Persuasion Index: A Theory-Guided Framework for Persuasion Analysis
作者: Liancheng Gong, Zhiyang Wang, Yiwei Xu, Julia Mendelsohn
分类: cs.CL
发布日期: 2026-06-12
💡 一句话要点
提出说服指数框架以分析说服性信息
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 说服分析 修辞模式 信息操控 心理学 传播学 开源工具 特征提取
📋 核心要点
- 现有方法在识别说服性修辞线索方面存在不足，难以有效检测信息操控和提升公共健康传播效果。
- 本文提出的说服指数（PI）框架基于心理学和传播学的理论，构建了15维的分类法和55个子特征，具有模块化特性。
- 实验结果表明，PI在不同数据集上提供了共享特征空间，线性模型显示其特征具有显著的预测能力，计算效率高。
📝 摘要（中文）
识别说服性修辞线索在多个领域至关重要，包括信息操控检测、提升人工智能安全性以及促进公共健康传播。本文提出了说服指数（PI），这是一个基于心理学和传播学说服理论的15维分类法，并实现了一个透明的框架，使用55个子特征构建于词典和基于规则的检测器。该分类法具有模块化特性，允许在保持理论结构的同时替换个别检测器。通过在四个不同领域、风格和结果测量的公共数据集上评估PI，我们展示了PI为解释与说服相关结果的修辞模式提供了共享特征空间。线性模型表明，PI特征具有有意义的预测信号，同时计算轻量。维度级分析揭示了PI维度与说服结果之间的反复关联，同时突出了主题和立场的特定变异。我们将PI作为开源包和网络接口发布，以便对人类和人工智能介导的沟通进行原则性和可审计的分析。
🔬 方法详解
问题定义：本文旨在解决在多领域中识别说服性修辞线索的挑战，现有方法往往缺乏系统性和可解释性，难以有效应对信息操控等问题。
核心思路：提出说服指数（PI），通过建立基于理论的分类法和模块化检测器，提供一个透明且可审计的分析框架，旨在提升说服性信息的识别与分析能力。
技术框架：PI框架包括15个维度的分类法，结合55个子特征，采用词典和规则基础的检测器，整体结构允许模块替换以适应不同应用场景。
关键创新：PI的最大创新在于其理论驱动的模块化设计，使得特征提取与分析过程更加灵活和透明，区别于传统方法的固定特征集。
关键设计：在设计中，PI采用了轻量级的线性模型，确保计算效率，同时通过维度级分析揭示了特征与说服结果之间的关联性，关注主题和立场的特定变异。
🖼️ 关键图片
📊 实验亮点
实验结果显示，PI特征在四个公共数据集上提供了显著的预测信号，线性模型的表现优于基线方法，具体提升幅度未知。维度级分析揭示了PI维度与说服结果之间的强关联性，表明该框架在不同主题和立场下的有效性。
🎯 应用场景
该研究的潜在应用领域包括社交媒体内容分析、公共健康传播策略优化以及人工智能系统的安全性提升。通过提供可审计的说服性分析工具，PI能够帮助研究人员和从业者更好地理解和应对信息传播中的说服性因素，促进更有效的沟通策略。
📄 摘要（原文）
Identifying persuasive rhetorical cues is critical across domains, from detecting information manipulation and improving AI safety to advancing public health communication. We propose Persuasion Index (PI), a taxonomy of 15 dimensions grounded in persuasion theories from psychology and communication, and one transparent implementation using 55 sub-features built from lexicons and rule-based detectors. The taxonomy is modular: individual detectors can be replaced while preserving the theoretical structure. By evaluating PI on four public datasets varying in domain, style, and outcome measures, we show that PI provides a shared feature space for interpreting rhetorical patterns associated with persuasion-related outcomes. Linear models show that PI features carry meaningful predictive signal while remaining computationally lightweight. Dimension-level analyses reveal recurring associations between PI dimensions and persuasion outcomes across datasets, while also highlighting topic- and stance-specific variation. We release PI as an open-source package and web interface for principled and auditable analysis of human and AI-mediated communication.