本文通过社交媒体的内容和网络结构，采用基于图的三阶段管道方法对争议进行量化分析，比较了不同的争议度量方法，图构建方法和数据来源，并证明其新的基于随机游走的度量方法优于现有度量方法。

Jul, 2015

本文提供并评估了一个争议模型，它既根植于社会科学文献的发现，同时也与计算方法密切相关，通过此模型可实现对构成争议的所有重要方面的计算争议分析。

Jun, 2017

使用数据驱动方法研究新闻媒体如何处理具有争议性的问题，发现在处理这类问题时通常会出现负面情绪和有偏见的用词，而强烈的情感则会被遏制，同时不同的新闻媒体在处理争议性问题方面存在许多差异。通过这些研究发现，可以比较不同媒体对待争议话题的方式，从而粗略地指示该问题的争议程度。

Sep, 2014

本研究研究 Social Media 中的争议话题，提出了一种通过利用网络模式检测 Social Media 中争议话题的方法，该方法基于用户交互的局部模式，不需要了解自然语言，95% 的准确度比传统的句子分析方法和传播模型方法都有很大的改进。

Mar, 2017

本文主要研究如何通过 Twitter 上的两种不同的言论来生成一个明确的、具有观点感知性的结论性总结。我们的方法基于排名模型，并在五个有争议的话题上进行了测试。结果表明，我们的方法一致的优于其他技术。

Jun, 2018

研究公司的社会意识和环境可持续性的方法是通过 Twitter 数据监测争议事件，以评估公司运营能力和市场波动的影响。

Aug, 2019

我们提出了 Contropedia，它是一种利用维基百科的编辑历史记录和讨论以识别哪些主题最具争议性的工具。

Apr, 2019

本文介绍了第一个根据用户感知来定义争议性内容的问答数据集，并发现争议检测在问答过程中是必要且具有挑战性的，而争议与情感任务之间没有强关联。

Feb, 2023

我们提出了一个具有争议性的问题数据集的构建方法，通过评估不同的大型语言模型（LLMs）在这个数据集上的表现，揭示了它们如何处理具有争议性的问题以及它们采取的立场，从而为我们提供了对 LLMs 与争议性问题的互动的理解，为改进它们对复杂社会议题的理解和处理铺平了道路。

Oct, 2023

新闻报道中的偏见表现和影响是社会科学的核心主题，近年来在自然语言处理领域受到了越来越多的关注。本研究综述了社会科学的方法，并将其与自然语言处理领域中用于分析媒体偏见的典型任务表述、方法和评估指标进行了对比。我们讨论了开放性问题，并提出了可能的研究方向，以填补理论与预测模型之间及其评估之间的差距。这些包括模型透明度、考虑文档外部信息以及跨文档推理而非单一标签的分配。

Sep, 2023