本文提出了 TextCause 算法，使用观测数据估计语言属性的因果效应，解决了因果定量的形式化问题以及基于分类器和词库的噪声代理的偏差问题，该算法利用了 distant supervision 和预训练的 BERT 模型。

Oct, 2020

描述了在文本危机咨询平台上为咨询员分配行为趋势的特定类型的政策的任务，强调了在随机试验难以实施的对话环境中出现的关键挑战，最后展示了如何规避推论方面的这些挑战，并说明了由推荐信息获得的分配政策的潜在益处。

Sep, 2020

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

本文研究了在线辩论中事实和情感论证风格的特征，使用一组已注释的 “事实” 的和 “感觉” 的辩论论坛文章，提取高度相关的事实和情感论证模式，并应用引导式方法在更大的未注释的论坛文章池中寻找新的模式，最后分析了最具有鉴别能力的模式，以更好地理解事实和情感论证的定义特征。

Sep, 2017

通过介绍 Text-Transport 方法，本文研究了语言技术对读者感知的影响，提出使用分布转移的估计器来传输因果效应，在自然语言数据分布改变的情况下具备统计保证，并应用于研究社交媒体上的仇恨言论，展示了进行自然语言因果推断时传输的必要性。

Oct, 2023

本文回顾相关研究，旨在探究针对在线仇恨言论的因果效应估计。作者提出了建立在线仇恨言论的因果术语下探讨该主题的必要性，并对研究方向、研究成果和未来研究问题进行了概述。

Sep, 2021

文章提出了一种使用新的数据技术进行文本数据分析的概念框架，以发现可以测试社会科学理论的有用标准，并提供了一种基于隐含表征的文本数据推理方法。

Feb, 2018

本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

Aug, 2019

在本研究中，我们研究了人类和语言模型 (LMs) 之间的协同动力学，其中互动通常涉及 LM 提出文本段落而人类对这些提案进行编辑或回应。通过历史上人类和 LM 之间的相互作用，有效地与 LM 进行互动需要人类识别出适当的基于文本的互动策略，如编辑和回应风格。我们引入了一个新的因果估计标量 ——“增量风格效应 (Incremental Stylistic Effect, ISE)” 来回答由因果推理问题引起的困难，该问题是一个反事实的 “如果” 问题：如果人类采用不同的文本编辑 / 完善策略，协同的结果会如何改变？我们建立了非参数标识 ISE 的条件，并在此基础上开发了 CausalCollab 算法，用于估计动态人类 - LM 协作中各种互动策略的 ISE。在对三种不同的人类 - LM 协作场景进行的实证研究中，我们发现 CausalCollab 能够有效减少混淆，显著改善对照估计与竞争基线相比。

Mar, 2024

本研究探讨了语言使用对社区对在线讨论论坛评论的反应的影响，以及信息和信息发送者之间的相对重要性。基于 Reddit 讨论中社区注释卡尔玛的新评论排序任务被提出，可以控制评论的主题和时间。通过对来自六个子 reddit 的讨论线程进行实验，结果显示不同类型的语言特征对于不同的社区感兴趣程度的重要性有所不同。

Jul, 2015