UstanceBR: a social media language resource for stance prediction
School of Arts, Sciences and Humanities, University of São Paulo（圣保罗大学艺术、科学与人文学院）
本文提出UstanceBR，一个巴西葡萄牙语Twitter多模态语料库，含86.8k条标注立场及用户网络信息，并提供领域内和零样本立场预测的基线示例。
2024-11-11 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
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
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
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
Political Communities on Twitter: Case Study of the 2022 French Presidential Election
Ecole Polytechnique（巴黎综合理工学院）；Linagora；AUEB（雅典经济与商业大学）
随着社交媒体平台用户的大幅增加，出现了一种新的政治竞选手段。Twitter和Facebook现在是选举期间值得注意的竞选工具。事实上，候选人和他们的政党现在开始在互联网上互动和传播他们的想法。在本文中，我们的目标是确定2022年法国总统大选期间在Twitter上形成的政治社区，并分析每个社区。我们创建了一个大规模的Twitter数据集，其中包含120万用户和6260万条提到与选举相关的关键字的推文。我们执行社区发现上的用户的转推图，并提出了一个深入的分析，每个社区的立场。最后，我们试图检测攻击性推文和自动机器人，跨社区进行比较，以深入了解每个候选人的支持者人口统计和在线竞选策略。
2022-04-15 cs.CL cs.SI
A Multilingual Dataset of COVID-19 Vaccination Attitudes on Twitter
University of Luxembourg（卢森堡大学）
疫苗供应充足的欧洲及美国，疫苗犹豫被视为COVID-19疫苗接种率停滞不前的主要原因之一。快速准确地掌握公众对疫苗接种的态度对于解决疫苗犹豫问题至关重要，而社交媒体平台已被证明是公众意见的有效来源。在本文中，我们描述了与COVID-19疫苗相关的推文数据集的收集和发布。该数据集包括从西欧收集的2，198，090条推文的ID，其中17，934条带有发起人的疫苗接种立场。我们的注释将有助于使用和开发数据驱动模型，从社交媒体帖子中提取疫苗接种态度，从而进一步证实社交媒体在公共卫生监测中的作用。为了为未来的研究奠定基础，我们不仅对数据集进行统计分析和可视化，还评估和比较了疫苗接种立场提取中基于文本的基准的性能。我们展示了我们的数据在实践中的一个潜在用途，即跟踪公众COVID-19疫苗接种态度的时间变化。
2022-06-27 cs.CL cs.CY cs.LG
VaxxHesitancy: A Dataset for Studying Hesitancy towards COVID-19 Vaccination on Twitter
The University of Sheffield（谢菲尔德大学）
本文构建了包含 3,101 条推文的 VaxxHesitancy 数据集，用于研究 Twitter 上对 COVID-19 疫苗的犹豫态度，并提出领域语言模型 VaxxBERT，首次将疫苗犹豫建模为独立于支持和反对立场的类别。
2023-04-15 cs.CL
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
A Hybrid BERT and LightGBM based Model for Predicting Emotion GIF Categories on Twitter
Ping An Technology(Shenzhen)（平安科技（深圳））
动画图形交换格式（GIF）图像作为表达情感的直观方式在社交媒体上得到了广泛应用。考虑到它们的表现力，GIF提供了一种更微妙和精确的方式来传达情感。在本文中，我们为SocialNLP 2020的共享任务--PredictionGIF 2020挑战提出了解决方案。为了给未标记的推文推荐GIF类别，我们将该问题视为一种匹配任务，并提出了一种基于Transformer双向编码器表示（BERT）和LightGBM的学习排序框架。我们的团队在第一轮排行榜上以0.5394的平均精度@6（MAP@6）得分获得第四名。
2020-08-14 cs.CL cs.IR
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
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
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
A Stance Data Set on Polarized Conversations on Twitter about the Efficacy of Hydroxychloroquine as a Treatment for COVID-19
在本研究进行时，引起COVID-19大流行的SARS-CoV-2病毒已在全球范围内显著传播。考虑到政策的不确定性、健康风险、财政困难等，在线媒体，特别是Twitter平台，正在经历与这一流行病有关的大量活动。在热门话题中，关于未经证实的治疗和预防疾病的药物的两极化辩论引起了网络媒体用户的极大关注。在这项工作中，我们提出了一个立场数据集，COVID-CQ，在COVID-19的背景下，Twitter上的用户生成的内容。我们调查了超过14，000条推文，并手动注释了推文发起者关于使用“氯喹”和“羟氯喹”治疗或预防COVID-19的意见。据我们所知，COVID-CQ是在COVID-19大流行背景下Twitter用户立场的第一个数据集，也是任何领域中关于用户对索赔立场的最大Twitter数据集。我们已经通过GitHub向研究社区提供了这些数据集。我们希望这一数据集对许多研究目的都是有用的，包括立场检测，关于这次疫情的意见的演变和动态，以及应对政策决定和事件等外部冲击的意见变化。
2020-09-05 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
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
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
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
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
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
The Anatomy of Conspirators: Unveiling Traits using a Comprehensive Twitter Dataset
University of Pisa（比萨大学）；National Research Council（意大利国家研究委员会）
本研究提出一种独立于特定阴谋论的数据收集方法，构建包含15K账户和3700万条推文的Twitter数据集，通过对比分析发现阴谋用户与普通用户在行为、主题和立场上差异显著，并开发出F1分数达0.94的高精度分类器以识别此类用户。
2024-02-05 cs.CL cs.SI
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
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
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
Vax-Culture: A Dataset for Studying Vaccine Discourse on Twitter
Carleton University（卡尔顿大学）
本研究针对社交媒体上反疫苗错误信息传播问题，构建了含6373条推文及多维度人工标注的Vax-Culture数据集，定义五项基线任务并给出基于transformer模型的实验结果，助力公共卫生传播策略制定与错误信息自动检测。
2023-06-11 cs.CL cs.LG cs.SI
#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
Seeing Things from a Different Angle: Discovering Diverse Perspectives about Claims
University of Pennsylvania（宾夕法尼亚大学）
信息革命的一个关键后果是我们的信息供应大幅增加并受到污染。事实核查的做法不足以消除我们观察到的文本数据中的偏见，因为仅凭事实的程度并不能确定偏见是否存在于我们可见的观点范围内。为了更好地理解有争议的问题，人们需要从一个多样化但全面的角度来看待它们。例如，对于“动物应该有合法权利”这样的主张，有很多种回应方式，这些回应形成了一系列观点，每一种观点都有一个相对于这一主张的立场，理想情况下，都有支持这一主张的证据。本质上，这是一项自然语言理解任务，我们建议这样解决它。具体来说，我们提出的任务，证实的角度发现，给定的索赔，一个系统预计会发现一个不同的一组充分证实的观点，采取相对于索赔的立场。每一个观点都应该通过总结相关结果和事实的证据段落来证实。我们构建PERSPECTRUM，一个包含主张、观点和证据的数据集，利用在线辩论网站创建初始数据汇集，并使用搜索引擎对其进行扩充，以扩展和多样化我们的数据集。我们使用众包来过滤噪音并确保高质量的数据。我们的数据集包含1k个声明，分别伴随着10k和8k个观点句子和证据段落。我们对数据集进行了全面的分析，以突出关键的潜在语言理解挑战，并表明多个子任务的人类基线远远优于基于最先进的NLP技术构建的机器基线。这对NLP社区来说是一个挑战和机遇。
2019-06-08 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
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
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
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
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
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
Probing Spurious Correlations in Popular Event-Based Rumor Detection Benchmarks
National University of Singapore（新加坡国立大学）
随着社交媒体成为错误信息传播的温床，谣言检测的关键任务已经见证了开源基准数据集所带来的有希望的进步。尽管被广泛使用，但我们发现这些数据集存在虚假相关性，这些相关性被现有的研究所忽略，并导致严重高估现有的谣言检测性能。虚假的相关性源于三个原因：（1）基于事件的数据汇集和标签方案将相同的真实性标签分配给来自同一基础事件的多个高度相似的帖子;（2）合并多个数据源虚假地将源身份与真实性标签相关联;以及（3）标签偏差。在本文中，我们仔细研究了三个最流行的谣言检测基准数据集（即，Twitter 15，Twitter 16和PHEME），并提出事件分离的谣言检测作为一种解决方案，以消除虚假的线索。在事件分离设置下，我们观察到现有最先进模型的准确性显著下降了40%以上，仅与简单的神经分类器相当。为了更好地解决这一任务，我们提出了出版商风格聚合（PSA），一种可推广的方法，聚合出版商发布记录，以了解写作风格和准确性的立场。大量的实验表明，我们的方法优于现有的基线的有效性，效率和泛化能力。
2022-09-19 cs.AI cs.CL cs.SI
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
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
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
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
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
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
Community-Aligned Behavior Under Uncertainty: Evidence of Epistemic Stance Transfer in LLMs
University of Southern California（南加州大学）；Aptima, Inc.（Aptima公司）
本研究通过删除事件知识验证LLMs在无知情况下仍能保持社区特定的行为模式，证明对齐编码了结构化且可推广的行为，推动更安全的LLM部署。
2025-11-14 cs.CL 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
ArmanEmo: A Persian Dataset for Text-based Emotion Detection
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Iran University of Science and Technology（伊朗科技大学）；Allameh Tabataba’i University（阿拉梅·塔巴塔巴伊大学）
随着最近社交媒体平台上开放文本数据的激增，文本情感检测（ED）在过去几年中受到了更多的关注。它有许多应用，特别是对于企业和在线服务提供商，其中情感检测技术可以通过分析客户/用户对其产品和服务的感受来帮助他们做出明智的商业决策。在这项研究中，我们介绍了ArmanEmo，这是一个人类标记的情感数据集，包含7个类别的7000多个波斯语句子。该数据集来自不同的资源，包括Twitter，Instagram和Digikala（伊朗电子商务公司）评论。标签基于Ekman的六种基本情绪（愤怒，恐惧，快乐，仇恨，悲伤，奇迹）和另一个类别（其他）来考虑Ekman模型中不包括的任何其他情绪。除了数据集，我们还提供了几个用于情感分类的基线模型，重点是最先进的基于transformer的语言模型。我们最好的模型在我们的测试数据集中实现了75.39%的宏观平均F1得分。此外，我们还进行了迁移学习实验，以比较我们提出的数据集的泛化与其他波斯情感数据集。这些实验的结果表明，我们的数据集具有优越的泛化能力，在现有的波斯情绪数据集。ArmanEmo可在https://github.com/Arman-Rayan-Sharif/arman-text-emotion公开用于非商业用途。
2022-07-24 cs.AI 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
Augmenting Data for Sarcasm Detection with Unlabeled Conversation Context
RippleAI；SNU（首尔国立大学）
我们提出了一种新的数据增强技术，CRA（上下文响应增强），它利用会话上下文来生成有意义的样本进行训练。我们还通过改变模型的输入输出格式来缓解上下文长度不平衡的问题，使其能够有效地处理不同的上下文长度。具体来说，我们提出的模型，用提出的数据增强技术训练，参加了FigLang2020的讽刺检测任务，在Reddit和Twitter数据集中都获得了最佳性能。
2020-06-11 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
MythQA: Query-Based Large-Scale Check-Worthy Claim Detection through Multi-Answer Open-Domain Question Answering
The University of Florida（佛罗里达大学）
针对大规模信息源中值得核查声明检测研究不足的问题，提出结合矛盾立场挖掘的多答案开放域问答任务MythQA，构建含522个问题、5300条标注推文的TweetMythQA数据集，给出基线系统与初始基准。
2023-07-21 cs.CL cs.IR
