Dec, 2019

一种无监督的领域无关框架，用于自动检测文本中的说服策略

PDF
TL;DR本文利用多类别分类问题的机器学习框架，探讨社交媒体上一些具有欺骗性、有误导性的文本的检测方法，利用已有的语料库【英文原文：lexical features】和提取文本固有结构的方法进行处理，并取得了良好的进展。
social mediapersuasionmachine learninginformationtext classification
发现论文，激发创造
  • 运用有说服力的写作策略进行虚假信息检测

    本研究旨在利用自然语言处理技术，通过对语言文本中的说服写作技巧进行分类，进一步提高自动化的谣言检测的准确性与可理解性。通过利用 RoBERTa 模型的高性能，本研究提出了多种基于语言模型的基准测试，研究表明标注分类的数据可以提高谣言检测的准确性与可理解性。

    Nov, 2022

  • 基于弱监督的分层模型，预测诚信文本请求中的说服策略

    本文介绍了一种基于多领域文本语料库的计算建模方式，利用弱监督的潜变量模型来预测与每个句子相关联的说服性策略，证明该方法在语言说服方面的表现优于之前的方法，并公开了代码。

    Jan, 2021

  • 分析梗圖文本的說服策略：語言模型與改寫增強的融合

    本研究旨在通过改进模型训练方法和研究平衡与非平衡的训练数据集的影响，提高在迷因文本中多种具有说服力的技术的有效识别和分类。结果表明，使用释义进行训练可以提高模型性能，而平衡的训练集比较大但不平衡的训练集更有优势。

    Jul, 2024

  • 弱监督域名检测

    本文提出了域检测作为一项新的自然语言处理任务，介绍了编码器 - 检测器框架结合多实例学习的域检测模型，并应用于不同粒度、语言和体裁的文本中，展示了域检测在文本摘要中的潜力。

    Jul, 2019

  • 探索阿拉伯语中的说服技巧：利用大型语言模型的实证研究

    本研究针对阿拉伯社交媒体内容，利用预训练语言模型（PLMs）进行了全面的经验研究，旨在识别其中的说服技术。通过特征提取、微调和提示工程技术三种学习方法的实验比较，得出微调方法在二分类和多标签分类任务上取得了最高结果，f1-micro 分数为 0.865，f1-weighted 分数为 0.861。此外，通过使用少样本学习技术，我们观察到在性能相对较低的 GPT 模型上可以提高结果达 20％，这为未来的研究和探索方向提供了有希望的方向。

    May, 2024

  • QCRI 参加 SemEval-2023 任务 3：使用多语言模型检测新闻体裁、框架和说服技巧

    此研究旨在解决在线新闻传播中存在的虚假信息扩散的问题，使用 SemEval-2023 Task 3 来分析和验证新闻文章中的写作技巧，以影响读者的观点，研究结果表明我们的系统在 27 个测试中位列前三。

    May, 2023

  • 利用场景文本理解广告

    提出一个并不仅使用视觉特征，还使用从内嵌文本中提取的文本线索实现广告图像自动分类的框架，利用广告图像所含的有意义的文本内容，在分类任务中提供有益的语义解释，并使用现成组件开发框架来展示文本线索在语义分类任务中的有效性。

    Jun, 2018

  • 新闻文章中的可解释宣传检测

    为了应对每天都暴露在误导性和宣传性新闻文章和媒体帖子中的在线用户，我们提出了一种检测和展示这些技术的方法，以提供可解释性。特别地，我们定义了定性描述性特征，并分析了它们检测欺骗技术的适用性，同时表明我们的可解释性特征可以与预训练语言模型轻松结合，产生最先进的结果。

    Aug, 2021

  • SemEval-2021 任务 6：使用文本和多模态组合来检测有说服力的文本和图像

    本研究探讨使用 BERT 为基础的模型，通过迁移学习方式在多种表现形式的文本和图像中进行细微调整来检测饱受欢迎的疫情行销手法，如梗图。我们还尝试了不同模型的集合效果，在三个子任务上分别获得了 57.0％，48.2％和 52.1％的 F1-score。

    Jun, 2021

  • 衡量和基准大型语言模型生成有说服力语言的能力

    我们研究了大型语言模型（LLMs）产生有说服力的文本的能力，通过构建一个新的数据集 Persuasive-Pairs，用于训练回归模型来预测文本对之间的说服力得分，并讨论了系统提示中不同 'personas' 对文本的影响。

    Jun, 2024