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

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

通过对推特上有争议话题的帖子进行回复和引用回复的态度标注，创建了包含超过5200个态度标注的推特态度数据集，以提高谣言识别和用户间敌对关系判定的效果。同时，为了提高识别准确率，研究者还设计了引导标注数据选取的方法。研究表明，与单一信息源不同，收集回复和引述信息可以提高学习文本态度的准确性。

Jun, 2020

本文介绍了一个新的数据集，用于建模细微的观点波动并检测细粒度的立场。 数据集包含足够数量用户在时间范围内和整个对话线程中的站立极性和强度标签，因此在长期和短期内都可以检测到微妙的观点波动。

Apr, 2022

使用大型语言模型（LLMs）进行立场分类的研究发现，尽管LLMs在某些数据集中的准确性可以匹配甚至超过标准结果，但它们的整体准确性并不明确优于受监督模型的结果，从而揭示了LLMs在立场分类方面的改进潜力。然而，LLMs的应用为无监督立场检测开辟了新的有前途的途径，从而减少了手动收集和注释立场的需求，不仅简化了这一过程，还为扩大跨语言立场检测能力铺平了道路。通过本文，我们阐明了LLMs的立场分类能力，为该领域未来的进展提供了宝贵的见解。

Sep, 2023

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

分析了使用大型语言模型在社交媒体中自动进行文本标注的效果和准确性，并探讨了人工标注者与模型的判断差异，发现模型通常在人工标注者很难达成一致意见的情况下表现不佳，对于进一步提高自动立场检测的准确性和全面性，建议综合运用人工专业知识和模型预测的方法。

Jun, 2024

通过利用大型语言模型(LLMs)自动化人工注释过程，我们训练了多个可部署的小型语言模型来进行用户态度和教条主义的分类任务。

Jun, 2024

本研究探讨大型语言模型（LLMs）在立场分类任务中体现的政治偏见，填补了对这类偏见如何影响模型性能的研究空白。通过分析三个数据集和七个LLM，我们发现LLMs在分类政治性立场时表现出显著的性能差异，尤其在目标陈述模糊时表现较差。这一发现为理解LLMs在特定任务中的偏见提供了重要见解。

Jul, 2024

本研究针对社交媒体上关于争议话题的立场检测问题，提出了一种系统化的分析方法，以洞察公众情绪。通过回顾现有的传统和先进方法，研究发现需要构建更强大和可推广的模型，并强调关注低资源语言和多模态立场检测等新兴挑战。

Sep, 2024