我们提出了一个辩论战术的框架，用于统一争议的各种方面，并注释了来自维基百科讨论页面的 213 个争议，使用变压器模型是预测争议战术的最佳选择。

Dec, 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

提出并评估了一种基于情感分析的在线争议检测方法，使用句子级情感表达序列作为分类器的特征，结果表明使用情感标记特征的分类器优于不使用，最佳模型在基于新创建的 Wikipedia Talk 页面争议集的测试中获得了 0.78 的 F1 得分和 0.80 的准确性。

Jun, 2016

在线讨论中存在分歧，个人价值观的差异是在线讨论分歧的指示；我们通过先进的模型估计在线讨论的价值观，并将其聚合成价值观档案，发现价值观档案的差异与特定情况下的分歧相关，并发现将价值信息纳入协议预测可以提高性能。

Oct, 2023

本文研究了 Wikipedia 上的编辑战的动态特征，并基于以前建立的算法建立了争议性和和平性文章的样本，并分析了这些样本的时间特征。在短时间尺度上，我们证明了冲突和活动模式的突发性之间存在明显的对应关系，并且记忆效应在争议中起重要作用。在长时间尺度上，我们确定了文章整体行为的三种不同的发展模式。我们能够区分最终导致共识的情况和妥协难以实现的情况。最后，我们分析了讨论网络，并得出结论，编辑战主要由少数编辑人员进行。

Feb, 2012

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

本研究探讨自然语言推理中的不一致性注释是如何产生的，并识别了 10 种引起不一致的原因，其中某些不一致是由于句子意义的不确定性，而另一些则是由于注释者偏见和任务工件的存在。我们通过两种建模方法来检测存在潜在分歧的文本项目：一个比标准 NLI 标签多一个 “复杂” 标签的四分类方法，和一个多标签分类方法。我们发现多标签分类方法更具表现力，并对数据的可能解释提供了更好的召回率。

Sep, 2022

本文通过社交媒体的内容和网络结构，采用基于图的三阶段管道方法对争议进行量化分析，比较了不同的争议度量方法，图构建方法和数据来源，并证明其新的基于随机游走的度量方法优于现有度量方法。

Jul, 2015

我们提出了 Contropedia，它是一种利用维基百科的编辑历史记录和讨论以识别哪些主题最具争议性的工具。

Apr, 2019