本研究评估了立场检测方法的演变，从早期的机器学习方法过渡到划时代的 BERT 模型，最终到现代的大语言模型（LLMs），如 ChatGPT、LLaMa-2 和 Mistral-7B。结果强调了 LLMs 在准确检测立场方面的卓越能力，LLaMa-2 和 Mistral-7B 表现出极高的效率和潜力，值得进一步研究。

Apr, 2024

使用神经网络、自然语言处理以及高斯混合模型，对推特文本中的地理位置进行预测，在全球范围以及美国范围内实验结果的中位误差分别小于 30 公里和 15 公里。

Mar, 2023

本文提出了两个自包含教程，介绍了使用 BERT fine-tuning 和使用大型语言模型（LLMs）进行推特数据中的立场检测的方法。第一个教程解释了 BERT 架构和标记化，引导用户进行训练、调优和评估使用 HuggingFace transformers 的标准和领域特定的 BERT 模型。第二个教程专注于构建提示和少样本示例，从 ChatGPT 和开源 FLAN-T5 中获取立场而无需进行 fine-tuning。使用混淆矩阵和宏 F1 得分来实施和评估各种提示策略。这些教程提供了代码、可视化和洞察力，揭示了 ChatGPT 和 FLAN-T5 强于经过 fine-tuning 的 BERT 的优势。通过以易于理解和实用的方式涵盖模型 fine-tuning 和基于提示的技术，这些教程使学习者能够获得有关立场检测的前沿方法的应用经验。

Jul, 2023

本文旨在探讨利用用户在社交媒体上的行为特征来检测其对不同主题的立场。实验结果表明，用户的立场可以通过其相对应的社交网络特征得到比较好的检测，同时发现这些特征具有一定的隐私影响。

Aug, 2019

该研究提出了一种利用社交信息生成关系嵌入的新方法，该方法可以应用于任何语言和目标，有助于在社交网络上进行立场检测。实验证明，将我们的关系嵌入与文本方法相结合可以显著提高性能。

Oct, 2022

本文提出一种新的目标特定立场检测任务 —— 会话立场检测，旨在推断给定数据实例及其相应的会话主题的立场。为此，通过六个主要的香港社交媒体平台，使用注释技术构建基准会话立场检测（CSD）数据集，提出一种模型 Branch-BERT，将上下文信息融入到会话线程中以预测要检测的立场，实验证明该模型相较于其他基线模型能够取得更好的结果表现。

Nov, 2022

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

该研究探讨了地理隐私在增加的在线数据共享和信息收集技术进展的背景下被低估的问题，并重点关注了这些发展对个人隐私的影响。研究通过开发名为 “Dr. Watson” 的基于 GPT-4 的高级 AI 工具，从公开数据源中分析和提取地理信息，展示了这些技术的潜在风险，并揭示了当前地理隐私措施的漏洞。结论强调了在高级 AI 和广泛社交媒体使用时，加强对地理隐私泄露的意识和保护措施的紧迫性。

Nov, 2023

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

本文介绍了一种利用维基百科知识的立场检测算法 WS-BERT，通过将知识注入到立场编码中增强了算法的表现，在跨目标、少样本等多个数据集上性能显著优于现有方法。

Apr, 2022