该论文探讨了在阿拉伯语新闻断言验证和观点预测中使用文本蕴含的应用，并使用一个新的语料库。作者介绍了语料库的创建方法和注释过程，开发了用于两个提出的任务的两个机器学习基线：断言验证和立场预测。作者的最佳模型利用预训练（BERT），在立场预测任务上实现了 76.7 F1，在断言验证任务上实现了 64.3 F1。结果表明，尽管通过预训练学习到的语言特征和世界知识对于立场预测是有用的，但是这些学习表示对于没有上下文或证据的断言验证是不够的。

May, 2020

该研究提供了一种基于数据集的方法，支持事实检查、文献检索、来源可靠度、立场检测和论据提取这些任务之间的相互关系，从而帮助构建一个阿拉伯语事实检查语料库。

Apr, 2018

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

Stanceosaurus 为一个包含 28,033 个英语、印地语和阿拉伯语推文的新语料库，对 251 个虚假言论的立场进行了注释，并引入了更为精细的五类标签策略以区分隐含立场，预训练的基于变压器的立场分类器在未见训练数据的其他地区的言论中呈现出良好的泛化性能，语言跨度范围广。此外，该文提供了一种域自适应方法，以进一步提高在 Stanceosaurus 上的表现。

Oct, 2022

利用来自瑞士选举候选人的评论，构建了一个多语言立场检测数据集，包含 3 种语言的 67,000 条评论，预先加入自然问题代表目标，并用此训练出一种适用于所有政治问题的单一模型，使用多语言 BERT 的基线结果表明，该方法在零样本的情况下，进行跨语言和跨目标的转移效果相对成功。

Mar, 2020

本文旨在探讨如何增加现有谣言验证系统所使用的证据来源。我们定义了一项新任务，即检测 Twitter 中权威机构对流言的立场，收集了来自权威时间线的证据，并构建了第一个权威对流言立场数据集。我们研究了现有数据集对于解决该任务的效用，发现它们有所用处但不足以满足需求，因此需要增加 Twitter 权威机构的对流言立场注释数据集。

Jan, 2023

本文研究了支持态度检测的新方法，使用了基于机器学习的自适应领域转换模型，证明了其在不同领域下的检测效率。

Feb, 2019

该论文提出了一种新的基于目标立场检测方法，通过使用回复的立场来识别源推文中最重要和有争议的目标，从而构建了一个称为 ExaASC 的阿拉伯语低资源语言新语料库，使用 BERT 评估后达到了 70.69% 的宏 F1 分数，证明了该数据和模型可以在一般的基于目标的立场检测系统中使用。

Apr, 2022

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