Political Ideology Classification Project

This repository contains an ongoing project focused on building an AI model that classifies text on the political Left-Right spectrum using BERT, a transformer-based model. The code includes data preprocessing, model training, and testing, as well as web scraping tools to gather political articles. Note: This is a work-in-progress, and the code may not always work as expected.

Project Overview

The main goal of this project is to create a binary classifier that identifies whether a given text leans politically left or right. The project involves four major components:

1. BERT-based Model for Political Ideology Detection

   • The main script bert_model_political.py contains the integration of BERT to perform the classification task.

2. Model Testing

   • The script bert_test.py tests the viability of BERT by experimenting with it on the IMDB dataset.

3. Web Scrapers

   • Two scrapers, web_scraper.py and web_scraper_selenium.py, gather political news articles from the web to create training data for the model.

Features

BERT Model Integration (bert_model_political.py)

• Utilizes the pre-trained BERT (bert-base-uncased) model for classifying text as "left" or "right."
• Trains the model using a dataset of political texts.
• Supports the following:
  • Training on labeled datasets with customizable parameters.
  • Evaluation based on accuracy and classification reports.
  • Predicting the political bias of new texts.

Testing BERT Performance (bert_test.py)

• Tests the performance of the BERT model on the IMDB dataset.
• Achieved a validation accuracy of 90%.
• Script includes functionality to:
  • Load and preprocess data.
  • Train and evaluate BERT's ability to classify text as "positive" or "negative" sentiment, to ensure its suitability for political classification.

Web Scrapers for Data Collection

• Basic Web Scraper (web_scraper.py): Gathers news articles using requests and BeautifulSoup.
• Selenium Web Scraper (web_scraper_selenium.py): Uses Selenium for sites with dynamic content that requires JavaScript to render.
• Both scrapers store the gathered articles in CSV format for later use in model training.

How to Run

1. Install Dependencies

To get started, clone the repository and install the required Python packages:

git clone https://github.com/yourusername/political-ideology-classification.git
cd political-ideology-classification
pip install -r requirements.txt

2. Train the BERT model

The bert_model_political.py file is the primary code that trains a BERT model to classify political ideologies as either left-leaning or right-leaning based on the input text. This script relies on a political dataset and BERT (Bidirectional Encoder Representations from Transformers) to perform the classification task.

The training process involves:

• Text Preprocessing: Tokenizing text data using the BERT tokenizer to prepare it for input into the model.
• Model Definition: Using a pre-trained BERT model (bert-base-uncased) and adding a custom classification head for binary classification.
• Training and Evaluation: The model is trained for several epochs on the provided dataset and then evaluated using metrics like accuracy and classification reports.

During training, a learning rate scheduler (get_linear_schedule_with_warmup) is used to adjust the learning rate, and AdamW optimizer is employed.

Example Commands:

To train the model, simply run:

python bert_model_political.py

3. Model Testing

The bert_test.py script is used to validate the model's accuracy and ensure that BERT is an appropriate model for this task. It was initially tested on the IMDB sentiment dataset, achieving a 90% accuracy after training for 4 epochs on a GPU.

This test script follows a similar structure as the main model script, with the key difference being the dataset used for validation and training (IMDB reviews).

Example Commands:

To test the model:

python bert_test.py

4. Web Scraping Data

In order to gather more training data, the project includes two web scraping scripts:

• web_scraper.py: Uses the requests library and BeautifulSoup to scrape political news articles from predefined URLs. The extracted data is saved in a CSV format to be used for training.
• web_scraper_selenium.py: Uses Selenium with the undetected Chrome WebDriver to scrape articles from websites that may have more complex dynamic loading content (e.g., JavaScript-heavy sites).

Both scripts store the scraped data in a file called data/articles.csv, with each row containing the article title and content.

Example Commands:

To scrape data using BeautifulSoup:

python web_scraper.py

To scrape data using Selenium:

python web_scraper_selenium.py

Notes on Web Scraping:

• Ensure that you have the necessary permissions to scrape the targeted websites.
• The scripts introduce random delays between requests to avoid detection as a bot.

5. Usage and Deployment

1. Ensure Dependencies are Installed:

   • Install all the necessary dependencies listed in the requirements.txt file using:

   pip install -r requirements.txt

2. Training the Model:

   • After gathering the dataset, run the training script to train the BERT model on the political dataset.

3. Model Evaluation:

   • Use the bert_test.py script to test the model on additional datasets and validate its performance.

6. Limitations and Future Work

• The current implementation is still an ongoing project, and the model may not work as intended for all text inputs, especially if the text is ambiguous or contains ideologically mixed viewpoints.
• The data used for training may need to be expanded for improved accuracy and generalization to diverse political content.
• Planned improvements:
  • Further fine-tuning of the model on a more diverse dataset.
  • Implementation of a web-based UI for live predictions.
  • Expanding the political spectrum beyond binary classifications (left-right).

7. Contributions

Contributions are welcome! Feel free to submit pull requests or open issues if you encounter any bugs or have suggestions for improvements.

8. License

This project is licensed under the MIT License. See the LICENSE file for details.

Roumanian Version Below

Proiect de Clasificare a Ideologiilor Politice

Acest depozit conține un proiect în desfășurare axat pe construirea unui model AI care clasifică textele pe spectrul politic Stânga-Dreapta utilizând BERT, un model bazat pe transformator. Codul include preprocesarea datelor, antrenarea și testarea modelului, precum și instrumente de web scraping pentru a aduna articole politice. Notă: Acesta este un proiect în desfășurare, iar codul poate să nu funcționeze întotdeauna conform așteptărilor.

Prezentare Generală a Proiectului

Scopul principal al acestui proiect este de a crea un clasificator binar care identifică dacă un text dat are o orientare politică spre stânga sau dreapta. Proiectul include patru componente majore:

1. Model bazat pe BERT pentru Detectarea Ideologiilor Politice

   • Scriptul principal bert_model_political.py conține integrarea modelului BERT pentru a realiza sarcina de clasificare.

2. Testarea Modelului

   • Scriptul bert_test.py testează viabilitatea BERT experimentând cu acesta pe setul de date IMDB.

3. Instrumente de Web Scraping

   • Două instrumente de scraping, web_scraper.py și web_scraper_selenium.py, adună articole de știri politice de pe internet pentru a crea date de antrenament pentru model.

Funcționalități

Integrarea Modelului BERT (bert_model_political.py)

• Utilizează modelul pre-antrenat BERT (bert-base-uncased) pentru a clasifica textele ca fiind "de stânga" sau "de dreapta."
• Antrenează modelul folosind un set de date cu texte politice.
• Suportă următoarele funcționalități:
  • Antrenament pe seturi de date etichetate cu parametri personalizabili.
  • Evaluare bazată pe acuratețe și rapoarte de clasificare.
  • Predicția bias-ului politic al textelor noi.

Testarea Performanței BERT (bert_test.py)

• Testează performanța modelului BERT pe setul de date IMDB.
• A obținut o acuratețe de validare de 90%.
• Scriptul include funcționalități pentru:
  • Încărcarea și preprocesarea datelor.
  • Antrenarea și evaluarea capacității BERT de a clasifica textele ca "pozitive" sau "negative," pentru a asigura potrivirea sa pentru clasificarea politică.

Instrumente de Web Scraping pentru Colectarea Datelor

• Web Scraper de Bază (web_scraper.py): Adună articole de știri folosind requests și BeautifulSoup.
• Web Scraper cu Selenium (web_scraper_selenium.py): Utilizează Selenium pentru site-urile cu conținut dinamic ce necesită JavaScript pentru a se reda.
• Ambele instrumente stochează articolele colectate în format CSV pentru utilizare ulterioară în antrenamentul modelului.

Cum să Rulezi

1. Instalează Dependențele

Pentru a începe, clonează depozitul și instalează pachetele Python necesare:

git clone https://github.com/username/proiect-clasificare-ideologie-politica.git
cd proiect-clasificare-ideologie-politica
pip install -r requirements.txt

2. Antrenarea modelului BERT

Fișierul bert_model_political.py este codul principal care antrenează un model BERT pentru a clasifica ideologiile politice ca fiind de stânga sau de dreapta pe baza textului introdus. Acest script se bazează pe un set de date politic și BERT (Reprezentări Bidirecționale din Transformatoare) pentru a efectua sarcina de clasificare.

Procesul de antrenament implică:

• Preprocesarea Textului: Tokenizarea datelor textuale folosind tokenizer-ul BERT pentru a le pregăti ca intrare în model.
• Definirea Modelului: Folosirea unui model BERT pre-antrenat (bert-base-uncased) și adăugarea unui cap de clasificare personalizat pentru clasificare binară.
• Antrenare și Evaluare: Modelul este antrenat pentru mai multe epoci pe setul de date furnizat și apoi evaluat utilizând metrici precum acuratețea și rapoartele de clasificare.

În timpul antrenamentului, un scheduler pentru rata de învățare (get_linear_schedule_with_warmup) este folosit pentru ajustarea ratei de învățare, iar optimizerul AdamW este utilizat.

Comenzi Exemplu:

Pentru a antrena modelul, rulează:

python bert_model_political.py

3. Testarea Modelului

Scriptul bert_test.py este utilizat pentru a valida acuratețea modelului și pentru a asigura că BERT este un model adecvat pentru această sarcină. A fost inițial testat pe setul de date IMDB de sentimente, obținând o acuratețe de 90% după antrenarea pentru 4 epoci pe GPU.

Acest script de testare urmează o structură similară cu scriptul principal al modelului, cu diferența cheie fiind setul de date utilizat pentru validare și antrenament (recenziile IMDB).

Comenzi Exemplu:

Pentru a testa modelul:

python bert_test.py

4. Web Scraping pentru Date

Pentru a aduna mai multe date de antrenament, proiectul include două scripturi de web scraping:

• web_scraper.py: Utilizează biblioteca requests și BeautifulSoup pentru a aduna articole de știri politice de pe URL-uri predefinite. Datele extrase sunt salvate în format CSV pentru a fi utilizate în antrenament.
• web_scraper_selenium.py: Utilizează Selenium cu Chrome WebDriver pentru a extrage articole de pe site-uri care pot avea un conținut dinamic mai complex (ex. site-uri încărcate cu JavaScript).

Ambele scripturi stochează datele extrase într-un fișier numit data/articles.csv, cu fiecare rând conținând titlul articolului și conținutul acestuia.

Comenzi Exemplu:

Pentru a colecta date folosind BeautifulSoup:

python web_scraper.py

Pentru a colecta date folosind Selenium:

python web_scraper_selenium.py

Note despre Web Scraping:

• Asigură-te că ai permisiunea necesară pentru a extrage date de pe site-urile vizate.
• Scripturile introduc întârzieri aleatorii între cereri pentru a evita detectarea ca bot.

5. Utilizare și Implementare

1. Asigură-te că Dependențele Sunt Instalate:

   • Instalează toate dependențele necesare listate în fișierul requirements.txt folosind:

   pip install -r requirements.txt

2. Antrenarea Modelului:

   • După colectarea setului de date, rulează scriptul de antrenament pentru a antrena modelul BERT pe setul de date politic.

3. Evaluarea Modelului:

   • Utilizează scriptul bert_test.py pentru a testa modelul pe seturi de date adiționale și pentru a valida performanța acestuia.

6. Limitări și Lucrări Viitoare

• Implementarea curentă este un proiect în desfășurare, iar modelul poate să nu funcționeze conform intenției pentru toate textele, mai ales dacă textul este ambiguu sau conține perspective ideologice mixte.
• Datele utilizate pentru antrenament pot necesita extindere pentru o acuratețe îmbunătățită și o generalizare la conținut politic divers.
• Îmbunătățiri planificate:
  • Ajustarea suplimentară a modelului pe un set de date mai divers.
  • Implementarea unei interfețe web pentru predicții în timp real.
  • Extinderea spectrului politic dincolo de clasificări binare (stânga-dreapta).

7. Contribuții

Contribuțiile sunt binevenite! Nu ezita să trimiți pull requests sau să deschizi probleme dacă întâmpini erori sau ai sugestii de îmbunătățiri.

8. Licență

Acest proiect este licențiat sub Licența MIT. Vezi fișierul LICENSE pentru detalii.