- WIBA：关于争论的内容是什么？一种综合思路的论证挖掘方法
WIBA 是一个新框架和方法套件，能够全面理解在不同上下文中正在被争论的内容，通过 fine-tuning 和 prompt-engineering 的方法实现了三个任务的逻辑依赖的综合框架，包括检测争论的存在、主题和立场，在三个能力上表现 - 基于极大语言模型的谣言评估
利用会话式引导工程的大型语言模型来对抗数字虚假信息，通过扩展 RumourEval 任务的研究努力，从事推特数据集的真实性预测和立场分类，以 AI 社会公益为主要目标。
- Stanceosaurus 2.0: 对俄语和西班牙语虚假信息进行态度分类
通过将西班牙语和俄语纳入 Stanceosaurus 2.0 框架，从而提供了 41 个误传事件中的 3,874 个西班牙语和俄语推文，以支持与多文化误传相关的研究，并通过使用零射多语言 BERT 进行跨语言转移来证明了立场分类作为识别多元 - 超越情感：利用主题指标进行政治立场分类
这项研究介绍了主题度量，从提取的主题转换而来的虚拟变量，作为情绪度量的替代和补充，用于态度分类；通过使用 Bestvater 和 Monroe（2023）确定的三个数据集，本研究展示了 BERTopic 在提取连贯主题方面的熟练程度以及主题 - ACLAQE: 通过四元组标记增强的生成方法提取论证四元组
该研究提出了一个新的任务 - argument quadruplet extraction， 旨在提供四种互相关联的论证组成部分提取，即声明、证据、证据类型和立场，并通过构建一个数据集，并提出了一种基于生成模型的新方法来解决任务。
- 评估目标参数在谣言态度分类中的作用
本文研究了社交媒体中谣言立场分类（RSC）问题中，目标感知模型与无目标模型的表现。结果发现，模型的表现过度依赖表面信号，高频的目标无关回复将目标感知模型的性能掩盖，加大了训练中目标实例被视为噪声的风险。
- ACL基于结论的对抗性论点生成
本文研究如何利用多任务学习来生成经过反驳的论点，并提出了一个基于立场分类的排名组件来选择最优的反驳。评估结果表明，该方法比强基线生成的反驳更相关且立场更明确。
- 论证主题本体
该论文通过第一次全面调查话题覆盖范围，从三个权威来源比较话题集合，找出语料库与其频繁讨论的话题重合度最高，发现大多数语料库覆盖公共在线论坛上经常讨论的话题。但是，这些语料库还没有涵盖来自权威来源的其他话题，揭示了未来语料库建设的有趣方向。
- 运用语篇关系进行距离微调以进行立场分类
本论文提出了一种新的方法，通过提取特定的语篇关系信息从原始文本中提取带有银标签的数据，以微调用于态度分类的模型并提出了一个 3 阶段的训练框架，实现了从最嘈杂的数据到最少噪音的数据不断降噪。实验结果表明，自动注释的数据集以及 3 阶段训练有 - ACL衡量有所侧重：谣言立场分类的案例
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。
- 同侧立场分类任务：通过微调 BERT 模型促进论点立场分类
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 - DAN: 对新领域进行情感倾向分类器的双视图表示学习
本文提出了一种基于双视图适应网络的领域自适应方法，通过识别领域间语言表达不同的立场表达类型，并将其分别学习适应，进而结合两个视图的部分最佳适应部分，以提高不同域中的立场数据匹配，进而提升单一视图状态下的方法。
- EMNLP基于一致性线索的立场分类
本文提出了一种利用 BERT 表征和新颖的一致性约束进行立场分类的神经网络模型，并在包括辩论网站在内的多个网站上的数据集上进行了实验，证明了我们的方法比现有基线方法更为有效。
- ACLBUT-FIT 在 SemEval-2019 任务 7 中：使用预训练的深度双向 Transformer 来确定谣言立场
本文描述了我们提交到 SemEval 2019 任务 7 的系统：RumourEval 2019：确定谣言真实性和谣言支持，子任务 A。我们使用姿态分类来确定帖子关于前一贴和源贴的谣言立场。本文使用基于 BERT 架构的端到端系统，没有手工 - 利用情感信息和对话结构进行 Twitter 谣言分析的立场分类
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 - 针对虚假新闻挑战赛立场检测任务的回顾性分析
本研究深入分析了 2017 年虚假新闻挑战的实验设置，提出了适用于少数类别的新的评估度量标准，并提出了一个表现与最佳系统相当的新型特征丰富的堆叠 LSTM 模型，同时对其在领域内和领域间的推广效果进行了定量和定性的研究。
- 全能型协同学习：谣言辨别
本文提出一种多任务学习方法，将谣言检测、跟踪、立场分类等环节相结合，从而改善谣言验证性能，并探究了数据集属性与多任务学习模型输出结果之间的联系。
- ACL使用自注意力网络进行跨目标立场分类
本文提出了一种基于神经网络的模型，用于将源目标的学习信息应用于目标分类的问题，表现出了在某些场景下，可为不同目标之间的泛化提供改进的有用信息。
- 简单的开放态度分类用于谣言分析
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 - Turing 在 SemEval-2017 Task 8 中：使用 Branch-LSTM 的序贯方法进行谣言立场分类
本论文阐述了团队 Turing 参加 SemEval 2017 RumourEval：确定谣言真实性和支持谣言（SemEval 2017 任务 8，子任务 A）的挑战，并通过提出一种基于 LSTM 的顺序模型，对讨论谣言的一组 Twitte