本研究探讨了一种基于情感和对话的特点的方法，应用于 SemEval2017 任务 8 - 子任务 A（英文推文中的谣言立场分类），用于预测 Twitter 中新兴谣言的用户立场，以支持、否认、询问或评论原始谣言，并证明了所提出的特征集的有效性。

Jan, 2019

本研究调查了针对俄罗斯语言的立场分类。同时，引入了一个新的 RuStance 数据集，以及用于该语言的文本分类方法进行基准测试，此外，该论文还为该语言中的立场预测提供了一个基线。

Sep, 2018

本文主要探讨了针对不平衡数据的谣言立场分类任务评估指标的问题，并提出了新的评估指标，更能准确地反映对信息的支持和否定两种最具信息量的少数派类别。

Oct, 2020

研究论述了针对社交媒体中的谣言态度进行分类的方法，通过使用时序分类器，利用社交媒体交互或对话线程中固有的话语特征来评估其表现，结果显示出这种分类器对于特定的观点判断要比非时序分类器更为准确，LSTM 分类器的性能最佳，数据集和观点类型均表现出较高的准确性；此外，该研究分析了所研究的不同特征，并鉴别出在区分观点方面最有帮助的特征。

Dec, 2017

本文旨在开发一个自动化、监督的分类器，使用多任务学习来分类疑点话题中每个个体推文中的立场，从而将高争议的流言标记为潜在的虚假信息。我们的分类器基于高斯过程，探究其有效性并对具有不同特征和立场分布变化的两个数据集进行探索性研究。结果表明，我们的方法始终优于其他基线分类器。特别是在估计与给定流言相关的不同类型立场的分布方面，我们的分类器非常有效。这是我们要提出的一种理想特征，用于跟踪流言并向普通 Twitter 用户和专业新闻从业者发出警告。

Sep, 2016

本篇论文介绍了一种新的方法，利用 Twitter 上树形结构的对话线程来确定支持、否认、质疑或仅评论谣言的状态分类，实现了提高分类准确度的效果。此外，本文第一次将 Twitter 对话模型化为树形结构，为解决 Twitter 对话上的 NLP 任务提供了创新性的思路。

Sep, 2016

本文提出了一种基于图卷积神经网络的层级多任务学习框架，用于同时预测 Twitter 上谣言立场和可信度，底部组件使用结构属性建模来分类谣言推文的立场，而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明，我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。

Sep, 2019

本文旨在探讨如何增加现有谣言验证系统所使用的证据来源。我们定义了一项新任务，即检测 Twitter 中权威机构对流言的立场，收集了来自权威时间线的证据，并构建了第一个权威对流言立场数据集。我们研究了现有数据集对于解决该任务的效用，发现它们有所用处但不足以满足需求，因此需要增加 Twitter 权威机构的对流言立场注释数据集。

Jan, 2023

该论文介绍了一个能够识别公众错误信息、帮助事实核查的简单实用的立场判断系统，它在 Fake News Challenge 的第一阶段中获得第三名，与前两名获胜队伍的复杂集成方法相比表现竞争力，作者将其提议为 Fake News Challenge 立场检测任务的简单但强大的基线。

Jul, 2017

本论文阐述了团队 Turing 参加 SemEval 2017 RumourEval：确定谣言真实性和支持谣言（SemEval 2017 任务 8，子任务 A）的挑战，并通过提出一种基于 LSTM 的顺序模型，对讨论谣言的一组 Twitter 帖子进行了支持、否认、询问或评论的分类，从而在子任务 A 中表现出色，实现了 0.784 的准确率，超过了所有其他系统。

Apr, 2017