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
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
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
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
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
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
NRC-Canada: Building the State-of-the-Art in Sentiment Analysis of Tweets
National Research Council Canada（加拿大国家研究委员会）
在本文中，我们描述了我们如何创建两个最先进的SVM分类器，一个用于检测消息的情感，如推文和短信（消息级任务），另一个用于检测提交中的一个术语的情感，在推文的两个任务中均为第一，在消息级任务中获得69.02的F分数，在术语级任务中获得88.93的F分数。我们实现了各种表面形式，语义和情感特征。一个是情感词标签，另一个是表情符号在消息层面的任务中，基于词汇的功能提供了5个F分数点的增益。我们的两个系统都可以通过现有资源复制。
2013-08-28 cs.CL
Joint Named Entity Recognition and Stance Detection in Tweets
Electrical Power Technologies Group T\"UB\.ITAK Energy Institute Ankara, Turkey
命名实体识别（NER）是信息抽取领域的一项重要研究课题。最近，出现了关于社交媒体文本的NER实验的研究。另一方面，立场检测是一个相当新的研究课题，通常认为在情感分析的范围内。立场检测研究主要应用于在线辩论的文本，其中文本所有者对特定目标的立场，无论是明确或隐含地提到文本中，进行了探索。在这项研究中，我们调查的可能贡献命名实体的立场检测任务的推文。我们报告NER实验的评估结果，以及随后的立场检测实验，使用命名实体，在一个公开的立场注释的数据集的推文。我们的研究结果表明，命名实体获得高性能NER系统可以有助于立场检测性能的推文。
2017-07-30 cs.CL
A Tweet Dataset Annotated for Named Entity Recognition and Stance Detection
Bilkent University（比尔肯特大学）
不同领域的注释数据集对于许多基于监督学习的相关问题的解决方案以及对所提出的解决方案的评估至关重要。自然语言处理（NLP）中的主题同样需要使用带注释的数据集。在本文中，我们针对两个自然语言处理问题，命名实体识别和立场检测，并提出了土耳其语标注的命名实体和立场信息的推文数据集的细节。在当前研究的过程中，所包含的推文的命名实体和立场注释都是公开的，尽管以前数据集只与立场注释公开共享。我们相信，这个数据集将是有用的揭示命名实体识别和立场检测推文之间的可能关系。
2019-01-16 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
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
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
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
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
Using Gaussian Processes for Rumour Stance Classification in Social Media
University of Sheffield（谢菲尔德大学）；University of Melbourne（墨尔本大学）；University of Warwick（华威大学）
社交媒体往往充斥着谣言，而新的报道则在突发新闻中零碎地发布。有趣的是，人们可以挖掘社交媒体用户在这些情况下表达的多种反应，探索他们对谣言的立场，最终能够将高度争议的谣言标记为可能是虚假的。在这项工作中，我们着手开发一个自动化的、有监督的分类器，该分类器使用多任务学习来将谣言对话中每条推文中表达的立场分类为支持、否认或质疑谣言。使用基于高斯过程的分类器，并探索其在两个具有非常不同的特征和不同的立场分布的数据集上的有效性，我们表明，我们的方法始终优于竞争基线分类器。我们的分类器是特别有效的，在估计与一个给定的谣言，我们提出了作为一个理想的特性，一个谣言跟踪系统，将警告Twitter的普通用户和专业的新闻从业人员，当谣言被反驳的不同类型的立场的分布。
2016-09-07 cs.CL cs.IR cs.SI
Zero-shot Tweet-Level Stance Detection Enhanced by External Knowledge and Reflective Chain-of-Thought Reasoning
School of Cyber Science and Engineering, Sichuan University（四川大学网络空间安全学院）；School of Cyberspace Science and Technology, Beijing Jiaotong University（北京交通大学网络空间安全学院）
针对零样本推文级立场检测中文本稀疏和目标-文本关联难题，提出KIRP框架，融合外部知识、实体重组、反思性思维链推理和立场感知对比学习，在三个数据集上取得最优性能。
2026-06-26 cs.CL
A Few Topical Tweets are Enough for Effective User-Level Stance Detection
Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad bin Khalifa University（哈马德·本·哈利法大学）
姿态检测需要确定用户朝向目标（诸如实体、主题或声明）的位置。最近采用无监督分类的工作表明，对有许多推文的声音Twitter用户执行立场检测可以产生非常高的准确率（+98%）。然而，这些方法对于声音较小的用户表现不佳或完全失败，这些用户可能只撰写了关于目标的几条推文。在本文中，我们解决了这样的用户使用两种方法的立场检测。在第一种方法中，我们通过使用上下文化嵌入来表示推文，从而在上下文中捕获单词的潜在含义，从而提高了用户级立场检测。我们表明，这种方法优于两个强大的基线，并达到89.6%的准确率和91.3%的宏观F-措施上八个有争议的话题。在第二种方法中，我们使用Twitter时间轴推文扩展给定用户的推文，然后对用户进行无监督分类，这需要将用户与训练集中的其他用户聚类。该方法实现了95.6%的准确度和93.1%的宏观F-测量。
2020-04-07 cs.CL cs.SI
Semi-supervised Stance Detection of Tweets Via Distant Network Supervision
Jadavpur University（贾达普大学）；IIIT-Delhi（印度德里信息技术学院）；IIT Bombay（印度理工学院孟买分校）
在社交媒体文本中检测和标记立场的强烈动机是仇恨言论检测，民意调查预测，参与预测和协调宣传检测。当今最好的神经立场检测器需要大量的训练数据，考虑到社交媒体文本和用户意见的快速变化，这是很难策划的。社交网络上的同质属性提供了粗粒度用户级立场的强烈信号。但是，用于tweet-level立场检测的半监督方法未能正确利用同质性。有鉴于此，我们提出了SANDS，一种新的半监督立场检测器。SANDS从很少的标签推文开始。它构建了tweets的多个深度特征视图。它还使用来自社交网络的远程监督信号来向组件学习器提供替代丢失信号。我们准备了两个新的推文数据集，包括来自两个人口统计数据（美国和印度）的超过87，000名用户发布的236，000条带有政治色彩的推文，他们的追随者-追随者图，以及语言学家注释的8，000多条推文。在基于美国（印度）的数据集上，SANDS的宏观F1得分为0.55（0.49），大大优于17个基线（包括SANDS的变体），特别是对于少数立场标签和嘈杂文本。在SANDS上进行的大量消融实验解开了文本和网络传播的立场信号的动态。
2022-01-05 cs.CL cs.LG cs.SI
Emotion Detection From Tweets Using a BERT and SVM Ensemble Model
The Military Technical Academy “Ferdinand I” of Bucharest（布加勒斯特“斐迪南一世”军事技术学院）
自动识别Twitter数据中表达的情绪具有广泛的应用。我们通过向由四种情绪组成的基准数据集添加一个中性类来创建一个平衡良好的数据集：恐惧，悲伤，喜悦和愤怒。在这个扩展的数据集上，我们研究了使用支持向量机（SVM）和双向编码器表示从Transformers（BERT）的情感识别。我们提出了一种新的集成模型相结合的BERT和SVM模型。实验结果表明，该模型对推文中的情感识别达到了0.91的最高准确率。
2022-08-09 cs.CL
Improving Stance Detection by Leveraging Measurement Knowledge from Social Sciences: A Case Study of Dutch Political Tweets and Traditional Gender Role Division
Department of Methodology and Statistics（方法学与统计学系）
本文通过利用社会科学中的测量工具改进传统性别角色划分的立场检测，基于荷兰政治推文数据进行验证。
2026-02-19 cs.CL cs.CY cs.IR
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
DeepStance at SemEval-2016 Task 6: Detecting Stance in Tweets Using Character and Word-Level CNNs
Massachusetts Institute of Technology（麻省理工学院）
本文描述了我们在推文任务中检测立场的方法（SemEval-2016任务6）。我们利用短文本分类的最新进展，使用深度学习来创建单词级和字符级模型。在每种特定情况下，单词级和字符级模型之间的选择是通过验证性能来确定的。我们的最终系统是使用词级或字符级模型的分类器的组合。我们还采用了新的数据增强技术来扩展和多样化我们的训练数据集，从而使我们的系统更加强大。我们的系统取得了宏观平均精度，召回率和F1分数分别为0.67，0.61和0.635。
2016-06-17 cs.CL cs.SI
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
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
Stance detection in online discussions
University of West Bohemia（西波希米亚大学）
本文介绍了我们的系统创建检测立场在网上讨论。目标是确定评论的作者是支持还是反对给定的目标。我们的方法是基于最大熵分类器，它使用表面水平，情绪和特定领域的功能。该系统最初是为了检测英语推文中的立场而开发的。我们对它进行了调整，以处理捷克新闻评论。
2017-01-02 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
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
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
Mawqif-XT: An Arabic Benchmark Dataset for Cross-Target Stance Detection
KFUPM（法赫德国王石油与矿业大学）；SDAIA-KFUPM JRC for AI（沙特数据与人工智能局-法赫德国王石油与矿业大学人工智能联合研究中心）；University of Tabuk（塔布克大学）
本文提出Mawqif-v2阿拉伯语基准数据集，含996条标注推文，用于评估跨目标立场检测的模型泛化能力，并建立基线结果以支持可复现评估。
2026-10-05 cs.CL
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
Topical Stance Detection for Twitter: A Two-Phase LSTM Model Using Attention
IBM Research（IBM研究院）；NSIT（Netaji Subhas Institute of Technology）；IIT（印度理工学院）
主题立场检测问题解决了检测文本内容相对于给定主题的立场：给定文本内容的情感是否对给定主题有利（积极），反对（消极）或无（中性）。使用注意力的概念，我们开发了一个两阶段的解决方案。在第一阶段，我们对主观性进行分类--一条给定的推文对于给定的主题是中立的还是主观的。在第二阶段，我们对主观推文的情感进行分类（忽略中性推文）-给定的主观推文是否对主题持赞成或反对的立场。我们为每个阶段提出了一个基于长短期记忆（LSTM）的深度神经网络，并在每个阶段嵌入注意力。在SemEval 2016立场检测Twitter任务数据集上，我们获得了68.84%的最佳情况宏F分数和60.2%的最佳情况准确率，优于现有的基于深度学习的解决方案。我们的框架T-PAN是主题立场检测文献中的第一个，它在两阶段架构中使用了深度学习。
2018-01-09 cs.CL cs.IR cs.SI
Comparing methods for Twitter Sentiment Analysis
这项工作扩展了一套工程，其中涉及的情感分析在Twitter的流行问题。它研究了最流行的文档（“推文”）表示方法，这些方法提供了情感评估机制。特别是，我们研究了词袋，n-gram和n-gram图方法，对于每一种方法，我们使用一组4451条手动注释的推文评估了基于词典和7种基于学习的分类算法（即SVM，朴素贝叶斯网络，逻辑回归，多层感知器，最佳优先树，功能树和C4.5）及其组合的性能。结果表明，基于学习的方法的优越性，特别是n-gram图的方法来预测推文的情绪。他们还表明，组合方法对n-gram具有令人印象深刻的影响，使用多数投票和平衡数据集（相同数量的正面，负面和中性推文进行训练），将5-Gram的置信度提高到83.15%。在n-gram图的情况下，改善很小，甚至没有，在4-gram图上达到94.52%，使用正交距离和0.001的阈值。
2015-05-12 cs.CL cs.IR cs.SI
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
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
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
MITRE at SemEval-2016 Task 6: Transfer Learning for Stance Detection
The MITRE Corporation（MITRE公司）
我们描述了MITRE提交的SemEval-2016任务6，检测推文中的立场。这项工作在任务A的监督立场检测中取得了最高分，在评估推文作者是赞成还是反对某个主题时，平均F1得分为67.8。我们采用了一个递归神经网络，该网络通过两个大型未标记数据集上的远程监督学习到的特征进行初始化。我们使用word 2 vec skip-gram方法训练单词和短语的嵌入，然后使用这些特征通过主题标签预测辅助任务来学习句子表示。这些句子向量，然后微调立场检测数百标记的例子。结果是一个高性能的系统，使用迁移学习来最大化可用训练数据的价值。
2016-06-13 cs.AI cs.CL
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
Sentiment Analysis in Twitter Social Network Centered on Cryptocurrencies Using Machine Learning
Razi University（拉齐大学）
本文针对加密货币领域Twitter情感分析多聚焦英语的现状，研究伊朗用户相关观点，采用多种NLP与机器学习/深度学习方法构建分类模型，最终BERT模型以83.50%准确率取得最优效果，可为经济管理提供参考。
2025-01-16 cs.CL
emojiSpace: Spatial Representation of Emojis
University of Virginia（弗吉尼亚大学）
在消息通信期间没有非语言提示的情况下，用户使用表情符号表达他们的部分情绪。因此，在文本消息语言模型的词汇表中具有表情符号可以显著改善许多自然语言处理（NLP）应用，例如在线通信分析。另一方面，词嵌入模型通常在非常大的文本语料库上训练，例如维基百科或谷歌新闻数据集，其中包含很少的表情符号样本。在这项研究中，我们创建了emojiSpace，这是一个使用Python中Genism库中的word 2 vec模型的组合单词-emoji嵌入。我们在超过40亿条推文的语料库上训练了emojiSpace，并通过在包含超过6700万条推文的Twitter数据集上实施情感分析作为外部任务来对其进行评估。对于这项任务，我们比较了随机森林（RF）和线性支持向量机（SVM）的两种不同的分类器的性能。为了进行评估，我们将emojiSpace的性能与其他两个预训练的嵌入进行了比较，并证明了emojiSpace的性能优于两者。
2022-09-12 cs.CL cs.LG
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
Optimizing Social Media Annotation of HPV Vaccine Skepticism and Misinformation Using Large Language Models: An Experimental Evaluation of In-Context Learning and Fine-Tuning Stance Detection Across Multiple Models
School of Journalism and Mass Communication, University of Wisconsin–Madison（威斯康星大学麦迪逊分校新闻与大众传播学院）；Department of Electrical & Computer Engineering, University of Wisconsin–Madison（威斯康星大学麦迪逊分校电气与计算机工程系）；Department of Computer Science, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算机科学系）；Department of Psychology, University of Wisconsin–Madison（威斯康星大学麦迪逊分校心理学系）；School of Interactive Computing, Georgia Institute of Technology（佐治亚理工学院交互计算学院）；Institute of People and Technology, Georgia Institute of Technology（佐治亚理工学院人与技术研究所）
本文利用LLMs评估HPV疫苗推文立场检测策略，发现上下文学习优于微调，最佳配置为六个分层样本配详细提示，为社交媒体立场检测提供适用方法。
2025-04-02 cs.CL
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
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
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
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
QMUL-SDS @ SardiStance: Leveraging Network Interactions to Boost Performance on Stance Detection using Knowledge Graphs
Queen Mary University of London（伦敦玛丽女王大学）；Imam Abdulrahman bin Faisal University（伊玛目阿卜杜勒拉赫曼·本·费萨尔大学）
本文介绍了我们对SardiStance 2020共享任务的提交，描述了任务A和任务B使用的架构。虽然我们提交的任务A没有超过基线，但使用所有训练推文重新训练我们的模型，显示出有希望的结果，导致使用双向LSTM和BERT多语言嵌入任务A。对于我们提交的任务B，我们排名第6（f-avg 0.709）。通过进一步的调查，我们最好的实验设置将性能从（f-avg 0.573）提高到（f-avg 0.733），具有相同的架构和参数设置，并且仅包含社交互动功能-突出社交互动对模型性能的影响。
2020-11-06 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
Argumentative Stance Prediction: An Exploratory Study on Multimodality and Few-Shot Learning
School of Computing and Information（计算与信息学院）；University of Pittsburgh（匹兹堡大学）
本研究通过首届多模态论证挖掘任务，探索图像在推文立场预测中的作用，发现微调文本模型集成优于多模态和少样本LLM，且图像转文本可提升多模态性能。
2023-10-11 cs.CL
Detecting the Presence of COVID-19 Vaccination Hesitancy from South African Twitter Data Using Machine Learning
本研究对3万条南非推文进行情感分析，对比LSTM、SVM、BERT等模型在检测COVID-19疫苗犹豫上的表现，发现BERT和RoBERTa的F1分数最高（60%和61%），并利用LDA对错分推文进行主题建模以探索改进方向。
2023-07-12 cs.CL cs.CY cs.LG
The COVMis-Stance dataset: Stance Detection on Twitter for COVID-19 Misinformation
Leiden Institute of Advanced Computer Science（莱顿高级计算机科学研究所）；Leiden University（莱顿大学）
在COVID-19大流行期间，大量COVID-19错误信息在社交媒体上传播。我们关注Twitter用户对COVID-19错误信息的立场。然而，由于大流行的相对近期性质，只有少数立场检测数据集适合我们的任务。我们构建了一个新的立场数据集，由2631条推特组成，其中标注了对COVID-19错误信息的立场。在标记数据有限的情况下，我们通过利用MNLI数据集和两个现有的立场检测数据集（RumourEval和COVIDLies）来微调我们的模型，并在我们的数据集上评估模型性能。我们的实验结果表明，该模型在MNLI数据集以及欠采样RumourEval和COVIDLies数据集的组合上依次进行微调时表现最佳。我们的代码和数据集可在https://github.com/yanfangh/covid-rumor-stance上公开获取
2022-04-05 cs.CL cs.IR
Collaborative Stance Detection via Small-Large Language Model Consistency Verification
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；People Public Security University of China（中国人民公安大学）；University of Chinese Academy of Sciences（中国科学院大学）；Zhongguancun Laboratory（中关村实验室）
本文提出CoVer框架，通过LLM批量共享上下文推理与SLM逻辑一致性验证相结合，在零样本立场检测中以每条推文仅0.54次LLM查询超越现有方法，实现低成本高效部署。
2025-08-22 cs.AI cs.CL
Collaborative Knowledge Infusion for Low-resource Stance Detection
Centre for Frontier AI Research (CFAR)（前沿人工智能研究中心（CFAR））；Institute of High Performance Computing (IHPC)（高性能计算研究所（IHPC））；Agency for Science Technology and Research (A*STAR)（新加坡科技研究局（A*STAR））
本文提出一种低资源立场检测的协作知识注入方法，通过多源知识对齐和参数高效协作适配器，在三个公开数据集上显著提升了检测性能。
2024-03-28 cs.CL
Z-AGI Labs at ClimateActivism 2024: Stance and Hate Event Detection on Social Media
本研究针对社交媒体上气候活动人士遭遇仇恨言论的问题，在CASE 2024共享任务的三个子任务中评估多种经典机器学习模型，得出不同模型适配不同子任务的结论，为相关检测任务的模型选择提供参考。
2024-04-14 cs.CL
Arabic Text Sentiment Analysis: Reinforcing Human-Performed Surveys with Wider Topic Analysis
Princess Nourah bint Abdulrahman University（努拉宾特阿卜杜拉赫曼大学）；University of Durham（杜伦大学）
本文结合133篇论文的人工调查与2297篇文献的主题建模、时间分析，系统梳理阿拉伯语情感分析方法、算法、资源与工具缺口，并提出未来方向。
2024-03-04 cs.CL
