本研究介绍了全球变暖立场数据集（GWSD）并训练了BERT分类器，研究了不同立场如何代表自己和彼此意见的论证中意见陈述的构建，发现自我肯定和质疑对手的表述在全球变暖接受和怀疑媒体中使用相似的语言方式，但怀疑者更多持反对观点，而作者常常将表达自己观点的意见归于公开支持对立观点的源实体，进而塑造源实体的虚伪形象。

Oct, 2020

本研究提出了逻辑谬误检测任务，并提供一个包含逻辑谬误的数据集Logic及其子集LogicClimate，希望能通过一个理解论据基础逻辑结构的新型分类器来解决传统大型语言模型效果较差的问题，该任务可作为语言模型的新型推理挑战，并在打击错误信息传播方面发挥重要作用。

Feb, 2022

本研究对狗哨进行了大规模的计算研究，开发了一种类型学并分析了其在历史美国政治家演讲中的使用。研究发现，带有狗哨的有害内容可以逃避毒性检测，从而突显了这种编码语言带来的在线风险。

May, 2023

气候变化对人类健康的影响带来了前所未有的多样化挑战，本研究运用社交媒体分析和自然语言处理技术，特别以气候变化领域为基础进行预训练模型建立和推特情感分析，以了解公众对气候变化的态度和关注点，以便决策者、研究人员和组织能够有效了解公众的认知并制定相应的气候变化对策。

Oct, 2023

本研究通过引入来自Twitter和YouTube的新数据集，揭示了whataboutism、宣传和‘Tu quoque'谬误之间的重叠和区别，并运用语义学的最新研究成果将'what about'词汇构造与whataboutism区分开来。我们的实验使用关注度权重进行负样本挖掘，取得了显著的进展，在Twitter和YouTube收集的数据中分别比最新技术方法提高了4%和10%。

Feb, 2024

应对气候变化的自动化检测引发了关于气候变化的错误信息传播以及对社会福利构成了重大威胁的紧迫需求，本研究通过开发了一个两步骤的层次模型——增强CARDS模型，专门用于检测推特上的气候异议观点，然后将其应用于2022年的六个月内的五百万条气候主题推文，并发现推特上超过一半的气候异议观点涉及对气候行动者的攻击或阴谋论，气候异议行为的激增与政治事件、自然事件、异议观点传播者或信奉者之一的出现同时发生，在自动化应对气候错误信息方面的意义也得到了讨论。

Apr, 2024

基于少样本学习的方法，以计算社会科学和网页内容分析为基础，实现对文本进行基于主张的分类，提供了一种可靠的方法来减少数据标注的需求。

May, 2024

气候变化的错误信息是一个复杂的社会问题，在技术和心理学交叉领域需要综合性、跨学科的解决方案, 本研究提出了一种“技术认知”方法，将心理学和计算机科学研究综合起来，通过解构气候变化的错误信息进行分类，培训模型以检测这些错误信息中的谬误。

May, 2024

气候变化的误导信息是解决人类面临的最严重威胁之一的关键障碍，本文研究了大型语言模型在气候信息方面的事实准确性。通过使用真假标记的问答数据对语言模型进行微调和评估，比较了开源模型，并评估它们对气候变化问题生成真实回答的能力。我们还研究了故意注入虚假气候信息的模型的可检测性，并发现这种注入可能不会影响模型在其他领域中的回答准确性。此外，我们比较了取消学习算法、微调和检索增强生成（RAG）在事实上对语言模型在气候变化主题上的基础的有效性。我们的评估揭示了取消学习算法对于微妙的概念性主张可能是有效的，尽管之前的研究发现它们在隐私情境下无效。这些见解旨在指导更具事实可靠性的语言模型的发展，并强调了保护语言模型免受误导攻击的额外工作的必要性。

May, 2024

气候变化的错误信息会带来许多负面影响，因此需要采取纠正措施。本研究开发了大型语言模型，利用事实-谬误-谬论-事实的结构，通过结构化提示生成可靠的辟谣信息，以解决错误信息问题。

Jul, 2024