Stance Classification in Rumours as a Sequential Task Exploiting the Tree Structure of Social Media Conversations
University of Warwick（华威大学）；University of Sheffield（谢菲尔德大学）
谣言立场分类，即确定讨论谣言的集合中的每条推文是支持，否认，质疑还是简单地评论谣言的任务，一直吸引着大量的兴趣。在这里，我们介绍了一种新的方法，利用在Twitter的树结构的会话线程中观察到的转换序列。会话线程是通过收集用户对彼此的回复而形成的，这导致了嵌套的树状结构。以前的工作解决的立场分类任务处理每个鸣叫作为一个单独的单元。在这里，我们分析推文凭借其在序列中的位置，并测试两个顺序分类，线性链CRF和树CRF，其中每一个使不同的假设的会话结构。我们用8个Twitter数据集进行了实验，这些数据集是在突发新闻期间收集的，结果表明，利用Twitter对话的顺序结构比非顺序方法有了显着的改进。我们的工作是第一个以这种方式将Twitter对话建模为树结构，引入了一种新的方式来处理Twitter对话上的NLP任务。
2016-10-11 cs.CL cs.SI
BUT-FIT at SemEval-2019 Task 7: Determining the Rumour Stance with Pre-Trained Deep Bidirectional Transformers
Brno University of Technology, Faculty of Information Technology（布尔诺理工大学信息技术学院）
本文描述了我们提交给SemEval 2019任务7的系统：RumourEval 2019：确定谣言的真实性和对谣言的支持，子任务A（Gorrell等人，2019年）。这项挑战的重点是对来自Twitter和Reddit的帖子是否支持、否认、质疑或评论隐藏的谣言进行分类，这些谣言的真实性是一个潜在的讨论主题。我们制定的立场分类的问题，确定谣言的立场后，相对于以前的线程后和源线程后。最近的BERT架构被用来构建一个端到端系统，该系统在所提供的测试数据上达到了61.67%的F1分数。它在比赛中获得第二名，没有任何手工制作的功能，仅落后冠军0.2%。
2019-03-21 cs.AI cs.CL cs.LG
All-in-one: Multi-task Learning for Rumour Verification
University of Warwick（华威大学）；Alan Turing Institute（艾伦·图灵研究所）
谣言的自动解决是一项具有挑战性的任务，可以分解为组成管道的较小组件，包括谣言检测，谣言跟踪和立场分类，最终确定谣言的真实性。在以前的工作中，谣言核实过程中的这些步骤已经被开发为单独的组件，其中一个组件的输出输入到下一个组件。我们提出了一种多任务学习方法，允许主任务和辅助任务的联合训练，提高了谣言验证的性能。我们研究了数据集属性和所使用的多任务学习模型的结果之间的联系。
2018-06-10 cs.CL
Discourse-Aware Rumour Stance Classification in Social Media Using Sequential Classifiers
University of Warwick（华威大学）；Alan Turing Institute（艾伦·图灵研究所）；University of Sheffield（谢菲尔德大学）；University of Melbourne（墨尔本大学）；University of Copenhagen（哥本哈根大学）
谣言立场分类，定义为将特定社交媒体帖子的立场分类为支持，否认，质疑或评论早期帖子之一，正在成为研究人员越来越感兴趣的问题。虽然大多数以前的工作都集中在使用个人推文作为分类器的输入，在这里，我们报告的顺序分类器，利用社会媒体互动或“会话线程”固有的话语功能的性能。测试四个顺序分类器的有效性-霍克斯过程，线性链条件随机场（线性CRF），树结构条件随机场（树CRF）和长短期记忆网络（LSTM）-在与突发新闻故事相关的八个数据集上，并查看不同类型的本地和上下文特征，我们的工作为准确的立场分类器的开发提供了新的思路。我们发现，顺序分类器，利用社会媒体对话中的话语属性的使用，同时只使用本地功能，优于非顺序分类器。此外，我们还证明了使用精简特征集的LSTM可以优于其他顺序分类器;这种性能在数据集和立场类型之间是一致的。最后，我们的工作还分析了正在研究的不同特征，确定了那些最有助于识别和区分立场的特征，例如支持推文比否认推文更有可能伴随证据。我们还提出了一些未来研究的方向。
2017-12-06 cs.CL cs.SI
Detection and Resolution of Rumours in Social Media: A Survey
University of Warwick（华威大学）；University of Sheffield（谢菲尔德大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）；Alan Turing Institute（艾伦·图灵研究所）
尽管越来越多地使用社交媒体平台收集信息和新闻，但其无节制的性质往往导致谣言的出现和传播，即发布时未经核实的信息。与此同时，社交媒体平台的开放性为研究用户如何分享和讨论谣言提供了机会，并探索如何使用自然语言处理和数据采掘技术来找到确定谣言真实性的方法。在这项调查中，我们介绍并讨论了社交媒体上流传的两种类型的谣言;长期流传的谣言，以及在快节奏的事件中产生的新谣言，如突发新闻，其中报告是零碎发布的，并且在早期阶段往往未经核实。我们提供了一个概述的研究到社交媒体谣言的最终目标是开发一个谣言分类系统，包括四个组成部分：谣言检测，谣言跟踪，谣言立场分类和谣言的真实性分类。我们深入研究了科学文献中提出的用于开发这四个组件的方法。我们总结的努力和成就，到目前为止，对发展的谣言分类系统，并得出结论，为今后的研究在社会媒体挖掘的检测和解决谣言的途径的建议。
2018-04-03 cs.CL cs.HC cs.IR
A Survey on Stance Detection for Mis- and Disinformation Identification
Checkstep Research（Checkstep研究院）；Sofia University “St. Kliment Ohridski”（圣基里尔·奥赫里德斯基索非亚大学）；University of Copenhagen（哥本哈根大学）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
理解文本中表达的态度，也称为立场检测，在检测在线虚假信息的系统中起着重要作用，无论是错误信息（无意中的错误信息）还是虚假信息（故意的错误信息）。立场检测有不同的框架，包括（a）作为事实核查、谣言检测和检测先前经过事实核查的声明的一个组成部分，或（b）作为其本身的一项任务。虽然先前已经努力将立场检测与诸如论证挖掘和情感分析之类的其他相关任务进行对比，但是还没有关于检查立场检测与错误和虚假信息检测之间的关系的现有调查。在这里，我们的目标是通过审查和分析这一领域的现有工作来弥合这一差距，重点关注错误和虚假信息，并讨论吸取的教训和未来的挑战。
2022-05-08 cs.CL cs.SI
SCRum-9: Multilingual Stance Classification over Rumours on Social Media
本文引入覆盖9种语言、含7516条推文的多语言谣言立场分类数据集SCRum-9，通过基准测试模型并探索合成数据应用，发现其可提升小型MLMs性能，还揭示模型预测与人类模糊案例判断的关联，推动相关研究。
2025-11-15 cs.CL
Distant finetuning with discourse relations for stance classification
Tencent AI Lab（腾讯人工智能实验室）
立场分类任务是理解辩论中的论证和检测假新闻的重要任务，其方法一直依赖于处理单个辩论主题的模型。为了训练一个与主题无关的系统，本文提出了一种新的方法，从原始文本中提取带有银标签的数据，以微调立场分类模型。该提取依赖于特定的话语关系信息，这是一个可靠的和准确的来源，提供立场信息。我们还提出了一个3阶段的训练框架，其中用于微调的数据中的噪声水平在从最嘈杂到最嘈杂的不同阶段降低。详细的实验表明，自动标注的数据集以及3阶段的训练有助于提高模型的立场分类性能。我们的方法在NLPCC 2021共享任务AI Debater的论证性文本理解的立场分类轨道中的26个竞争团队中排名第一，这证实了我们方法的有效性。
2022-04-27 cs.CL
Opinions are Made to be Changed: Temporally Adaptive Stance Classification
Queen Mary University of London（伦敦玛丽女王大学）
鉴于社交媒体和人们观点的快速发展，词语的使用会随着时间的推移而变化。因此，在旧文本数据上训练的分类器的性能在新数据上测试时可能会急剧下降。虽然近年来立场分类的研究取得了进展，但没有努力使这些分类器随着时间的推移具有持久的性能。为了研究这种现象，我们引入了两个新的大规模，纵向的立场数据集。然后，我们评估了随着时间的推移，立场分类器的性能持久性，并演示了它是如何衰减的训练和测试数据之间的时间差距增加。我们提出了一种新的方法来减轻这种性能下降，这是基于时间适应的词嵌入用于训练的立场分类。这使我们能够利用当前时间段内现成的未标记数据，而不是昂贵的注释工作。我们提出并比较了几种嵌入自适应的方法，发现增量时间对齐（ITA）模型在降低性能随时间的下降方面效果最好。
2021-08-27 cs.CL
Enhancing Stance Classification on Social Media Using Quantified Moral Foundations
School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）；Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局高性能计算研究所）；Luddy School of Informatics, Computing, and Engineering, Indiana University Bloomington（印第安纳大学伯明顿分校勒迪信息学、计算与工程学院）
本文提出将量化道德基础特征与消息语义特征结合，在消息级和用户级利用传统机器学习与大语言模型进行立场分类，初步实验表明该方法能提升检测性能并揭示道德基础与在线立场的关联。
2024-09-29 cs.CL
Tribrid: Stance Classification with Neural Inconsistency Detection
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
我们研究了在社交媒体上使用BERT等神经架构进行自动立场分类的问题。尽管这些架构提供了令人印象深刻的结果，但它们的水平还不能与人类的水平相比，并且它们可能会产生对下游任务具有重大影响的错误（例如，事实核查）。为了提高性能，我们提出了一种新的神经架构，其中输入还包括自动生成的否定观点。该模型被联合学习以同时进行多个预测，这些预测可以用于改进原始视角的分类或过滤掉可疑的预测。在第一种情况下，我们提出了一个弱监督的方法，结合到一个最终的预测。在第二种情况下，我们表明，使用置信度分数来删除可疑的预测，使我们的方法能够在保留的信息上实现类似人类的性能，这些信息仍然是原始输入的相当大的一部分。
2021-09-14 cs.CL
Stance and Sentiment in Tweets
National Research Council Canada（加拿大国家研究委员会）；University of Ottawa（渥太华大学）
我们经常可以从一个人的话语中检测出他/她是赞成还是反对某个特定的目标实体-他们对目标的立场。然而，一个人可以通过使用消极或积极的语言来表达对目标的相同立场。在这里，我们第一次提出了一个数据集的鸣叫-目标对注释的立场和情绪。这些目标可能会也可能不会在推文中被提及，并且它们可能会也可能不会成为推文中的意见目标。该数据集的分区在SemEval-2016共享任务竞赛中用作训练和测试集。我们提出了一个简单的立场检测系统，优于提交的所有19个团队，参加了共享的任务。此外，访问立场和情感注释使我们能够探索几个研究问题。我们表明，虽然知道的情绪所表达的推文是有益的立场分类，它本身是不够的。最后，我们使用额外的未标记的数据，通过远程监督技术和词嵌入，以进一步提高立场分类。
2016-05-05 cs.CL
Stance Detection: A Practical Guide to Classifying Political Beliefs in Text
Department of Political Science and Center for Social Data Analytics（政治学系和社会数据分析中心）
本文精确定义了立场检测，提出了监督分类、自然语言推理和上下文学习三种方法，并提供了应用验证指导与代码教程，展示了新方法复现监督分类器的能力。
2024-05-03 cs.CL
Improving Neural Argumentative Stance Classification in Controversial Topics with Emotion-Lexicon Features
1Innovations Department, Bundesdruckerei GmbH, Berlin, Germany 2Hasso-Plattner-Institut, University of Potsdam, Germany 3Department of Linguistics, University of Potsdam, Germany 4University of Lausanne, Switzerland, 5Knight Foundation School of Computing \& Information Sciences, Florida International University, USA, 6Pisquared, Germany
本文通过扩展NRC情感词典，利用DistilBERT嵌入提升神经论证立场分类性能，有效提升F1分数并优于现有方法。
2026-02-26 cs.CL
Same Side Stance Classification Task: Facilitating Argument Stance Classification by Fine-tuning a BERT Model
University of Trier（特里尔大学）
计算论证的研究是当前研究的热点。这个社区的目标是为用户给定的主题找到最好的赞成和反对论据，以形成自己的观点，或说服他人采取某种立场。虽然现有的论点挖掘方法可以找到适当的论点，一个正确的分类为赞成和反对是不可靠的。同侧立场分类任务提供了一个论点对的数据集，根据两个论点是否共享相同的立场进行分类，并且不需要区分特定于主题的赞成和反对词汇，而只需要评估立场内的论点相似性。我们对任务的贡献的结果是建立在基于BERT架构的设置上的。我们微调了三个时期的预训练BERT模型，并使用每个参数的前512个标记来预测两个参数是否具有相同的立场。
2020-04-23 cs.CL cs.LG
EcoVerse: An Annotated Twitter Dataset for Eco-Relevance Classification, Environmental Impact Analysis, and Stance Detection
针对NLP领域对气候变化外环境主题研究不足、环境影响分析空白的问题，本文构建了含3023条推文的EcoVerse标注数据集，设计三级标注方案，用BERT类模型实验验证了数据质量，指出需定制环境文本专用模型，数据集已开放。
2024-04-08 cs.CL
Cross-Target Stance Classification with Self-Attention Networks
CSIRO Data61（联邦科学与工业研究组织数据61研究所）
在姿态分类中，姿态所处的目标定义了任务的边界，并且分类器通常被训练用于对同一目标进行预测。在这项工作中，我们探索了在不同目标之间推广分类器的潜力，并提出了一个神经模型，可以将从源目标学到的东西应用到目的地目标。我们表明，我们的模型可以找到相关目标之间共享的有用信息，从而在某些情况下提高泛化能力。
2018-07-11 cs.AI cs.CL
Stance Detection in Turkish Tweets
TÜBİTAK Energy Institute（土耳其科学技术研究委员会能源研究所）
姿态检测是自然语言处理中的分类问题，其中对于文本和目标对，期望来自集合{Favor，Against，Neither}的类结果。它类似于情感分析问题，但不是文本作者的情感，而是在立场检测中研究针对特定目标表达的立场。在本文中，我们提出了一个立场检测推文数据集土耳其包括立场注释这些推文为两个受欢迎的体育俱乐部为目标。此外，我们还提供了该数据集上每个目标的SVM分类器的评估结果，其中分类器使用unigram，bigram和hashtag特征。这项研究是有意义的，因为它提出了一个初始的立场检测数据集提出迄今为止，第一个土耳其语，尽我们所知。相应的基于SVM的方法的数据集和评估结果将形成合理的基线，用于比较未来的研究立场检测。
2017-06-21 cs.CL
Acquired TASTE: Multimodal Stance Detection with Textual and Structural Embeddings
Ben Gurion University（本古里安大学）
该研究提出多模态立场检测架构TASTE，融合基于Transformer的内容嵌入与无监督结构嵌入，通过GRN层结合社交嵌入，在通用基准上取得最优结果，验证了内容与结构结合的价值。
2024-12-11 cs.CL
Beyond Sentiment: Leveraging Topic Metrics for Political Stance Classification
University of Rochester（罗切斯特大学）
针对情感分析难以准确反映文本政治立场的不足，本研究提出基于BERTopic提取的主题度量作为替代与补充，实验证明其显著提升了连贯性及立场分类性能，结合情感度量可达最优效果。
2023-10-24 cs.CL cs.CY
A Semi-Supervised Approach to Detecting Stance in Tweets
University of California, Santa Cruz（加州大学圣克鲁兹分校）
立场分类的目的是确定，对于一个特定的问题正在讨论中，无论是发言者或作者的会话轮有赞成（赞成）或反对（反对）的立场。检测推文中的立场是SemEval-2016 Task 6提出的一项新任务，涉及预测关于堕胎，无神论，气候变化，女权主义和希拉里克林顿主题的推文数据集的立场。鉴于数据集的规模很小，我们的团队通过为用于查询twitter API的每个主题开发一组高精度hashtag来创建我们自己的特定主题训练语料库，目的是开发一个大型训练语料库，而无需额外的人工标记tweet立场。为每个主题选择的主题标签预计将独立存在。实验结果表明，我们的意见，目标对的基础上概括依赖功能，使用情感词典的功能表现良好。
2017-09-03 cs.CL
STANCY: Stance Classification Based on Consistency Cues
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Microsoft Research（微软研究院）
在网络媒体和论坛上，有争议的说法比比皆是。要更好地理解这些主张，需要从不同的角度进行分析。立场分类是推断这些观点支持或反对主张的必要步骤。在这项工作中，我们提出了一个神经网络模型的立场分类利用BERT表示和增强他们一个新的一致性约束。Perspectrum数据集上的实验，包括来自各种辩论网站的声明和用户的观点，证明了我们的方法在最先进的基线上的有效性。
2019-10-14 cs.AI cs.CL cs.LG
Stance Prediction for Russian: Data and Analysis
Innopolis University（因诺波利斯大学）；ITU Copenhagen（哥本哈根信息技术大学）
立场检测是谣言和假新闻识别的关键组成部分。它涉及提取特定作者对给定主张采取的立场，两者都在文本中表达。本文研究俄语的立场分类。它引入了一个新的数据集，RuStance，来自多个来源的俄罗斯推文和新闻评论，涵盖多个故事，以及文本分类方法来检测立场，作为这种语言中这些数据的基准。除了介绍这个开放的数据集，这是俄语的第一个此类数据集，本文还介绍了该语言中立场预测的基线。
2018-10-03 cs.CL
Rumour Evaluation with Very Large Language Models
University of Waterloo（滑铁卢大学）
本研究利用GPT-3.5-turbo和GPT-4扩展RumourEval任务的真实性预测与立场分类子任务，在真实性预测上显著超越先前结果，并为所有预测配备置信度分数和事后解释，旨在通过AI对抗社交媒体虚假信息。
2024-04-11 cs.CL cs.SI
Examining Temporalities on Stance Detection towards COVID-19 Vaccination
Department of Computer Science, The University of Sheffield（谢菲尔德大学计算机科学系）
本研究探讨时间概念漂移对Twitter上COVID-19疫苗接种立场检测的影响，发现与随机划分相比，按时间顺序划分数据显著降低了基于transformer模型的立场分类准确率，表明真实场景的立场检测需将时间因素作为关键考量。
2024-03-24 cs.CL
Fine-Tune Longformer for Jointly Predicting Rumor Stance and Veracity
[24]7.ai
社交媒体的使用增加导致了甚至未经证实的新闻和事件的流行，导致谣言在网络上传播。由于社交媒体平台的广泛使用和使用量的增加导致了数据的大量可用。处理如此大的数据的手动方法成本高且耗时，因此自动处理和验证这些内容以发现谣言的存在已经引起了越来越多的关注。大量的研究表明，对此类事件和新闻的讨论帖中帖子的立场进行识别，是判断谣言真实性的重要前置步骤。在本文中，我们提出了一个多任务学习框架，用于联合预测SemEval 2019 RumorEval发布的数据集的谣言立场和真实性：确定谣言的真实性和对谣言的支持（SemEval 2019任务7），其中包括来自Reddit和Twit-ter的各种突发新闻故事的社交媒体谣言。我们的框架由两部分组成：a）我们框架的底部部分通过对多轮对话进行建模，对讨论谣言的对话线程中的每个帖子的立场进行分类，并使每个帖子都知道它的相邻帖子。b）上半部分预测具有从下半部分获得的立场演变的会话线程的谣言真实性。在SemEval 2019 Task 7数据集上的实验结果表明，该方法在谣言立场分类和准确性预测方面都优于以前的方法
2020-10-22 cs.CL
A Benchmark for Cross-Domain Argumentative Stance Classification on Social Media
North Carolina State University（北卡罗来纳州立大学）
针对论辩立场分类基准单一领域且人工标注成本高的问题，提出利用平台规则、专家精选内容与大型语言模型构建涵盖21个领域、包含4,498个主题声明和30,961个论点的多领域基准，并在全监督、零样本和少样本设置下评估了不同方法。
2024-11-15 cs.AI cs.CL
IAM: A Comprehensive and Large-Scale Dataset for Integrated Argument Mining Tasks
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Singapore University of Technology and Design（新加坡科技设计大学）；The Chinese University of Hong Kong（香港中文大学）；National University of Singapore（新加坡国立大学）
传统上，辩论通常需要人工准备过程，包括阅读大量文章，选择主张，确定主张的立场，寻找主张的证据等。随着人工智能辩论近年来越来越受到关注，值得探索将辩论系统中涉及的繁琐过程自动化的方法。在这项工作中，我们介绍了一个全面的大型数据集命名为IAM，它可以应用于一系列的参数挖掘任务，包括索赔提取，立场分类，证据提取等，我们的数据集是从123个主题相关的超过1k篇文章中收集。数据集中的近70k个句子基于它们的论点属性（例如，主张、立场、证据等）。我们进一步提出了两个新的集成的论点挖掘任务与辩论准备过程：（1）主张提取与立场分类（CESC）和（2）索赔证据对提取（CEPE）。我们分别对每个集成任务采用管道方法和端到端方法。有前途的实验结果报告显示我们提出的任务的价值和挑战，并激励未来的研究论点挖掘。
2022-07-16 cs.CL
A Weakly Supervised Propagation Model for Rumor Verification and Stance Detection with Multiple Instance Learning
Hong Kong Baptist University（香港浸会大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Singapore Management University（新加坡管理大学）
谣言在微博上的传播通常遵循传播树结构，这为原始消息如何随着时间的推移被用户传播和响应提供了有价值的线索。最近的研究表明，谣言检测和立场检测是两个不同但相关的任务，它们可以共同增强彼此，例如，辟谣可以通过核实相关微博所表达的立场来进行，而立场也取决于谣言的性质。然而，大多数姿态检测方法需要大量的帖子级姿态标签用于训练，这是劳动密集型的大量帖子。受多实例学习（MIL）方案的启发，本文首先用自底向上和自顶向下的树来表示声明的扩散，然后提出两个树结构的弱监督框架来联合分类谣言和立场，其中只需要关于声明真实性的袋级标签。具体来说，我们将多类问题转换为多个基于MIL的二进制分类问题，其中每个二进制模型侧重于区分目标立场或谣言类型和其他类型。最后，我们提出了一个分层的注意力机制来聚合二进制预测，包括（1）一个自下而上或自上而下的树注意力层，以聚合二进制立场到二进制准确性;和（2）一个歧视性的注意力层，以聚合二进制类到更细粒度的类。在三个基于Twitter的数据集上进行的大量实验表明，与最先进的方法相比，我们的模型在声明级谣言检测和后级立场分类方面都有很好的表现。
2022-04-27 cs.AI cs.CL
Bi-Directional Recurrent Neural Ordinary Differential Equations for Social Media Text Classification
Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
由于文本的嘈杂和简短性质，对Twitter等社交媒体中的帖子进行分类是困难的。基于递归神经网络（RNN）的序列分类模型对于分类本质上是连续的帖子是流行的。RNN假设隐藏的表示动态以离散的方式演化，并且不考虑发布的确切时间。在这项工作中，我们建议使用递归神经常微分方程（RNODE）进行社交媒体帖子分类，考虑发布时间，并允许隐藏表示的计算以时间敏感的连续方式发展。此外，我们提出了一种新的模型，双向RNODE（Bi-RNODE），它可以考虑在两个方向上的信息流的张贴时间预测后标签。我们的实验表明，RNODE和Bi-RNODE是有效的社会媒体中的谣言的立场分类的问题。
2021-12-23 cs.CL cs.LG
Modeling Conversation Structure and Temporal Dynamics for Jointly Predicting Rumor Stance and Veracity
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
自动验证谣言信息已经成为自然语言处理和社交媒体分析中一项重要且具有挑战性的任务。以往的研究表明，人们对谣言信息的态度可以为判断谣言的真实性提供指示性线索，因此确定公众反应的态度是谣言真实性预测的关键前一步。在本文中，我们提出了一个分层的多任务学习框架，用于联合预测Twitter上的谣言立场和真实性，它由两个组件组成。我们的框架的底部组件分类的立场，在讨论谣言的对话通过建模的结构属性的基础上一种新的图卷积网络的推文。顶部组件预测谣言的真实性，利用立场演变的时间动态。在两个基准数据集上的实验结果表明，该方法在谣言立场分类和准确性预测方面都优于以往的方法。
2019-09-18 cs.CL cs.SI
DAN: Dual-View Representation Learning for Adapting Stance Classifiers to New Domains
CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61）；Ant Financial Services Group（蚂蚁金融服务集团）
我们解决的问题，有一个有限数量的注释的立场分类在一个新的领域，通过适应域外的分类与领域自适应。现有的方法通常在单个全局特征空间（或视图）中对齐不同的域，这可能无法完全捕获用于表达立场的语言的丰富性，从而导致对立场数据的适应性降低。在本文中，我们确定了两种主要类型的立场表达是语言上不同的，我们提出了一个量身定制的双视图适应网络（DAN），以适应这些跨域的表达。该模型首先在每个表达通道中学习一个单独的视图进行域转移，然后选择两个视图中最适合的部分进行最佳转移。我们发现，学习的视图功能可以更容易地对齐和更多的立场歧视，在任何一个或两个视图，导致更多的可转移的整体功能后，结合的意见。从广泛的实验结果表明，我们的方法可以提高国家的最先进的单视图方法在不同领域的立场数据匹配，它一贯改善这些方法在各种适应任务。
2020-03-13 cs.CL cs.LG
Overview of ImageArg-2023: The First Shared Task in Multimodal Argument Mining
University of Pittsburgh（匹兹堡大学）
本文介绍了首个多模态论辩挖掘共享任务ImageArg，包含推文立场分类和图像说服力分类两个子任务，并报告了来自多国团队的提交情况及最佳F1分数结果。
2023-10-24 cs.CL
Multilingual Coarse Political Stance Classification of Media. The Editorial Line of a ChatGPT and Bard Newspaper
DFKI GmbH, Saarland Informatics Campus（德国人工智能研究中心（DFKI）有限公司，萨尔兰信息学园区）
本研究构建了一个多语种新闻语料库来训练立场分类器，发现ChatGPT生成的新闻文章编辑路线随时间演变，且其立场在不同语言间存在差异。
2023-10-25 cs.AI cs.CL cs.CY
Incorporating Count-Based Features into Pre-Trained Models for Improved Stance Detection
University of Birmingham（伯明翰大学）；School of Computer Science（计算机学院）；United Kingdom（英国）
社交媒体的爆炸性增长和普及彻底改变了我们沟通和协作的方式。不幸的是，这种获取和分享信息的便利导致了错误信息和宣传的爆炸。鉴于姿态检测可以显著帮助准确性预测，这项工作的重点是提高自动姿态检测，这是一项预先训练的模型非常成功的任务，就像其他几项任务一样。这项工作表明，立场检测的任务可以受益于基于特征的信息，特别是在某些表现不佳的类，然而，使用集成将这些特征集成到预先训练的模型中是具有挑战性的。我们提出了一种新的架构，用于将特征与预训练模型集成，以解决这些挑战，并在RumourEval 2019数据集上测试我们的方法。该方法在测试集上获得了最先进的结果，F1得分为63.94。
2020-10-18 cs.CL
Public Wisdom Matters! Discourse-Aware Hyperbolic Fourier Co-Attention for Social-Text Classification
IIIT Delhi（德里英迪拉·甘地信息技术研究所）；LinkedIn（领英）；IIT Delhi（印度理工学院德里分校）
社交媒体已经成为所有形式的沟通的支点。对假新闻、谣言、讽刺等社交文本进行分类已经引起了极大的关注。社交文本本身表达的表面信号可能不足以完成这些任务;因此，最近的方法试图结合其他内在信号，如用户行为和底层图形结构。通常情况下，通过对社交文本的评论/回复表达的“公共智慧”可以替代众包观点，并可能为我们提供补充信号。社会文本分类的最先进的方法往往会忽略这样一个丰富的层次信号。在这里，我们提出了Hyphen，一个话语感知的双曲谱共同注意力网络。连字符是双曲线图表示学习与新的傅立叶协同注意力机制的融合，试图通过纳入公共话语来概括社会文本分类任务。我们将公共话语解析为抽象意义表示（AMR）图，并使用强大的双曲几何表示来建模具有层次结构的图。最后，我们为它配备了一个新的傅立叶共注意力机制，以捕捉源帖子和公共话语之间的相关性。在四个不同的社交文本分类任务上进行的广泛实验，即检测假新闻，仇恨言论，谣言和讽刺，表明Hyphen具有良好的泛化能力，并在十个基准数据集上取得了最先进的结果。我们还使用了一个经过事实检查和注释的数据集来评估Hyphen如何能够产生解释作为最终预测的类似证据。
2022-10-11 cs.CL cs.LG cs.SI
StanceMoE: Mixture-of-Experts Architecture for Stance Detection
Department of Computer Science
本文提出StanceMoE，一种基于微调BERT编码器的专家混合架构，通过六个专家模块捕捉互补的语义信号，提升立场检测的宏F1得分为94.26%。
2026-07-14 cs.AI cs.CL cs.LG
Analysis of the Fed's communication by using textual entailment model of Zero-Shot classification
Mizuho Research & Technologies, Ltd.（瑞穗研究技术有限公司）；Mizuho Bank, Ltd.（瑞穗银行有限公司）
提出用 zero-shot 文本蕴含分类模型挖掘美联储文件，比较 FOMC 声明、纪要、发布会 transcript 与官员演讲的政策语气，并分析 1971 年以来立场演变。
2023-06-07 cs.CL
Monitoring stance towards vaccination in Twitter messages
Radboud University（拉德堡德大学）；Dutch National Institute for Public Health and Environment（荷兰国家公共卫生与环境研究所）
我们开发了一个系统，可以自动分类Twitter消息中对疫苗接种的立场，重点关注具有负面立场的消息。这样一个系统可以监测社交媒体上正在进行的信息流，为公众对疫苗接种的犹豫提供可采取行动的见解。对于提到疫苗接种相关关键术语的荷兰Twitter消息，我们注释了他们对疫苗接种的立场和感受（前提是他们提到了这个主题）。随后，我们使用这些编码数据来训练和测试不同的机器学习设置。为了最好地识别对疫苗接种持负面态度的消息，我们比较了数据集大小增加和可靠性降低、类别数量增加以及不同分类算法的设置。我们发现，支持向量机在严格和宽松标记数据的组合上训练，具有更细粒度的标记，产生了最好的结果，F1得分为0.36，ROC曲线下面积为0.66，优于基于规则的情感分析基线，其产生了F1得分为0.25，ROC曲线下面积为0.57。我们的研究结果表明，立场预测的计算机系统是一个具有挑战性的任务。我们对系统的数据和行为的分析表明，需要一种方法，将更大的训练数据集的使用与一个人在回路中为系统提供预测反馈的设置相结合。
2019-09-01 cs.CL cs.SI
RuArg-2022: Argument Mining Evaluation
Vyatka State University（维亚特卡国立大学）；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
论证分析是计算语言学的一个研究领域，它研究从文本中提取论证的方法以及它们之间的关系，并建立文本的论证结构。本文是主办方在对话会议框架内举办的第一届俄语语篇论证分析系统竞赛的报告。在比赛中，参与者被提供了两个任务：立场检测和论点分类。一个包含9，550个句子（社交媒体帖子的评论）的语料库，涉及与COVID-19大流行相关的三个主题（疫苗接种、隔离和戴口罩），已准备好，并进行了注释，用于培训和测试。在这两项任务中获得第一名的系统使用了BERT架构的NLI（自然语言推理）变体，自动翻译成英语以应用专门的BERT模型，在讨论COVID-19的Twitter帖子上进行重新训练，以及对目标实体进行额外的掩蔽。该系统显示了以下结果：对于立场检测任务，F1分数为0.6968，对于论点分类任务，F1分数为0.7404。我们希望准备好的数据集和基线将有助于促进对俄语参数挖掘的进一步研究。
2022-06-18 cs.CL
A Retrospective Analysis of the Fake News Challenge Stance Detection Task
Technische Universität Darmstadt（达姆施塔特工业大学）；University of Bonn（波恩大学）
2017年假新闻挑战赛第一阶段（FNC-1）的共享任务将立场分类任务作为检测假新闻的关键第一步。到目前为止，还没有深入的分析论文来批判性地讨论FNC-1的实验设置，重现结果，并得出下一代立场分类方法的结论。在本文中，我们对这三个性能最好的系统进行了深入的分析。我们首先发现，FNC-1的建议的评估指标有利于大多数类，这可以很容易地分类，从而高估了真正的区分能力的方法。因此，我们提出了一个新的F1为基础的度量产生一个改变系统的排名。接下来，我们比较了使用的功能和架构，这导致了一种新的功能丰富的堆叠LSTM模型，其性能与最好的系统相当，但在预测少数类方面更优越。为了理解这些方法的泛化能力，我们导出了一个新的数据集，并进行了域内和跨域实验。我们的定性和定量研究有助于解释原始FNC-1分数，并了解哪些功能有助于提高性能以及原因。我们的新数据集和生殖研究期间使用的所有源代码都是公开的，可供未来研究使用。
2018-06-13 cs.AI cs.CL cs.IR
AQE: Argument Quadruplet Extraction via a Quad-Tagging Augmented Generative Approach
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；National University of Singapore（新加坡国立大学）
本文首次提出论元四元组抽取任务AQE，并构建大规模数据集，同时设计四标签增强生成式方法，实验证明其优于多个强基线。
2023-05-31 cs.CL
The Lou Dataset -- Exploring the Impact of Gender-Fair Language in German Text Classification
Technical University of Darmstadt（达姆施塔特工业大学）；Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学）；University of Hamburg（汉堡大学）
本文提出了首个德语文本分类数据集 Lou，通过在七项任务上评估 16 个语言模型，发现性别公平语言会显著改变模型预测、确定性和注意力模式，但不影响模型整体排名。
2024-09-26 cs.CL
Hashtag-Guided Low-Resource Tweet Classification
The Hong Kong University of Science and Technology（香港科技大学）；Carnegie Mellon University（卡内基梅隆大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of Science and Technology of China（中国科学技术大学）
社交媒体分类任务（例如，推文情感分析、推文立场检测）是具有挑战性的，因为社交媒体帖子通常是短的、非正式的和模糊的。因此，对推文的训练是具有挑战性的，并且需要大规模的人工注释标签，这是耗时且昂贵的。在本文中，我们发现，为社交媒体推文提供主题标签可以帮助缓解这个问题，因为主题标签可以丰富简短而模糊的推文中的各种信息，如主题，情绪和立场。这促使我们提出了一种新的主题标签引导的推文分类模型（Hashtation），它自动生成有意义的主题标签的输入推文提供有用的辅助信号推文分类。为了生成高质量和有洞察力的主题标签，我们的主题标签生成模型检索和编码整个语料库中的后级和实体级信息。实验表明，Hashtation在7个低资源推文分类任务上取得了显着的改进，其中仅提供了有限的训练数据，这表明使用模型生成的主题标签自动丰富推文可以显着减少对大规模人工标记数据的需求。进一步的分析表明，Hashtation能够生成与推文及其标签一致的高质量主题标签。该代码可在https://github.com/shizhediao/HashTation上获得。
2023-02-20 cs.CL cs.CY
USDC: A Dataset of $\underline{U}$ser $\underline{S}$tance and $\underline{D}$ogmatism in Long $\underline{C}$onversations
University of Bonn（波恩大学）；TU Berlin（柏林技术大学）；Microsoft（微软）
构建USDC数据集，含764个Reddit长对话的用户立场和教条主义标注，利用LLM自动标注，并微调小模型用于分类任务。
2025-05-24 cs.AI cs.CL cs.LG
Putting Context in Context: the Impact of Discussion Structure on Text Classification
Fondazione Bruno Kessler, Italy（布鲁诺·凯斯勒基金会，意大利）；University of Trento, Italy（特伦托大学，意大利）
本文研究讨论结构对文本分类的影响，通过实验评估不同上下文信息对模型性能的贡献，并展示局部讨论网络框架在隐私保护下的应用。
2024-02-05 cs.CL
Clarifying Misconceptions in COVID-19 Vaccine Sentiment and Stance Analysis and Their Implications for Vaccine Hesitancy Mitigation: A Systematic Review
University of São Paulo（圣保罗大学）；University of Birmingham（伯明翰大学）；University of Rio de Janeiro State（里约热内卢州立大学）
本系统综述梳理了2020-2023年基于Twitter、用监督机器学习通过情感/立场分析研究COVID-19疫苗犹豫的文献，发现这类研究普遍存在测量偏差，影响结果普适性与解读，提出改进NLP方法报告对填补疫苗犹豫研究知识空白至关重要。
2025-03-23 cs.CL cs.CY cs.LG
Forex trading and Twitter: Spam, bots, and reputation manipulation
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；University of Ljubljana（卢布尔雅那大学）
货币交易（外汇）是世界上最大的交易量市场。我们分析了三年内有关欧元-美元货币对的交易和推文。首先，对大量的推文进行人工标注，构建了Twitter立场分类模型。然后，该模型根据交易立场信号对所有推文进行分类：买入，持有或卖出（欧元对美元）。Twitter的立场是通过应用事件研究方法，在金融经济学中众所周知的实际汇率进行比较。事实证明，在Twitter用户的四个群体之间，Twitter立场分布和潜在交易回报存在很大差异：交易机器人，垃圾邮件发送者，交易公司和个人交易者。此外，我们观察到声誉操纵的尝试后festum删除预测不佳的推文，并删除/重新发布相同的推文，以增加知名度，而不污染一个人的Twitter时间轴。
2018-04-16 cs.CL cs.CY cs.SI
Who Shapes Brazil's Vaccine Debate? Semi-Supervised Modeling of Stance and Polarization in YouTube's Media Ecosystem
Worcester Polytechnic Institute（沃斯特理工学院）
本研究通过半监督方法分析巴西YouTube上的疫苗讨论，揭示立场演变及极化特征，为公共卫生机构提供行动证据。
2026-03-04 cs.AI cs.CL cs.CY
Detecting Statements in Text: A Domain-Agnostic Few-Shot Solution
University of Edinburgh（爱丁堡大学）
本文提出一种领域无关的少样本主张文本分类框架，结合自然语言推理与概率二分动态采样，在三类任务中以极少标注达到接近传统微调方法的性能。
2024-05-09 cs.CL
TILFA: A Unified Framework for Text, Image, and Layout Fusion in Argument Mining
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；HKUST（香港科技大学）；NVIDIA AI Technology Center (NVAITC), NVIDIA（英伟达人工智能技术中心（NVAITC），英伟达）
TILFA框架融合文本、图像和布局信息，处理含光学字符的混合论证数据，在立场分类任务中显著超越基线并获排行榜第一。
2023-10-08 cs.AI cs.CL
Enhancing LLM-Based Text Classification in Political Science: Automatic Prompt Optimization and Dynamic Exemplar Selection for Few-Shot Learning
University of California, Davis（加利福尼亚大学戴维斯分校）
提出包含自动提示优化、动态示例选择和共识机制的三阶段框架，有效提升了政治科学中基于LLM的文本分类准确率、可靠性与可解释性，且无需重训模型。
2025-04-06 cs.AI cs.CL
#Brexit: Leave or Remain? The Role of User's Community and Diachronic Evolution on Stance Detection
Università degli Studi di Torino（都灵大学）；Universitat Politècnica de València（瓦伦西亚理工大学）
近年来，人们对用户在网上辩论中所持立场的分类越来越感兴趣。立场通常是通过孤立地考虑用户的帖子来解决的，而社会研究强调，社会社区可能有助于影响用户的意见。此外，应该从历时的角度来研究立场，因为它可以帮助揭示用户在辩论期间可以记录的意见转变动态。我们分析了英国脱欧公投在Twitter上的政治讨论，提出了一种新的方法和注释模式的立场检测，主要目的是调查的社会网络社区和历时的立场演变相关的功能的作用。分类实验表明，这些特征提供了非常有用的线索检测立场。
2020-07-29 cs.CL
Multi-Perspective Stance Detection
University of Pisa, Italy（比萨大学）
本研究提出多视角立场检测方法，利用多个标注者的分歧信息训练视角感知分类模型，实验表明该方法优于单一标签基线，并强调包容性AI设计在伦理与性能上的双重优势。
2025-10-16 cs.CL
