丹麦议会吵架吵了29年，AI把每一句"甩锅"都数出来了

2016年4月的某一天，丹麦议会里的"互相甩锅指数"跌到了近三十年来的最低点。

没有人当时注意到这件事，因为没有人在统计这个数字。政客们互相指责的话，一直被当成情绪化的背景噪音，没人觉得值得认真量化。直到最近，一组来自奥胡斯大学的研究者用AI把1997年到2026年将近五百万句议会发言全部扫了一遍，才把这个隐藏的转折点挖出来。而更让人意外的是，从那个低点开始，甩锅的频率不是慢慢回升，而是像坐上了加速器一样往上蹿，尤其是最近这几年。

这篇论文的名字很直白，叫"跨越议席甩锅"。它想搞清楚一件所有人都在争论、但谁都拿不出硬证据的事：政治语言真的变得更凶了吗？还是这只是社交媒体时代放大出来的错觉？

要回答这个问题，比想象中难得多。

甩锅这件事，到底该怎么量化

先说说这事儿难在哪。

政治学界一直有个说法，觉得政治话语正在变得越来越刻薄，媒体、学界、街头巷尾都在讨论这个现象。但真正拿数据出来验证的研究却少得可怜，尤其是议会辩论这种场合。大部分现有证据都来自推特之类的社交媒体，而议会辩论其实比社交媒体分量更重，因为这里产出的是真正影响政策走向的语言。

问题是，怎么定义"甩锅"？

批评：单纯表达不满或反对意见，不涉及责任归属。

甩锅（blame）：批评的进阶版，它不仅带着负面情绪，还明确把某个负面结果的责任归咎到某个人或某个群体头上。

这个区分很关键。政客说"这项政策不太理想"，那是批评。政客说"这项政策失败都是因为反对党当年阻挠",那才是甩锅。前者是意见分歧，后者带着道德指控的味道，心理学上管这个叫"规范信号"，意思是甩锅的人在暗示自己站在道德正确的一边，而被甩锅的人违反了某种规范。

想靠人工一句句去读五百万句话，标出哪句是甩锅，这在现实中根本不可能。哪怕雇一整个团队标注，光是读完这些句子都得花上好几年。所以研究者必须找一条捷径，既要快，又不能瞎标乱标出一堆垃圾数据。

这就好比你要给全国所有餐厅的顾客评论做情绪分析，人工一条条看肯定读不完，但如果直接找个万能翻译软件粗暴处理，又会把"这道菜辣得要命，太好吃了"这种反讽全部标错。研究者需要的是一套既省力又靠谱的流水线。

从零样本模型到"标注效率"流水线

研究者选择的路径挺聪明，先用一个现成的零样本分类模型帮忙打初步标签，再用这些初步标签去训练一个更小、更专门的模型。

DEBATE：一个基于DeBERTa-V3架构、专门为政治文本设计的零样本分类模型，可以在没有专门训练数据的情况下，直接判断一段文本表达的态度是"甩锅"还是"赞美"还是"中立"。

之所以叫零样本，是因为这个模型不需要看过丹麦议会的具体例子，就能靠通用的语言理解能力去判断态度倾向。但DEBATE有两个硬伤：它只认英语，而且一次最多处理512个词。丹麦语的议会记录显然不符合它的胃口。

所以研究者先把丹麦语句子机器翻译成英语，再切成一句一句的短句喂给DEBATE。DEBATE会用五种不同措辞的提问模板去问同一个问题，比如"这段话里作者对他人的态度是什么"，然后综合五次回答的一致程度，来判断这句话到底算不算甩锅。

这里有个特别值得说的细节，叫DIAL。

DIAL（Datasets of Increasing Agreement Levels，递增一致性数据集）：根据五个提问模板中有多少个都认定某句话是"甩锅"，把数据分成五个不同保守程度的子集。如果五个模板全部同意，这句话进入最严格的DIAL-5；哪怕只有一个模板同意，也能进入最宽松的DIAL-1。

这个设计的道理在于，五个模板全部同意的句子，甩锅的信号肯定特别强，但数量少；只要一个模板同意的句子，数量多但噪音也大。研究者用这五个不同"纯度"的数据集分别去训练模型，最后挑出效果最好的一个。这就像你要挑西瓜，既想用最快的方法筛一遍，又怕漏掉真正甜的瓜，于是干脆按敲击声音的清脆程度分成五个等级，分别验证哪个等级挑出来的瓜最靠谱。

最后胜出的是DIAL-5训练出来的模型，也就是论文的核心成果BlameBERT。

BlameBERT：研究者训练出的丹麦语甩锅识别模型，基于mmBERT架构微调而成，宏平均F1分数达到0.80，是目前已知第一个专门针对丹麦政治语境的甩锅检测模型。

拿这个模型和另外两种方案对比过，一种是用嵌入向量做相似度匹配的轻量级方法，另一种是用90亿参数的生成式大模型Qwen 3.5直接问答。结果嵌入方法宏F1只有0.67，生成式大模型稍好一点，0.75，但计算成本高得离谱，推理五千多个句子花了将近19个小时，而BlameBERT只需要几分钟。三者一比，BlameBERT不仅准确率更高，性价比也碾压对手。

这背后其实是个挺现实的取舍。就像你要给全公司做体检，大模型相当于每个人都做核磁共振，精确但排队排到天荒地老；轻量嵌入方法相当于只测体温，快是快，但漏诊率太高。BlameBERT更像是一套针对性设计的快速筛查表，专门冲着"甩锅"这一个指标去优化，既不需要动用最贵的设备，又能在关键指标上做到够用甚至更好。

香蕉形状的甩锅曲线

把BlameBERT套到全部近五百万句议会发言上跑一遍，再用统计模型分析时间趋势，得到的结果长得很有意思，形状像一根香蕉。

具体来说，从1997年开始，甩锅率先是一路走低，一直跌到2016年4月左右触底，然后掉头往上冲，而且这个上升不是匀速的，是越来越快的加速上升。研究者管这个叫"香蕉形轨迹"。

这个转折点的时间不是巧合。

2015年正好是丹麦经历移民危机的一年，此后有研究指出，丹麦政坛对移民议题的措辞在各个党派之间普遍变得更强硬，甚至一些原本不以强硬移民立场著称的党派也跟着变调。这提示我们，甩锅曲线的走向，某种程度上和某个具体历史事件绑定在一起，而不是一条平滑的、抽象的"社会越来越浮躁"曲线。

单独看最近这七年（2019到2026年），趋势同样清晰，甩锅率呈显著的线性增长，和整体轨迹的上升段相互印证。

如果只看这条曲线，你可能会觉得，好吧，政治语言确实变差了，证实了大家的直觉。但研究没有停在这里，它接着往下挖了一层更深的东西：这种上升到底是所有政党一起变差，还是某些政党在拖后腿？

政治对比：在野党为什么更爱甩锅

研究给这个现象起了个名字，叫"政治对比"（political contrasting）。

政治对比：一种系统性的修辞策略，在野党相比执政党，会更频繁地把负面结果归咎于对方，这个效应会在执政党和在野党身份互换的一瞬间同步反转。

数字很直观。左翼政党一旦执政，甩锅率会降到在野状态下的大约62%，也就是说，同一个党派，当了执政党之后，甩锅频率直接打了六折出头。这个效应在右翼政党身上依然存在，但没那么强烈，执政带来的"降火"效果弱了大约11个百分点。

这个机制其实很好理解，背后的逻辑是一种朴素的道德心理学：甩锅的本质是在向外界传递"我遵守规范，对方破坏了规范"的信号。在野党天生就站在和执政党对立的立场上，甩锅这件事对他们来说是一箭双雕的买卖，既能凸显对手的政策失败，又能同时衬托出自己的立场差异。执政党就没有这个动机了，毕竟锅是自己在背，说得越多越显得心虚。

这就好比一场公司项目复盘会。没拿到项目负责权的那组人，天然更有动力去指出"这个决策是对方组拍板的，出了问题不能怪我们"；而真正拿到负责权、正在推进项目的那组人，反而会更谨慎地少说"都是别人的错"，因为万一项目最后翻车，这话说出来只会显得自己更狼狈。如果这个机制不存在，执政和在野的甩锅率应该差不多，但数据明明白白显示出六成左右的落差，这说明"谁在台上谁说话就收着点"是真实存在的政治本能。

意识形态极端程度，也在悄悄放大甩锅

除了执政还是在野，研究还看了另一个变量，党派的意识形态立场。

wingness（意识形态极端度）：一个党派的政策立场距离政治光谱中心点的绝对距离，数值越大，说明这个党派的立场越偏离中间路线，不管偏左还是偏右。

按理说，一个政党的立场越极端，它反对的政策就越多，翻译成大白话就是，看谁都不顺眼的对象变多了，甩锅的机会自然也多。研究确实观察到了这个逻辑，但只在右翼政党身上成立。

具体数字是，右翼政党每增加一个单位的极端度，甩锅率相对左翼政党会多出约74%的增幅。左翼政党的极端度和甩锅率之间，则没有观察到统计上显著的关系。

这个左右不对称的现象，在最近几年被进一步放大。用2019到2026年的数据单独跑一遍模型，发现右翼极端度带来的甩锅增幅从74%飙升到126%，几乎翻了一倍。同一时间段里，执政对甩锅的抑制效果不再因党派左右而分化，左右两翼的执政党都能享受到大致相同的六折降火效果，但意识形态极端度这个因素，反而在右翼这一侧变得更极端了。

研究者由此提出一种解释，可能是那些立场特别极端的右翼小党，正在把整个政治光谱往更激烈的表达方式上拽。就像一群人吵架，原本大家音量都差不多，但只要有一两个人开始大喊大叫，剩下的人为了不被这两个人盖过风头，也不得不跟着提高音量，久而久之，整个场子的平均音量就被这一小撮人拖上去了。如果没有这种"被拽着走"的动力，理应是极端右翼党自己声音大，其他党派保持原样才对，但数据显示的是一种整体氛围的右倾硬化，而不是孤立的个例。

这套结论到底靠不靠谱

任何用AI打标签的研究，都得回答一个绕不开的问题，模型会不会看走眼？会不会系统性地把某类句子标错？

研究者做了两层验证。第一层是敏感性分析，把判定"这句话算甩锅"的置信度门槛从默认的50%，逐步提高到62.5%、75%，一直到87.5%这个极为保守的水平。结果显示，几乎所有核心结论的方向和显著性都稳如泰山，唯一有点动摇的是"执政状态和意识形态派别的交互效应"这一项，在最严格的门槛下失去了统计显著性，但方向依然没变。

这个结果其实挺让人安心的。它说明整套发现不是靠某个恰好卡在临界点的阈值堆出来的巧合，而是数据里确实存在的结构性规律。

第二层验证针对的是另一种质疑，会不会执政党和在野党本来就聊的话题不一样，比如执政党老聊经济政策，在野党老聊社会议题，而某些话题天生更容易招来甩锅式的措辞，那这个"执政降低甩锅率"的结论岂不是被话题差异带偏了？

研究者专门用另一个模型ManifestoBERTa，把发言按主题切成七大类，从外交关系到经济议题都覆盖到。

ManifestoBERTa：基于XLM-RoBERTa微调的多语言政治文本分类模型，能把一句话自动归入56种细分政治议题，论文进一步把这56种压缩成7个大类,来判断执政党和在野党讨论的话题分布是否存在明显差异。

结果发现，执政党和在野党聊的话题分布高度相似，唯一有系统性差异的是甩锅率本身随话题变化很大，比如"社会结构"类话题的甩锅率是"经济"类话题的三倍以上。但把话题这个因素纳入模型控制之后，执政状态对甩锅率的压制效果几乎没有变化，从67.5%的相对概率微调到66.3%。

这个反复检验的过程很有意思，很像医生诊断病情时会想"会不会是别的病造成了类似的症状"，然后专门去排查那个干扰因素。排查完发现干扰因素确实存在，但它并没有推翻原本的诊断，这才能真正放心地下结论。

写在后面

读完这篇论文，我脑子里一直转的一个念头是，2016年那个甩锅率的低谷点，其实挺反常识的。

我们通常会假设一个国家的政治氛围要么持续恶化，要么持续改善，很少有人会想到中间藏着一个明确的拐点，而且这个拐点还能和一场具体的社会事件对上号。这提醒我，任何"越来越糟"或者"越来越好"的直觉判断，背后都可能藏着一段被我们忽略的、真正发生转折的时间窗口，而这个窗口往往和某个具体事件绑定，不是抽象的时代情绪。

另一个让我觉得挺有意思的细节，是研究者对Qwen生成式大模型的实测。90亿参数的大模型在处理"空缺回答"（模型拒绝输出结构化结果）的时候，居然产生了16%的空白率，而且不同的空白处理策略会让最终指标大幅摆动，从宏F1的0.64摆到0.79。这说明用大模型做批量分类任务，看似简单粗暴地丢一堆提示词进去就能跑，实际操作中会遇到大量意料之外的工程细节，光是"模型没给出答案该怎么算"这一个问题，就能让结果面目全非。

这篇论文没能回答的一个问题，是甩锅到底指向了谁。丹麦某党在某个时间段甩锅率突然上升，有可能是在攻击国内的政治对手，也有可能是在把责任推给欧盟、疫情或者国际市场，这两种情况背后的政治含义完全不一样，一个是内耗，一个是外部归因。研究者自己也承认这是当前模型的局限，只能识别"甩锅这个动作发生了"，识别不出"甩锅的靶子是谁"。这个问题留在那里，倒是挺值得后续研究继续往下挖的。

Q&A

Q1：BlameBERT是什么？

A：BlameBERT是奥胡斯大学团队开发的丹麦语甩锅识别模型，基于mmBERT架构微调，专门用来判断议会发言中是否存在把负面结果归咎于他人的表述，宏平均F1分数达到0.80，是目前已知第一个针对丹麦政治语境的甩锅检测模型。

Q2：丹麦议会的甩锅率是一直在上升吗？

A：不是持续上升，而是呈香蕉形轨迹。从1997年到2016年4月左右甩锅率整体是下降的，触底后开始加速上升，尤其是2019年到2026年这段时间上升趋势最明显，这个转折点大致与2015年丹麦移民危机的时间点吻合。

Q3：执政党和在野党谁更爱甩锅？

A：在野党明显更爱甩锅，这个现象被称为政治对比。左翼政党一旦执政，甩锅率会降到在野状态下的约62%，右翼政党执政后甩锅率也会下降，但降幅比左翼弱约11个百分点，且意识形态越极端的右翼党派，甩锅倾向的增幅也越明显。