本研究应用统计学方法对社交媒体帖子进行分析，研究了回复对话的语气和后续回复的语言和情感变化之间的因果关系，结果显示陈述事实和断言的语气会对对话产生影响，并提供了从文本中估算因果效应的方法。

Jun, 2019

本文提出了使用因子图模型来获取在线辩论平台上的论点结构特征，并将这些特征结合到基于 LSTM 的模型中，以预测哪位辩手的论点最有说服力。研究发现，在评估在线辩论中的论点说服力时，结合论点结构特征可以发挥重要作用。

Oct, 2020

本研究旨在通过自动提取社交媒体对话中的论点，计算其之间的相似度以识别和归纳辩论方面，从而产生类似于辩论网站上的自动摘要。结果表明，在三个不同的辩题上，本研究的相关性平均值为 0.63，优于几个基准模型。

Sep, 2017

本文通过对 Hateval 语料库进行人工标注并评估，探讨了大型语言模型中关于憎恨言论的论述元素自动识别的可靠性，发现某些元素相对可靠，对于那些错误率较高的元素，其争议点分析和适当调整后能够更为可靠的识别。

Jun, 2023

本文介绍了一个包含 78,376 次辩论和全面参与者个人资料的数据集，利用该数据集，与通常用于类似研究的语言特征相比，分析了选定用户特征对辩论结果的影响。

Jun, 2019

开发工具以总结在线论坛上通过对话交流的社会和政治议题，识别并归纳不同发言观点中的中心命题，讨论中心的抽象对象，发现同样实现论点的中心命题，定义新的任务 —— 论点侧面相似性（AFS），并使用人工总结作为一种发现方法进行研究。

Sep, 2017

研究了 Reddit 上的争议性话题以及它们的情感动态，并发现争议性评论表达的愤怒情绪更高，乐观和正面情绪更少；争议性评论会对讨论中后续评论的情感产生影响，通常会导致愤怒情绪的长期增加以及积极情绪的减少，但具体情感变化的幅度和方向取决于讨论主题；情感能够更好地预测哪些评论会变得有争议，从而帮助社区更好地管理讨论。

Dec, 2022

该研究提出了一种新的神经模型来动态跟踪论证对话中主题和话语变化对说服力的影响，并在社交媒体和最高法院的论证对话上进行了实验验证。实验结果表明该模型能够有效地辨别具有说服力的论证，并发现主题和话语对说服力都有帮助，但优秀的话语风格可能会在社交媒体争议中造成偏见。

Feb, 2020

本研究提出了一种名为 ClaimDiff 的新的数据集，用于比较包含微妙差别的主张对之间的区别，并帮助人们在各种媒体来源中做出更明智的决策。

May, 2022

本文研究对话结构与对话语料库的关系，从线上论坛中的拒绝性对话入手，探查线上对话中表达和推断拒绝的特征，通过实验发现基于理论预测的特征可以被用于无需先确定特定讨论主题的识别拒绝性对话，且精度可以提升至 66%。

Sep, 2017