Jun, 2020

回复和引用中的立场（SRQ）：用于学习 Twitter 会话中立场的新数据集

PDF
TL;DR通过对推特上有争议话题的帖子进行回复和引用回复的态度标注，创建了包含超过 5200 个态度标注的推特态度数据集，以提高谣言识别和用户间敌对关系判定的效果。同时，为了提高识别准确率，研究者还设计了引导标注数据选取的方法。研究表明，与单一信息源不同，收集回复和引述信息可以提高学习文本态度的准确性。
stance extractionopinion miningsocial mediatwitterdataset creation
发现论文，激发创造
  • 推文中的立场和情感

    本文介绍了一种基于社交媒体的立场检测的方法，该方法使用了情感分析来帮助检测人们的立场，同时构建了一个用于训练和测试机器学习模型的数据集，并使用了远程监督技术和词嵌入来进一步提高立场检测的准确性。

    May, 2016

  • (社交媒体数据中表达的态度) 与公共舆论调查之间的 (不) 一致性

    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

  • 当代议题倾向性预测：数据与实验

    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

  • COVMis-Stance 数据集：针对 COVID-19 误信息的 Twitter 立场检测

    本文为了解 Twitter 用户对 COVID-19 错误信息的立场，构建了一个新的 2631 个推文注释数据集，使用 MNLI 数据集和已有的 RumourEval 和 COVIDLies 数据集进行微调，评估了模型性能。结果表明，将 MNLI 和 RumourEval 以及 COVIDLies 数据集组合进行序列微调效果最佳。

    Apr, 2022

  • 探究用户激进化：一个新的数据集用于识别意见中细粒度的时间变化

    本文介绍了一个新的数据集，用于建模细微的观点波动并检测细粒度的立场。 数据集包含足够数量用户在时间范围内和整个对话线程中的站立极性和强度标签，因此在长期和短期内都可以检测到微妙的观点波动。

    Apr, 2022

  • 用于命名实体识别和立场检测的推特数据集标注

    本篇论文介绍了一份土耳其推文数据集，对其中的命名实体和立场信息进行了注释，并公开了其中的内容。它将有助于发现推文中命名实体识别和立场检测之间的可能关系。

    Jan, 2019

  • 俄语立场预测：数据与分析

    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

  • 英 — 印度混合语语料库：立场注释和基础系统

    本研究使用新的 3545 英汉混合推文数据集，研究了社交媒体用户对 2016 年印度废钞事件的观点，并提出了一个基于各种机器学习技术的监督分类系统，以实现在 10 倍交叉验证下 58.7% 的准确性。

    May, 2018

  • 多模态立场检测：新数据集和模型

    通过整合文本和图像的多模态信息，文章提出了一种简单而有效的 TMPT 框架，利用目标信息从文本和视觉模态学习多模态姿态特征，并在三个基准数据集上取得了最先进的多模态姿态检测性能。

    Feb, 2024

  • 网络和社交媒体中的立场检测：一项比较研究

    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