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

本文通过确定立场检测任务的定义，提供了一个通用框架，并提供了三种不同的方法来执行立场检测：监督式分类、NLI 分类器的零样本分类和上下文学习。此外，本文论述了零样本和少样本语言分类器的应用和局限性与监督分类器的不同，并通过复制 Block Jr 等人 (2022) 的方法演示了零样本立场检测的应用。

May, 2023

使用双编码器模型将来自不同来源的上下文信息与预训练语言模型相结合，提高文本领域内作者立场识别的准确度。

Nov, 2022

本文提出了基于预训练语言模型（PLMs）的提示微调方案，以实现针对不同目标的在有限数据情况下的态度检测，通过设计面向目标的提示和提出新的翻译，来有效实现本文提出的方法，实验结果表明我们的模型在全数据和少样本场景下均具有优越的性能。

Jun, 2022

针对多样观点的新闻推荐系统，识别两个新闻文章是否表达相同观点是至关重要的。本文探讨少样本立场检测的操作化选择的稳健性，特别关注不同主题下的立场建模。实验测试了预注册的关于立场检测的假设，比较了两种立场任务定义（正 / 反对与同一立场），两种 LLM 架构（双编码与交叉编码）以及添加自然语言推理知识，使用预训练的 RoBERTa 模型在来自 7 个不同立场检测数据集的 100 个样本中进行训练。我们的一些假设和之前的结果得到了证实，而其他结果则更不一致。同一立场定义的效果在不同数据集上有所不同，并受到其他建模选择的影响。我们没有发现训练样本中训练主题数量与性能之间的关系。总体上，交叉编码的性能优于双编码，并且将 NLI 训练添加到我们的模型中会显著改善，但这些结果在所有数据集上并不一致。我们的结果表明，在寻找稳健的 ' 立场 ' 建模选择时，需要包含多个数据集和系统建模实验。

Apr, 2024

本文研究如何利用直觉表示捕捉话题之间的隐式关系，提出了一种适用于零样本学习的立场检测模型，并提出了一个新的数据集用于测试。结果表明，这个模型在许多有挑战性的语言现象上表现得更好。

Oct, 2020

本文旨在研究大型语言模型在对于语言数据集难以获得的语言，如形态复杂、资源较少的语言中进行自动立场检测的适用性，同时探索了 ChatGPT 作为一种全零样本分类器的可行性，结果表明 ChatGPT 的性能可与有监督学习相当。最佳模型的应用还可用于研究爱沙尼亚主流新闻来源和右翼民粹主义新闻来源在七年间的历时趋势，并探讨立场变更与现实事件的对应关系，这为新闻分析和媒体监测提供了一个更为简单和省钱的文本分类任务的替代方案。

May, 2023

本文研究了跨语言立场检测，提出了一种新颖的对抗语言适应方法应用于记忆网络，确保源语言和目标语言之间的立场对齐，可以有效地处理目标语言中标注数据有限的挑战。实验结果表明，与当前最先进的方法相比，该方法的有效性得到了证明。

Oct, 2019

本文研究了无样本态度检测的开放域问题，并提出使用间接监督和弱监督相结合的方法解决该问题，实验证明该方法可以取得比有监督方法更好的效果。

Oct, 2022

文章提出一种包含情感、常识知识，并使用图自编码器模块获得常识知识的态度检测模型，通过在零样本设置下比较，研究结果显示该模型在 VAST 基准数据集上的表现优于现有最先进的方法。

Aug, 2022