本文提出一种无监督的框架，用于姿态检测，基于构建多参与者讨论的相互作用网络并从中提取每个说话者的拓扑嵌入向量，用于区分不同阶层的持观点言论者，表现出色，并且揭示了嵌入与说话者表达的赞成度之间的关系。

Dec, 2021

本研究介绍了一种新的基于半监督学习的立场检测方法 SANDS，通过构建深度特征视图和利用社交网络提供的远程监督信号，SANDS 在美国和印度两个不同政治派别下的推文数据上获得了较高的 F1 得分 0.55 和 0.49。

Jan, 2022

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

使用远程监督学习的 Word2Vec Skip-Gram 模型，以及递归神经网络，识别推文作者态度的高效系统。

Jun, 2016

该论文提出了一种基于 Stance Embedding 模型的社交网络分析方法，该模型能够识别用户在不同话题上的立场并将其通过 signed social graphs 表达，同时还能在缺少用户参与数据的情况下进行观点预测，作者使用 Twitter 数据集对该模型进行了验证，证明了 SEM 在话题分析方面的有效性。

Jan, 2022

社交媒体上的立场检测对大型语言模型（LLMs）来说是具有挑战性的，因为在线对话中的新兴俚语和口头语通常包含深层次的隐含立场标签。在这项研究中，我们通过引入 COT 嵌入来改进了 COT 提示在立场检测任务上的性能，将 COT 推理嵌入到传统的基于 RoBERTa 的立场检测流程中，从而解决了隐含立场识别的问题。我们的分析表明：1）文本编码器可以利用 COT 推理，即使存在轻微错误或幻觉，否则会扭曲 COT 的输出标签。2）当样本的预测严重依赖于领域特定的模式时，文本编码器可能会忽视误导性的 COT 推理。我们的模型在多个社交媒体收集的立场检测数据集上实现了 SOTA 性能。

Oct, 2023

本文提出了一种使用文本和网络特征进行多模态嵌入的新模型 CT-TN 来解决社交媒体中的跨目标立场检测问题，在跨目标场景下的实验结果表明，相比于现有的基线模型，CT-TN 的平均性能提高了 11% 至 21%，表明了其有效性。实验中还发现 CT-TN 在看到 300 个目标实例后能够胜过其他模型，并且网络交互分析进一步表明了利用社交特征进行跨目标立场检测具有潜力。

Jan, 2023

通过整合文本和图像的多模态信息，文章提出了一种简单而有效的 TMPT 框架，利用目标信息从文本和视觉模态学习多模态姿态特征，并在三个基准数据集上取得了最先进的多模态姿态检测性能。

Feb, 2024