芬兰议会百年演讲数据集：政治极化、媒体效应与代表机制的量化研究

研究人员构建了覆盖1907-2018年的芬兰议会演讲全量数据集，通过文本挖掘技术分析政治极化演变、媒体透明度对议员行为的影响及政党内部差异。研究发现左翼与右翼政党分歧在1970年代达峰（受苏联立场驱动），而电视转播（1988年引入）加剧了政府与反对党间的演讲差异。该数据集经OCR提取和正则表达式结构化处理，包含原始文本与标准化版本，为政治话语研究提供百年跨度的标准化数据支持。

　　

在政治学研究领域，议会演讲数据被视为揭示民主政治动态的"金矿"，但长期面临两大挑战：历史数据的完整性和跨时期可比性。芬兰作为北欧民主国家的典型代表，其议会制度自1907年建立以来经历了帝国统治、世界大战和数字化变革，却从未有研究系统整合其百年演讲数据。更关键的是，现有研究多局限于投票记录分析，而受制于芬兰严格的政党纪律（party discipline），投票数据难以真实反映议员个体立场。这一空白使得政治极化（polarization）、媒体效应等核心议题缺乏长期实证依据。

来自瑞典Wolt公司、图尔库大学和经济研究所（Labore）的Salla Simola、Jeremias Nieminen和Janne Tukiainen团队在《Scientific Data》发表了首个覆盖芬兰议会112年（1907-2018）的演讲数据集。研究通过分析39万条演讲记录发现：左翼与右翼政党语言差异在冷战时期的1970年代达到历史峰值（主要源于对苏联政策分歧），而电视转播的引入使政府与反对党演讲差异显著扩大15%。该数据集首次实现从帝俄时期到数字时代政治话语的纵向追踪，为比较政治学研究提供了新基准。

关键技术方法包括：1）从议会官网获取1907-2000年扫描件和2001-2018年PDF原始记录；2）采用pdf2text工具结合正则表达式（regex）进行文本结构化（如识别"Keskustelu"讨论起始标签）；3）通过语言检测（langdetect）和词干提取（stemming）标准化文本；4）议员特征数据与演讲记录通过唯一ID（speaker_id）关联，包含性别、选区等38个维度元数据。

数据记录与验证
数据集包含两个核心表格：parliamentary_speeches.csv记录演讲文本（含原始OCR输出和清洗后版本），mps-ministers.csv包含议员背景特征。技术验证显示，1967年质询时段（question hour）改革后，演讲数量激增300%而平均长度下降60%（图1），与历史制度变革高度吻合。

议员特征数据也准确反映了芬兰政治生态变迁：女性议员比例从1907年的0%升至2018年的42%，高等教育背景议员增长3倍（图2），验证了数据的可靠性。

研究结论与意义
该研究突破性地实现了三个维度的创新：时间跨度上，首次涵盖芬兰议会完整历史周期，包含1915-1916年议会停摆等特殊时期；方法学上，通过正则表达式和自动纠错系统（corr_name字段）解决历史OCR错误问题；应用价值上，数据集已用于三项重要发现——量化政治极化曲线、证明电视转播扩大政府-反对党分歧（β=0.23, p<0.01）、揭示农业党（Maalaisliitto）更名对议员话语的影响。

相比同类项目如ParliamentSampo，本研究的核心优势在于数据"即用性"（analysis-ready）：所有文本已完成词干提取和停用词过滤，议员特征与演讲记录实现一键关联。这为政治学、计算社会科学（computational social science）研究提供了从微观（议员个体）到宏观（世纪趋势）的分析可能，特别是为选举制度改革（如开放名单制open-list system）效果评估建立了新范式。数据集已通过Figshare公开（DOI:10.6084/m9.figshare.28028732），其多语言（芬兰语/瑞典语）特性也为北欧比较政治研究开辟了新路径。