本研究的重点在于将具有说服力的图像转换为多模式数据，开发用于自动化系统的多模式数据集，然后使用这个数据集对图像说服力任务进行基准测试和实验，通过开发一种说服分类方法来划分图像的说服功能和说服方式，为这一高级领域提供有用的资源。

Sep, 2022

通过对推文中的立场预测的图像的必要性进行了评估，并使用了现有的大型语言模型进行了对比，研究表明，精调的基于文本的语言模型的集合优于多模态模型和使用最新的大型语言模型进行的基于文本的少量训练数据的预测。此外，多模态模型在将图像内容摘要为自然语言时表现更好，使用上下文示例可以改善大规模语言模型的少量训练数据的性能。

Oct, 2023

该研究使用多任务学习方法将不同的论证挖掘任务相结合，利用语义和逻辑结构的相似性来提高性能，从而揭示了论证挖掘任务之间的共性，为文本中论证技巧的提取提供了整体方法。

Jul, 2023

通过引入一个涵盖辩论中各项任务的论证挖掘数据集，我们评估了多种生成基准模型，并发现虽然它们在个别任务上表现出有希望的结果，但在全部任务上的整体性能明显下降，这对于我们提出的数据集提出了挑战，需要进一步研究端到端的论证挖掘和概括。

Jun, 2024

SemEval-2021 任务 6 描述了使用文本和图像进行说服技巧检测的数据、标注指南、评估设置、结果和参与系统，共吸引了 71 个注册和 22 个团队参与。该任务的重点在于检测拼贴图中的文本中使用的说服技巧，包括检测的技巧、文本跨度和拼贴图中的技巧。结果显示，在双模态中，文本和图像都很重要，一些团队采用联合模型建模了其交互作用，并获得了增益。

Apr, 2021

Argument Mining 中通过 TILFA 框架，结合文本、图像及布局融合进行分析，优于现有方法，赢得了 Argumentative Stance Classification 子任务中的第一名。

Oct, 2023

本研究探讨使用 BERT 为基础的模型，通过迁移学习方式在多种表现形式的文本和图像中进行细微调整来检测饱受欢迎的疫情行销手法，如梗图。我们还尝试了不同模型的集合效果，在三个子任务上分别获得了 57.0％，48.2％和 52.1％的 F1-score。

Jun, 2021

研究计算论证正在被密切调查。我们建立了一个基于 BERT 体系结构的模型，细调了一个预先训练的 BERT 模型三个周期，并使用每个参数的前 512 个标记来预测两个参数是否具有相同的看法。该体系结构对于对立面立场分类任务非常有效，并提供了数据集，用于区分主题特定的正方和反方词汇。

Apr, 2020

本文提出了一个全面而大型的数据集 IAM，旨在用于一系列论证挖掘任务。文集介绍了两个新的综合论证挖掘任务，即主张提取与立场分类（CESC）以及主张 - 证据对提取（CEPE）。实验结果表明了我们提出的任务的价值和挑战，并激励了论证挖掘领域的未来研究。

Mar, 2022

该论文介绍了针对多模态机器翻译和多语言图像描述的第二个共享任务的结果。该任务涉及新的法语语言和两个新的测试集，并改变了多语言图像描述任务的测试方式，只提供图像，即图像只描述。与去年相比，多模态系统得到了改进，但纯文本系统仍然具有竞争力。

Oct, 2017