本研究探讨了一种基于情感和对话的特点的方法，应用于 SemEval2017 任务 8 - 子任务 A（英文推文中的谣言立场分类），用于预测 Twitter 中新兴谣言的用户立场，以支持、否认、询问或评论原始谣言，并证明了所提出的特征集的有效性。

Jan, 2019

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

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

本文提出了一种基于图卷积神经网络的层级多任务学习框架，用于同时预测 Twitter 上谣言立场和可信度，底部组件使用结构属性建模来分类谣言推文的立场，而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明，我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。

Sep, 2019

该研究针对在线上的虚假信息和误导信息的不断传播，通过使用检索到的相关文档的立场检测来解决争论真实性预测的问题，并推出了一个有多个语言支持的自动化系统来进行大规模的对抗，其中最佳的 BERT-based model 可达到 85％的准确率和 78％的宏 F1 分数。

Apr, 2021

本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。

Jul, 2020

本文主要探讨了针对不平衡数据的谣言立场分类任务评估指标的问题，并提出了新的评估指标，更能准确地反映对信息的支持和否定两种最具信息量的少数派类别。

Oct, 2020

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

本文旨在开发一个自动化、监督的分类器，使用多任务学习来分类疑点话题中每个个体推文中的立场，从而将高争议的流言标记为潜在的虚假信息。我们的分类器基于高斯过程，探究其有效性并对具有不同特征和立场分布变化的两个数据集进行探索性研究。结果表明，我们的方法始终优于其他基线分类器。特别是在估计与给定流言相关的不同类型立场的分布方面，我们的分类器非常有效。这是我们要提出的一种理想特征，用于跟踪流言并向普通 Twitter 用户和专业新闻从业者发出警告。

Sep, 2016

本文介绍了一种基于社交媒体的立场检测的方法，该方法使用了情感分析来帮助检测人们的立场，同时构建了一个用于训练和测试机器学习模型的数据集，并使用了远程监督技术和词嵌入来进一步提高立场检测的准确性。

May, 2016