大型语言模型（LLMs）在立场分类中展现出潜力，尽管整体准确性未必优于传统模型。研究表明，LLMs能够简化无监督立场检测，减少手动标注需求。本文探讨了LLMs在多语言和复杂语言中的应用，强调其在自动立场检测中的有效性，尤其是ChatGPT的表现与有监督学习相当。

本文介绍了多个论证挖掘相关的数据集和任务，如IAM、DebateSum和Mocheg，探讨了主张提取、立场分类和多模态事实核查等技术。研究表明，多任务学习和多语言模型能够提升论证挖掘的性能，并提出了新的基准测试和评估方法。

本文探讨了大型语言模型（LLMs）在立场分类中的应用，尽管其整体准确性未必优于传统模型，但为无监督立场检测提供了新途径。研究介绍了使用BERT和ChatGPT进行立场检测的教程，展示了其在多语言和低资源环境中的有效性，强调了模型的可用性和准确性。

使用大型语言模型进行立场分类的准确性并不明确优于受监督模型的结果，但其应用为无监督立场检测开辟了新的途径，为跨语言立场检测能力的扩大铺平了道路。该研究为该领域未来的进展提供了宝贵的见解。

该研究探讨了使用大型语言模型进行立场分类的准确性和潜力。结果显示，LLMs在某些数据集中的准确性可以匹配或超过标准结果，但整体准确性并不明确优于受监督模型的结果。然而，LLMs的应用为无监督立场检测开辟了新的途径，减少了手动收集和注释立场的需求，并为扩大跨语言立场检测能力铺平了道路。