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

该论文旨在研究和分析既包括事实检查和谣言检测，也包括偏见检测和情感分析的不同类别和方法之间的联系，重点关注在检测虚假信息及其分化方面的已有工作，并讨论了未来的挑战。

Feb, 2021

该文综述了社交媒体上基于观点挖掘的新兴姿态检测技术，比较了不同领域的方法，包括自然语言处理、Web 科学和社交计算，并在现有基准数据集上介绍了这些姿态检测技术的最新结果，讨论了最有效的方法和技术，还探讨了社交媒体上姿态检测的新趋势和应用，最后总结了目前该领域存在的缺陷和未来发展方向。

Jun, 2020

本文探讨了在社交媒体平台上进行自动立场检测的多种方法，包括神经模型和经典的分类器模型，并对它们的可复现性和比较性能进行了详细的研究和实验。

Jul, 2020

本研究通过分析受访者在社交媒体上表达的态度与其公开问卷中的回应的区别，发现在进行态度检测时，存在时间不一致、不同建构和测量误差等问题，进一步为研究确定模型的局限性提供了一个框架，提供重要的见解。

Sep, 2021

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

本文从语言学角度分解了立场检测任务，并详细研究了该任务中的关键组件和推理路径。作者扩展了先前提出的立场三角形语言框架，并使用该框架扩展了单一的训练语料库以增加注释。 实验结果表明，战略丰富的数据可以显着提高跨领域和跨目标评估的性能。

May, 2023

在本研究中，我们提出了一种立场感知的图神经网络（stance-aware GNN），利用用户立场主动预测信息传播，通过定制四条信息传递路径以及可训练的注意力权重来提供解释性。通过在真实数据集上评估，立场感知的 GNN 在击败基准测试 32.65％之外，并且在没有用户立场的先进 GNN 上超过 4.69％。此外，注意力权重表明相比支持立场，用户的反对立场对其邻居的行为有更大的影响，起到了社交纠正的作用来阻止信息传播。总的来说，我们的研究为平台提供了一种有效的预测模型来对抗错误信息，并强调用户立场在错误信息传播中的影响。

Oct, 2023

研究使用预训练的双向变压器和情感信息，以改进对当代问题长时间讨论的立场检测，并创建一个新的含有情感信息的数据集，该数据集可用于浅层递归神经网络在低参数下达到了与经过微调的 BERT 相同的结果，同时使用简单的方法解释了哪些输入短语对于立场检测产生影响。

May, 2020

本研究旨在探索如何使用大规模深度双向转换器语言模型来准确识别包含虚假信息的新闻文章，通过使用 RoBERTa 深度双向转换器语言模型进行预训练后构建了一个大规模语言模型，在 Fake News Challenge 阶段 1 基准测试中实现了 90.01％的加权准确度，表明了在处理虚假信息识别方面，大规模语言模型可以作为强有力的构建块。

Nov, 2019