Will-They-Won't-They: A Very Large Dataset for Stance Detection on Twitter
University of Cambridge（剑桥大学）；Tehran Institute for Advanced Studies（德黑兰高等研究院）
我们提出了一个新的具有挑战性的立场检测数据集，称为Will-They-Won 't-They（WT-WT），其中包含51，284条英文推文，使其成为迄今为止最大的可用数据集。所有的注释都是由专家进行的，因此，该数据集构成了未来研究的立场检测的高质量和可靠的基准。我们的实验与广泛的最近国家的最先进的立场检测系统表明，数据集构成了强大的挑战，现有的模型在这一领域。
2020-05-01 cs.CL
Stance in Replies and Quotes (SRQ): A New Dataset For Learning Stance in Twitter Conversations
Carnegie Mellon University（卡内基梅隆大学）
从社交媒体上的对话中提取立场（否认与支持意见）的自动化方法对于推进意见挖掘研究至关重要。最近，随着我们看到新的模型试图改进最先进的技术，该领域再次令人兴奋。然而，为了训练和评估模型，使用的数据集通常很小。此外，这些小数据集具有不均匀的类分布，即，数据集中只有一小部分例子有赞成或反对的立场，而大多数其他例子没有明确的立场。此外，现有的数据集没有区分社交媒体上的不同类型的对话（例如，回复vs.在Twitter上引用）。因此，在一个事件上训练的模型不会推广到其他事件。在所提出的工作中，我们创建了一个新的数据集标签的立场，在Twitter上的帖子（回复和报价）有争议的问题。据我们所知，这是目前Twitter对话中最大的人类标记立场数据集，拥有超过5200个立场标签。更重要的是，我们设计了一个推文收集方法，有利于选择否认型的回应。这个类预计在识别谣言和确定用户之间的敌对关系方面更有用。此外，我们包括许多基线模型学习的立场在对话中，并比较各种模型的性能。我们发现，结合数据的答复和报价降低了模型的准确性，表明这两种方式的行为不同，当涉及到立场学习。
2020-06-27 cs.CL cs.LG
Performing Stance Detection on Twitter Data using Computational Linguistics Techniques
Indiana University（印第安纳大学）
作为人类，我们经常可以从一个人的话语中检测到他或她是否赞成或反对给定的目标实体（主题，产品，另一个人等）。但从计算机的角度来看，我们需要一种方法来自动推断高音喇叭的立场，只给出推文文本。在本文中，我们提出了我们的结果，使用监督的方法对Twitter数据进行姿态检测。我们首先提取词袋来使用TIMBL进行分类，然后尝试优化特征以提高立场检测准确性，然后使用两组词典扩展数据集-争论和MPQA主观性;接下来我们探索MALT解析器并使用其依赖三元组构建特征，最后我们使用Scikit-learn随机森林实现进行分析。
2017-03-06 cs.CL
Detecting Stance of Authorities towards Rumors in Arabic Tweets: A Preliminary Study
Qatar University（卡塔尔大学）
无数的研究通过利用来自传播网络的证据或来自网络的外部证据来解决Twitter中的谣言验证问题。然而，这些研究都没有利用可信权威的证据。在本文中，我们定义了检测当局对推文中谣言的立场的任务，即，无论权威人士的推文是同意、不同意，还是与谣言无关。我们相信这项任务对于增加现有谣言验证系统所使用的证据来源是有用的。我们构建并发布了第一个权威对谣言的立场（AuSTR）数据集，其中证据是从阿拉伯语Twitter的权威时间线中检索的。由于我们的数据集的大小相对有限，我们研究了现有数据集的有用性，在我们的任务中的立场检测。我们表明，现有的数据集是有点有用的任务，但是，他们显然是不够的，这促使需要增加他们的注释数据构成的立场，从Twitter的当局。
2023-01-14 cs.AI cs.CL cs.IR
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
Stance Classification for Rumour Analysis in Twitter: Exploiting Affective Information and Conversation Structure
University of Turin（都灵大学）
分析人们对社交媒体中与新闻相关的谣言的反应是防止错误信息传播的一项重要任务，这一点现在被广泛认为是一种危险的趋势。在社交媒体对话中，用户对谣言故事表现出不同的立场和态度。一些用户采取明确的立场，支持或否认有争议的谣言，而其他人只是评论它，或要求提供与谣言真实性有关的额外证据。在这方面，SemEval-2017提出了一个新的共享任务（任务8，子任务A），重点是英语推文中的谣言立场分类。其目标是预测用户对Twitter中出现的谣言的立场，包括支持，否认，查询或评论原始谣言，查看谣言引发的对话线程。本文介绍了一种新的方法来完成这项任务，其中使用的会话为基础的和情感为基础的功能，涵盖不同方面的影响，进行了探索。我们的分类模型在SemEval-2017任务8中的立场分类性能优于表现最好的系统，显示了所提出的特征集的有效性。
2019-01-07 cs.CL
Cultural Convergence: Insights into the behavior of misinformation networks on Twitter
Graphika, Inc.（格拉菲卡公司）
如何随着时间的推移研究网络中思想和社区的诞生和演变？我们使用多模式管道，包括网络映射，主题建模，桥接中心性和分歧，以分析围绕COVID-19大流行的Twitter数据。我们使用网络映射来检测围绕COVID-19创建内容的帐户，然后使用潜在狄利克雷分配来提取主题，并桥接中心性来识别主题和非主题桥梁，然后检查每个主题和桥梁随时间的分布，并应用主题分布的詹森-香农发散来显示主题叙述中正在收敛的社区。
2020-07-07 cs.CL cs.SI physics.soc-ph
Topic-Aware Evidence Reasoning and Stance-Aware Aggregation for Fact Verification
Southeast University（东南大学）；University of Warwick（华威大学）
事实验证是一项具有挑战性的任务，需要同时推理和汇总多个检索到的证据，以评估索赔的真实性。现有的方法通常（i）探索不同粒度级别的索赔和证据之间的语义交互，但在推理过程中未能捕获它们的主题一致性，我们认为这对于验证至关重要;（ii）平均聚合多条证据，而不考虑它们对索赔的隐含立场，从而引入虚假信息。为了解决上述问题，本文提出了一种新的基于主题的证据推理和语义感知的证据聚合模型，该模型具有以下四个关键特性：1）检查证据与主题的一致性; 2）保持多个证据之间的主题一致性; 3）确保全局主题信息与证据语义表示之间的语义相似性;（4）根据他们对索赔的隐含立场来收集证据。在两个基准数据集上进行的大量实验表明，该模型优于几种最先进的事实验证方法。源代码可以从https://github.com/jasenchn/TARSA获得。
2021-06-02 cs.AI cs.CL
Semi-automatic Generation of Multilingual Datasets for Stance Detection in Twitter
Vicomtech Foundation（维康泰克基金会）；Basque Research and Technology Alliance (BRTA)（巴斯克研究与技术联盟（BRTA））；University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））
流行的社交媒体网络为研究用户表达的意见和态度提供了完美的环境。虽然社交媒体（如Twitter）中的交互发生在许多自然语言中，但自然语言处理领域中的立场检测（相对于特定主题表达的立场或态度）研究主要针对英语。虽然最近已经作出了一些努力，以开发其他语言的注释数据，有一个明显的缺乏资源，以促进多语言和跨语言的研究立场检测。这部分是由于手动注释社交媒体文本语料库是一个困难，缓慢和昂贵的过程。此外，由于立场是一个高度领域和主题特定的现象，需要注释的数据是特别苛刻的。因此，大多数手动标记的资源都受到其相对较小的大小和倾斜的类分布的阻碍。本文提出了一种方法，以获得多语言数据集的立场检测在Twitter上。我们利用基于用户的信息来半自动地标记大量的推文，而不是在每个推文的基础上手动注释。单语和跨语言的实验和定性分析表明，我们的方法有助于克服上述困难，建立大型，平衡和多语种的标记语料库。我们相信，我们的方法可以很容易地适应，轻松地生成标记的社交媒体数据，用于其他自然语言处理任务和领域。
2021-01-28 cs.CL
Neural Temporal Opinion Modelling for Opinion Prediction on Twitter
University of Warwick（华威大学）；Southeast University（东南大学）
Twitter上的意见预测是具有挑战性的，由于短暂的性质，推文内容和邻里的背景。在本文中，我们将用户的推文发布行为建模为一个时间点过程，以联合预测发布时间和下一个推文的立场标签，给定用户的历史推文序列和他们的邻居发布的推文。我们设计了一个主题驱动的注意力机制来捕捉邻居语境中的动态主题转移。实验结果表明，该模型预测的发布时间和立场标签的未来推文更准确地相比，一些竞争性的基线。
2020-05-27 cs.CL cs.SI
Demystifying the COVID-19 vaccine discourse on Twitter
University of Melbourne（墨尔本大学）；Curtin University（科廷大学）
了解社交媒体上有关COVID-19疫苗接种的公众话语不仅对应对当前的COVID-19大流行非常重要，对未来的病原体爆发也很重要。我们研究了一个Twitter数据集，其中包含2020年3月至2021年3月期间讨论COVID-19疫苗接种的7500万条英文推文。我们使用自然语言处理（NLP）技术训练一个立场检测算法，将推文分类为“反vax”或“亲vax”，并使用主题建模技术研究话语的主要主题。虽然支持vax的推文（3700万）远远超过反对vax的推文（1000万），但来自两种立场的大多数推文（63%反对vax和53%支持vax的推文）来自在观察期间发布支持和反对vax推文的双重立场用户。支持vax的推文主要集中在疫苗开发上，而反对vax的推文涵盖了广泛的主题，其中一些包括真正的担忧，尽管有大量的谎言。两种立场都有一些共同的话题，尽管支持和反对vax的推文从相反的观点讨论了它们。模因和笑话是转发最多的信息之一。虽然对两极分化和网上流行的反vax言论的担忧是没有根据的，但有针对性地打击虚假言论是重要的。
2022-08-29 cs.CL cs.SI
Identifying the Adoption or Rejection of Misinformation Targeting COVID-19 Vaccines in Twitter Discourse
Human Language Technology Research Institute, University of Texas at Dallas（德克萨斯大学达拉斯分校人类语言技术研究所）
尽管已经接种了数十亿支COVID-19疫苗，但仍有太多人犹豫不决。据信，社交媒体上传播的有关COVID-19疫苗的错误信息导致人们对疫苗接种犹豫不决。然而，暴露于错误信息并不一定意味着采用错误信息。在本文中，我们描述了一个新的框架，确定对错误信息的立场，依赖于态度的一致性及其属性。态度一致性，采纳或拒绝错误信息和微博内容之间的相互作用被利用在一个新的神经架构中，其中对错误信息的立场被组织在一个知识图谱中。这种新的神经框架能够识别对COVID-19疫苗错误信息的立场，并获得最先进的结果。这些实验是在一个新的关于COVID-19疫苗的错误信息数据集上进行的，该数据集名为CoVaxLies，收集自最近的Twitter话语。由于CoVaxLies提供了关于COVID-19疫苗的错误信息的分类，我们能够显示哪种类型的错误信息最多被采用，哪种类型的错误信息最多被拒绝。
2022-02-18 cs.CL cs.SI
Stance Prediction and Analysis of Twitter data : A case study of Ghana 2020 Presidential Elections
本研究针对加纳2020年总统选举，收集99,356条推文并手动标注3,090条，对比VADER、TextBlob及五种监督机器学习方法，发现逻辑回归准确率最高（71.13%），并据此对所有推文进行立场分类与分析。
2023-06-27 cs.CL
From Hesitancy Framings to Vaccine Hesitancy Profiles: A Journey of Stance, Ontological Commitments and Moral Foundations
Human Language Technology Research Institute, The University of Texas at Dallas（德克萨斯大学达拉斯分校人类语言技术研究所）
尽管已经接种了数十亿支COVID-19疫苗，但仍有太多人犹豫不决。Twitter的广泛影响力和每日曝光率是研究人们如何构建疫苗犹豫并揭示疫苗犹豫概况的绝佳资源。在这篇论文中，我们揭示了我们的处理过程，从在9，133，471条讨论COVID-19疫苗的原始推文中识别疫苗犹豫框架，建立它们的本体论承诺，注释它们暗示的道德基础，到自动识别推文作者对我们识别的任何CoVaxFrames的立场。当我们发现805,336名Twitter用户在9,133,471条原始推文或17,346,664条转推文中对一些CoVaxFrames有立场时，我们能够得出这些用户的九种不同的疫苗犹豫特征，并根据他们在推文中唤起的框架的本体论承诺以及他们对所唤起的框架的立场的价值来解释这些特征。跳转
2022-02-18 cs.CL cs.SI
Hate Towards the Political Opponent: A Twitter Corpus Study of the 2020 US Elections on the Basis of Offensive Speech and Stance Detection
Institut für Maschinelle Sprachverarbeitung, University of Stuttgart（斯图加特大学机器语言处理研究所）
2020年美国大选比以往任何时候都更加以社交媒体活动和相互指责为特征。我们在本文中调查，如果这也体现在候选人拜登和特朗普的支持者的在线通信，通过发出仇恨和攻击性的通信。我们制定了一个注释任务，在其中我们加入了仇恨/攻击性言论检测和立场检测的任务，并注释3000推文从竞选期间，如果他们表达了特定的立场对候选人。在已建立的赞成和反对类别旁边，我们添加了混合和中立的立场，并且如果候选人在没有意见表达的情况下被提及，也会进行注释。此外，如果推文是以攻击性的风格写的，我们会进行注释。这使我们能够分析乔·拜登和民主党的支持者与唐纳德·特朗普和共和党的支持者的沟通方式是否不同。BERT基线分类器显示，如果某人是候选人的支持者，则可以高质量地执行检测（特朗普的.89 F1和拜登的.91 F1），而某人表示反对候选人的检测更具挑战性（分别为.79 F1和.64 F1）。仇恨/攻击性言论的自动检测仍然具有挑战性（使用.53 F1）。我们的语料库是公开的，构成了一个新的资源计算建模的进攻性语言的立场下考虑。
2021-03-02 cs.CL
A Multi-task Model for Sentiment Aided Stance Detection of Climate Change Tweets
L3S Research Center（L3S研究中心）
气候变化已成为我们时代最大的挑战之一。Twitter等社交媒体平台在提高公众意识和传播有关当前气候危机危险的知识方面发挥着重要作用。随着通过社交媒体开展的关于气候变化的运动和宣传越来越多，这些信息可以提高认识，并接触到公众和决策者。然而，这些Twitter通信导致信仰两极分化，意见主导的意识形态，并经常分裂为两个社区的气候变化否认者和信徒。在本文中，我们提出了一个框架，有助于识别否认Twitter上的声明，从而分类的立场的推文到两个对气候变化的态度（否认者/信徒）之一。Twitter关于气候变化的数据的情感方面深深植根于公众对气候变化的态度。因此，我们的工作重点是学习两个密切相关的任务：气候变化推文的立场检测和情感分析。我们提出了一个多任务框架，执行立场检测（主要任务）和情感分析（辅助任务）同时进行。该模型结合了特征特定和共享特定的注意框架，融合多个特征，并学习两个任务的广义特征。实验结果表明，该框架提高了主要任务的性能，即，通过受益于辅助任务，即，情感分析与其单模态和单任务变体相比。
2022-11-07 cs.CL
Catch Me If You Can: Deceiving Stance Detection and Geotagging Models to Protect Privacy of Individuals on Twitter
TOBB University of Economics and Technology（TOBB经济与技术大学）；Qatar University（卡塔尔大学）
自然语言处理的最新进展在文本分析和语言理解模型方面取得了许多令人兴奋的发展;然而，这些模型也可以用于跟踪人，带来严重的隐私问题。在这项工作中，我们研究了个人在使用社交媒体平台时可以做些什么来避免被这些模型检测到。我们的调查基于两个有风险的任务，立场检测和地理标记。我们探索了各种简单的修改文本的技术，例如在突出的单词中插入错别字，释义，以及添加虚拟的社交媒体帖子。我们的实验表明，基于BERT的模型微调的立场检测的性能显着下降，由于错别字，但它不受释义。此外，我们发现错别字对最先进的地理标记模型的影响很小，因为它们越来越依赖于社交网络;然而，我们发现用户可以通过与不同的用户交互来欺骗这些模型，使其性能降低近50%。
2022-07-23 cs.CL cs.CY
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
Topical differences between Chinese language Twitter and Sina Weibo
Northeastern University（东北大学）；Center for Data Science（数据科学中心）；New York University（纽约大学）
新浪微博是中国最受欢迎的微博平台，目前有超过$500M$用户使用，被认为是中国社交生活的代理。在这项研究中，我们对比了新浪微博和中文Twitter上的讨论，以观察中国文化的两种不同分支：中国境内使用新浪微博的人受到政府的限制，而境外的人可以完全匿名地自由发言。首先，我们提出了一个简单的ad-hoc算法来识别Tweets和微博的主题。与以往的微消息主题检测不同，本文的算法考虑的是内容相同但标签不同的主题。我们的算法也可以检测主题的推文和微博没有任何\#标签。使用一个大型的微博和中文推文语料库，涵盖从1月$1$到12月$31$，$2012$，我们获得了一个主题列表，使用聚类的标签，然后我们可以使用它们来比较两个平台。令人惊讶的是，我们发现在最受欢迎的$100$主题中没有共同的条目。此外，只有$9.2\%$的推文与新浪微博平台上的热门$1000$话题相对应，相反，只有$4.4\%$的微博被发现讨论最热门的Twitter话题。我们的研究结果显示，两个平台上的社会关注度存在显着差异，新浪微博上最受欢迎的话题与娱乐有关，而大多数推文与新浪微博中几乎不存在的文化或政治内容相对应。
2015-12-22 cs.CL cs.SI physics.soc-ph
Wearing Masks Implies Refuting Trump?: Towards Target-specific User Stance Prediction across Events in COVID-19 and US Election 2020
Singapore Management University（新加坡管理大学）；Indiana University Bloomington（印第安纳大学伯明顿分校）
对有争议的话题有相似观点的人可能会形成一个回音室，也可能对其他话题有相似的政治观点。这种连接的存在，我们称之为连接行为，为研究人员提供了一个独特的机会，可以根据他们过去的行为来预测一个人在未来事件中的行为。在这项工作中，我们提出了一个框架进行连接行为分析。神经立场检测模型是在三个看似独立的主题上收集的Twitter数据上训练的，即，戴面具，种族平等，特朗普，来检测人们的立场，我们认为这是他们在每个主题相关事件中的在线行为。我们的研究结果揭示了对这三个主题事件的立场之间的强烈联系，并展示了过去的行为在预测一个人的未来行为的力量。
2023-03-21 cs.CL cs.SI
Adversarial Learning for Zero-Shot Stance Detection on Social Media
Columbia University（哥伦比亚大学）
社交媒体上的立场检测可以帮助识别和理解日常生活中的倾斜新闻或评论。在这项工作中，我们提出了一个新的模型，用于在Twitter上进行zero-shot姿态检测，该模型使用对抗学习来概括各个主题。我们的模型在一些看不见的测试主题上以最小的计算成本实现了最先进的性能。此外，我们将zero-shot姿态检测扩展到新的主题，突出了zero-shot传输的未来方向。
2021-05-14 cs.CL
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
Multilingual Stance Detection: The Catalonia Independence Corpus
University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））；Intercom Strategys（Intercom战略公司）
立场检测旨在确定给定文本相对于特定主题或主张的态度。虽然在过去的几年里，姿态检测已经得到了相当好的研究，但大多数工作都集中在英语上。这主要是由于相对缺乏其他语文的注释数据。在IberEval 2018上发布的TW-10全民投票数据集是以前的努力，以提供加泰罗尼亚语和西班牙语的多语言stance注释数据。不幸的是，TW-10加泰罗尼亚子集是非常不平衡的。本文解决了这些问题，提出了一个新的多语言数据集的立场检测在Twitter的加泰罗尼亚语和西班牙语，目的是促进研究立场检测在多语言和跨语言设置。该数据集注释了对一个主题的立场，即加泰罗尼亚的独立。我们还提供了一个半自动的方法来注释数据集的基础上分类的Twitter用户。我们在新的语料库上进行了一些有监督的方法的实验，包括线性分类器和深度学习方法。我们的新语料库与TW-10数据集的比较显示了一个平衡良好的语料库对多语言和跨语言研究的优势和潜力。最后，我们在TW-10数据集上为加泰罗尼亚语和西班牙语建立了新的最先进的结果。
2020-03-31 cs.CL
Turing at SemEval-2017 Task 8: Sequential Approach to Rumour Stance Classification with Branch-LSTM
University of Warwick（华威大学）；Alan Turing Institute（艾伦·图灵研究所）；University College London（伦敦大学学院）
本文描述了图灵团队提交给SemEval 2017 RumourEval的报告：确定谣言的真实性和对谣言的支持（SemEval 2017任务8，子任务A）。子任务A解决了谣言立场分类的挑战，这涉及到识别Twitter用户对他们正在讨论的谣言的真实性的态度。立场分类被认为是谣言核实的重要一步，因此，在这项任务中表现良好，预计将有助于揭穿虚假谣言。在这项工作中，我们将一组Twitter帖子分类为支持，否认，质疑或评论潜在的谣言。我们提出了一个基于LSTM的顺序模型，通过对推文的会话结构进行建模，在子任务A中，RumourEval测试集上的准确率达到0.784，优于所有其他系统。
2017-04-24 cs.AI cs.CL
Contextualized Prompting For Stance Detection On Social Media
Institute of Intensive Care, University Hospital of Zurich and University of Zurich（重症医学研究所，苏黎世大学医院和苏黎世大学）；Institute of Computer Science, University of Goettingen（计算机科学研究所，哥廷根大学）；GESIS Leibniz Institute for the Social Sciences（社会科学研究莱比锡研究所）；Institut für Publizistik, Johannes Gutenberg-University Mainz（主笔研究所，美因茨约翰· Gutenberg 大学）；Ubiquitous Knowledge Processing Lab, Technical University of Darmstadt（无处不在知识处理实验室，达姆施塔特技术大学）
通过系统实验，研究在零样本提示中融入真实世界、推导和LLM生成的上下文特征对Twitter立场检测的影响，发现LLM生成的目标描述能持续提升准确率，而其他用户元数据效果不一。
2026-06-04 cs.CL
Prediction of Political Leanings of Chinese Speaking Twitter Users
New York University（纽约大学）
这项工作提出了一种监督的方法，用于生成一个分类器模型的立场，由讲中文的政治家和其他Twitter用户。以往的政治推文预测研究中，有很多是针对英文推文的，但据我们所知，本文是首次针对中文政治推文建立预测模型。它首先通过抓取著名政治人物及其相关用户的推文来收集数据。其次，它将政治光谱分为两组：一组对中国共产党表示认可，另一组则不认可。由于汉语中的词与词之间没有空格来识别独立的词，因此利用汉语分词工具界霸完成分词和向量化。最后，它训练从政治推文中收集的数据，并产生一个高精度的分类模型，用于从Twitter上的推文中理解用户的政治立场。
2021-10-12 cs.AI cs.CL cs.CY
#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
Probabilistic Model of Narratives Over Topical Trends in Social Media: A Discrete Time Model
University of Central Florida（中佛罗里达大学）
在线社交媒体平台正在成为有关全球事件的新闻和叙述的主要来源。然而，缺乏一个系统的总结为基础的叙述提取，可以促进沟通的主要基础事件。为了解决这个问题，我们提出了一个新的基于事件的叙述性摘要提取框架。我们提出的框架被设计为一个概率主题模型，分类时间分布，然后提取文本摘要。我们的主题模型识别主题的复发随着时间的推移，具有不同的时间分辨率。该框架不仅从数据中捕获主题分布，而且还近似了用户活动随时间的波动。此外，我们定义的重要性分散性权衡（SDT）作为一个比较措施，以确定具有最高的终身吸引力的主题在时间戳语料库。我们在大量Twitter数据上评估了我们的模型，其中包括针对叙利亚白盔组织进行的虚假宣传活动领域的100多万条推文。我们的研究结果表明，所提出的框架是有效的，在确定主题的趋势，以及提取叙述性摘要的文本语料库与时间戳数据。
2020-04-14 cs.CL cs.IR cs.SI
ArCOV19-Rumors: Arabic COVID-19 Twitter Dataset for Misinformation Detection
Qatar University（卡塔尔大学）
在本文中，我们介绍了ArCOV 19-Rumors，这是一个用于错误信息检测的阿拉伯语COVID-19 Twitter数据集，由2020年1月27日至4月底包含声明的推文组成。我们收集了138个经过验证的声明，大部分来自流行的事实核查网站，并确定了9.4K与这些声明相关的推文。推特被人工标注了真实性，以支持错误信息检测的研究，这是大流行期间面临的主要问题之一。ArCOV 19-谣言支持两个级别的错误信息检测：验证自由文本声明（称为声明级别验证）和验证推文中表达的声明（称为推文级别验证）。我们的数据集除健康外，还涵盖与受COVID-19影响的其他主题类别相关的索赔，即社会，政治，体育，娱乐和宗教。此外，我们提出了对数据集的推文级验证的基准测试结果。我们试验了SOTA模型的通用方法，利用内容，用户简档功能，时间特征和传播结构的会话线程的鸣叫验证。
2021-03-13 cs.CL cs.IR cs.SI
Disentangled Learning of Stance and Aspect Topics for Vaccine Attitude Detection in Social Media
University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）
建立模型来检测社交媒体上的疫苗态度是具有挑战性的，因为涉及的方面往往是复杂的，而且注释数据的可用性有限。现有的方法严重依赖于监督训练，需要大量的注释和预定义的方面类别。相反，为了利用大量的未注释的数据，现在可以接种疫苗，我们提出了一种新的半监督的方法，疫苗的态度检测，称为VADet。采用基于语言模型的变分自动编码结构，从未标记的数据中学习领域的主题信息。然后，该模型是微调与一些手动注释的用户态度的例子。我们验证了VADet的有效性，我们的注释数据，也对现有的疫苗接种语料库注释与意见的疫苗。我们的研究结果表明，VADet是能够学习解开立场和方面的主题，并优于现有的基于方面的情感分析模型的立场检测和推文聚类。
2022-06-20 cs.CL
ExaASC: A General Target-Based Stance Detection Corpus in Arabic Language
Exa Company（Exa公司）
基于目标的姿态检测是寻找朝向目标的姿态的任务。Twitter是社交媒体中政治讨论的主要来源之一，也是分析实体立场的最佳资源之一。本文提出了一种新的基于目标的姿态检测方法，该方法利用回复对源推文中最重要和最有争议的目标的姿态。该目标是相对于源推文本身检测的，并且不限于预定义目标的集合，这是当前最先进的方法的通常方法。我们提出的新态度导致了一个名为ExaASC的新语料库，用于阿拉伯语，这是该领域的低资源语言之一。最后，我们使用BERT来评估我们的语料库，并达到了70.69宏观F-分数。这表明，我们的数据和模型可以工作在一个通用的目标基姿态检测系统。语料库是公开的1。
2022-04-29 cs.CL
Unveiling Global Narratives: A Multilingual Twitter Dataset of News Media on the Russo-Ukrainian Conflict
University of Potsdam（波茨坦大学）；L3S Research Center（L3S研究中心）
本文构建了一个涵盖 2022 年 2 月至 2023 年 5 月、60 种语言约 150 万条带图推文的多语言多媒体 Twitter 数据集，并用标签支持实体、立场、概念与情感分析。
2024-04-07 cs.CL cs.DL
MeLT: Message-Level Transformer with Masked Document Representations as Pre-Training for Stance Detection
Stony Brook University（石溪大学）
大部分自然语言处理都集中在利用大容量语言模型上，这些语言模型通常是在单个消息上训练的，任务是预测一个或多个标记。然而，在更高层次的上下文（即，消息的序列）是未被探索的。在立场检测和其他社交媒体任务中，目标是预测消息的属性，我们有上下文数据，这些数据通过作者身份松散地连接在一起。在这里，我们介绍了消息级Transformer（MeLT）--一个通过Twitter预先训练的分层消息编码器，并应用于立场预测任务。我们专注于立场预测，作为一项受益于了解消息上下文的任务（即，先前消息的序列）。该模型使用掩码语言建模的变体进行训练;其中，它不是预测令牌，而是试图通过重建损失生成整个掩码（聚合）消息向量。我们发现，将这种预训练的掩蔽消息级Transformer应用于下游的姿态检测任务，实现了67%的F1性能。
2021-11-01 cs.CL
Stance Reasoner: Zero-Shot Stance Detection on Social Media with Explicit Reasoning
Dalhousie University（达尔豪斯大学）；University of British Columbia（不列颠哥伦比亚大学）；Vector Institute for AI（人工智能向量研究所）
提出 Stance Reasoner 方法，利用预训练语言模型和思维链上下文学习进行显式推理，在零样本社交媒体立场检测任务中优于现有模型，实现更好的跨目标泛化并提供可解释的预测。
2024-03-22 cs.AI cs.CL
Reading Between the Tweets: Deciphering Ideological Stances of Interconnected Mixed-Ideology Communities
USC Information Sciences Institute（南加州大学信息科学研究所）
针对现有意识形态立场研究将群体割裂、忽略在线社群互联性与观点细微性的问题，本文提出在微调语言模型时引入消息传递的新方法，经2020年美国大选Twitter讨论数据验证，其结果与现实调查的一致性优于基线，可用于揭示互联混合意识形态社群的复杂意识形态。
2024-02-02 cs.CL cs.CY cs.SI
Friends and Enemies of Clinton and Trump: Using Context for Detecting Stance in Political Tweets
Università degli Studi di Torino（都灵大学）；Universitat Politécnica de Valéncia（瓦伦西亚理工大学）
立场检测是识别说话人对特定目标的看法的任务，引起了研究者的关注。本文描述了一种新的方法来检测Twitter的立场。我们定义了一组特征，以考虑感兴趣的目标周围的背景，最终目的是训练一个模型，用于预测对上述目标的立场。特别是，我们对社交媒体上的政治辩论感兴趣。出于这个原因，我们评估了我们的方法，重点是SemEval-2016 Task 6中的两个目标，即检测推文中的立场，这与2016年美国总统选举的政治竞选活动有关：希拉里克林顿与唐纳德特朗普。为了与最先进的技术进行比较，我们根据SemEval-2016任务6共享任务竞赛中发布的数据集评估了我们的模型。我们的结果优于参与团队获得的最佳结果，并表明有关政治家的敌人和朋友的信息有助于检测对他们的立场。
2017-02-26 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
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
Multi-modal Stance Detection: New Datasets and Model
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies（广东省新型安全智能技术重点实验室）；King’s College London（伦敦国王学院）；SIAT, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Peng Cheng Laboratory（鹏城实验室）；The Chinese University of Hong Kong（香港中文大学）
本文针对社交媒体中文本与图像并存的推文，提出目标化多模态提示调优框架TMPT，并构建五个Twitter多模态立场检测数据集，实验证明其性能达到最先进水平。
2024-06-06 cs.CL
Tutorials on Stance Detection using Pre-trained Language Models: Fine-tuning BERT and Prompting Large Language Models
本文介绍两个立场检测教程，分别讲解BERT微调与LLMs提示技术，通过实践代码与评估揭示few-shot ChatGPT和FLAN-T5优于微调BERT的优势。
2023-07-28 cs.AI cs.CL
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
Embedding Models for Stance-Aware Argument Retrieval
Imperial College London（帝国理工学院）
本文针对立场感知的论证检索任务，发现现有稠密嵌入模型存在主题偏好、过度关注极性关键词等问题，通过引入诊断指标并提出结合平衡论证课程与立场反转论证的数据中心方案，缓解了模型过度纠正问题，提升了立场感知的论证检索效果。
2026-08-31 cs.AI cs.CL
Embeddings-Based Clustering for Target Specific Stances: The Case of a Polarized Turkey
TOBB University of Economics and Technology（TOBB经济与技术大学）；QCRI, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；Qatar University（卡塔尔大学）
2018年6月24日，土耳其举行了一场意义重大的选举，土耳其人民在新总统制下的第一次选举中选出了总统和议会。在选举期间，土耳其人民在推特上广泛分享他们的政治观点。选民两极分化的一个方面是支持或反对雷杰普·塔伊普·埃尔多安连任。在本文中，我们提出了一种无监督的方法，用于在极化环境中进行特定目标的姿态检测，特别是土耳其政治，在识别用户姿态时达到90%的精度，同时保持80%以上的召回率。该方法涉及使用基于Google卷积神经网络（CNN）的多语言通用句子编码器在嵌入空间中表示用户。然后，以反映相似性的方式将表示投影到较低维度的空间上，从而进行聚类。我们展示了我们的方法的有效性，在适当的聚类用户的不同群体在多个目标，包括政治人物，不同的群体和政党。我们对1.08亿土耳其选举相关推文的大型数据集以及168k土耳其用户的时间轴推文进行了分析，这些用户撰写了2.13亿推文。鉴于由此产生的用户立场，我们能够观察主题之间的相关性和计算主题极化。
2022-02-24 cs.CL cs.CY cs.SI
Stance Detection with Bidirectional Conditional Encoding
University College London（伦敦大学学院）；University of Sheffield（谢菲尔德大学）
立场检测是将文本中表达的对目标（如希拉里·克林顿）的态度分类为“积极”、“消极”或“中立”的任务。以前的工作假设目标在文本中被提及，或者每个目标的训练数据被给出。本文认为这一任务更具挑战性的版本，目标并不总是提到，没有训练数据可用于测试目标。我们实验了条件LSTM编码，它构建了一个依赖于目标的tweet表示，并证明了它优于单独编码tweet和目标。当用双向编码增强条件模型时，性能进一步提高。我们在SemEval 2016 Task 6 Twitter Stance Detection语料库上评估了我们的方法，其性能仅次于在测试目标的半自动标记推文上训练的系统。当这种弱监督被添加时，我们的方法实现了最先进的结果。
2016-09-26 cs.CL cs.LG cs.NE
Vaccine Discourse on Twitter During the COVID-19 Pandemic
Aalto University（阿尔托大学）
自2019冠状病毒病疫情爆发以来，疫苗一直是公众讨论的重要话题。围绕疫苗的讨论两极分化，一些人认为疫苗是结束大流行的重要措施，另一些人则犹豫不决或认为疫苗有害。这项研究调查了Twitter上与COVID-19疫苗相关的帖子，重点关注那些对疫苗持负面态度的帖子。收集了16，713，238条与COVID-19疫苗相关的英文推文数据集，涵盖2020年3月1日至2021年7月31日期间。我们使用Scikit-learn Python库应用支持向量机（SVM）分类器来识别对COVID-19疫苗持负面立场的推文。共有5,163条推文被用于训练分类器，其中2,484条推文的子集由我们手动注释并公开。我们使用BERTtopic模型来提取和调查负面推文中讨论的主题，以及它们如何随着时间的推移而变化。我们发现，随着疫苗的推出，COVID-19疫苗的负面影响随着时间的推移而减少。我们确定了37个讨论主题，并提出了各自的重要性随着时间的推移。我们发现，流行的话题包括阴谋论的讨论，如5G塔和微芯片，但也包含对疫苗接种安全性和副作用的合理担忧以及对政策的担忧。我们的研究表明，即使是不受欢迎的观点或阴谋论，当与一个广泛流行的讨论话题（如COVID-19疫苗）相结合时，也会变得普遍。了解这些问题和讨论的主题以及它们如何随着时间的推移而变化，对于决策者和公共卫生当局提供更好和及时的信息和政策至关重要，以便在未来类似…
2022-07-23 cs.CL cs.CY cs.SI
The use of the word "\{gamma}\u{psion}ναι\k{appa}ο\k{appa}τονια" (femicide) in Greek-speaking Twitter
National and Kapodistrian University（国立卡波迪斯特里亚大学）
在2019年至2022年期间，希腊媒体的注意力被相当多的杀戮女性案件所吸引，这些案件在公众辩论中已经持续了数周至数月，其中一个促成因素是传统媒体和社交媒体之间的反馈循环。在本文中，我们正在调查使用的术语“\{gamma} \u{psion} ναι \k{appa} o \k{appa} τονια”（杀害女性）在希腊语推特。更具体地说，我们从立场检测的角度来处理这个问题，旨在自动识别用户的立场方面的女性主义语义的单词。我们还讨论了从身份分析的角度和相互关联的仇恨言论，已被确定在收集的语料库的推文的调查结果。
2022-10-21 cs.CL
For Women, Life, Freedom: A Participatory AI-Based Social Web Analysis of a Watershed Moment in Iran's Gender Struggles
Rochester Institute of Technology（罗切斯特理工学院）
本文通过集成主动学习流水线训练波斯语Twitter立场分类器，并让伊朗女性参与标注，分析Mahsa Amini事件后性别平等立场变化，发现正反立场推文均增加且正面增长略高。
2023-07-07 cs.AI cs.CL cs.CY
Using Twitter Data to Understand Public Perceptions of Approved versus Off-label Use for COVID-19-related Medications
Harvard Medical School（哈佛医学院）；Brigham and Women’s Hospital（布莱根妇女医院）；Zhejiang University School of Medicine（浙江大学医学院）
该研究用 NLP 流程分析 60 余万条美国推文，揭示公众对 COVID-19 超说明书与获批药物的立场差异及其政治、人口统计影响。
2024-01-22 cs.CL cs.CY cs.LG
Migration Reframed? A multilingual analysis on the stance shift in Europe during the Ukrainian crisis
L3S Research Center（L3S研究中心）；Leibniz Universität Hannover（汉诺威莱布尼茨大学）
本文提出新颖的多语言立场检测方法，分析乌克兰危机期间欧洲新闻与社交媒体上的移民讨论，发现讨论存在重新框定现象，且战争爆发前后立场发生明显时间性转变，但国家差异显著。
2023-05-19 cs.CL cs.LG cs.SI
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
Language Independent Stance Detection: Social Interaction-based Embeddings and Large Language Models
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU HiTZ中心 - Ixa）
本文提出利用社交网络交互数据生成关系嵌入，结合文本判别方法，在七数据集四语言上实现六项最优，超越大型语言模型基线。
2025-02-27 cs.AI cs.CL
Divided We Rule: Influencer Polarization on Twitter During Political Crises in India
Microsoft Research（微软研究院）
影响者是社交媒体上信息传播的性质和网络的关键。影响者通过参与问题在政治话语中特别重要，并且可能完全或大部分通过在线操作获得其合法性，或者拥有诸如艺人，记者等的离线专业领域。我们使用谷歌的通用句子编码器（USE）来编码印度政治危机期间6000名影响者和26000名印度政客的推文。然后，我们根据他们的推文嵌入获得影响者的聚合向量表示，这些向量表示与转推图一起帮助计算他们对这些政治问题的立场和极性。我们发现，影响者以党派的方式参与这些话题，两极分化的影响者会得到更多的转发和关注。此外，我们观察到，特定群体的影响者在所有事件中始终两极分化。最后，我们讨论了我们的研究如何提供洞察当今印度的政治分裂，但也提供了一种手段来研究影响者在加剧政治两极分化在其他情况下的作用。
2021-09-16 cs.CL cs.SI
Data and models for stance and premise detection in COVID-19 tweets: insights from the Social Media Mining for Health (SMM4H) 2022 shared task
Sber AI（俄罗斯联邦储蓄银行人工智能实验室）；University of Electronic Science and Technology of China（电子科技大学）；Kazan Federal University（喀山联邦大学）；National Research University Higher School of Economics（国立研究型大学高等经济学院）
本文组织了 SMM4H 2022 共享任务 2 评估立场与前提检测模型，扩展收集了 Twitter 疫苗接种新数据，并采用特征级融合和双视图架构等策略进行广泛实验，为健康领域论辩挖掘提供数据集与研究支持。
2023-11-14 cs.CL cs.SI
TruthStance: An Annotated Dataset of Conversations on Truth Social
TruthStance数据集通过标注对话内容，研究在线讨论中观点形成与争议的机制，提供论证挖掘和立场检测的基准测试，并释放LLM生成的标签以分析不同维度的立场和论证模式。
2026-02-16 cs.AI cs.CL
