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

该论文研究了如何利用情感分析、面向方面的情感分析和立场检测等机器学习技术以开发部分自动化的虚假新闻检测系统，并使用 COVID-19 散布虚假信息的四个数据集来测试这些技术的有效性

Nov, 2021

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

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

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

本教程旨在介绍立场检测领域的最新研究进展，并为有兴趣的研究人员和实践者提供开放的研究方向。立场检测是一个新兴的研究课题，利用给定的内容确定对于特定目标或目标集的立场，在各个领域中有着重要的应用机会。本教程包含两个部分，其中第一部分概述了立场检测的基本概念、问题、方法和资源，而第二部分涵盖了立场检测的开放性研究方向和应用领域。本教程将是立场检测、社交媒体分析、信息检索和自然语言处理领域研究人员和实践者的有用指南。

Oct, 2022

本文通过对推特的开放态度分类，介绍了一种简单且高效的分类方法。该方法利用了一组新颖的、可自动识别的问题特定特征，显著提高了分类器准确性，同时在新近的基准数据集上获得了超过最先进的结果。这质疑了在进行基于态度的分类之前使用复杂模型而不先进行知情特征提取的价值。

Aug, 2017

社交媒体兴起以来，越来越多的网民在线上分享和阅读帖子和新闻。然而，泛滥于互联网的大量错误信息（例如虚假新闻和谣言）会对人们的生活产生负面影响，这引发了对谣言和虚假新闻检测的热门研究课题。网民在社交媒体帖子和新闻中表达的情绪和情感是帮助区分虚假新闻和真实新闻，以及理解谣言传播的重要因素。本文全面回顾基于情绪的误信息检测方法。我们首先解释情绪与误信息之间的紧密联系。接着，我们详细分析了多种基于情绪、情感和立场特征的误信息检测方法，描述它们的优势和劣势。最后，我们讨论了基于大型语言模型的基于情绪的误信息检测面临的一些挑战，并提出了未来的研究方向，包括数据收集（多平台、多语言）、标注、基准测试、多模态以及可解释性。

Nov, 2023