一单词和11083个唯一词元。包含2678个问答对，平均问题长度为2个句子，回答长度为7个句子。

言语行为分布显示：断言类占主导（68%），指令类（温和和强烈）合计为第二大类，承诺类和表达类分别占第三和第四位，宣告类仅占3%。

技术贡献

1. 提供了结构良好的荷兰疫情新闻发布会语料库，包含丰富的元数据和高质量的言语行为标注
2. 证明了言语行为使用与疫情严重程度、措施类型和发言人角色相关
3. 展示了机器学习在言语行为分类中的应用潜力，为自动标注提供了可行方案

所有数据和处理脚本永久保存在荷兰科学数据存储库DANS中（https://doi.org/10.17026/dans-2af-rwmr）。