该研究探讨了社交媒体立场检测的准确性问题，提出通过讽刺检测进行迁移学习的方法。利用BERT和RoBERTa模型结合卷积BiLSTM，显著提高了立场检测的表现，尤其在处理讽刺文本时，F1-score有明显改善，显示出该方法的潜在价值。

本研究提出了“CoVer”框架，利用小型语言模型（SLM）进行逻辑一致性验证，以降低对大型语言模型（LLM）的依赖，并提升社交媒体立场检测的性能。

本研究探讨社交媒体谣言与立场检测的互补性，提出了一种基于大语言模型的多实例学习方法，并通过微观博客传播模型进行弱监督。实验结果表明，该方法在多个数据集上表现优异。

本研究探讨了多模态场景中的立场检测，评估了视觉语言模型在七种语言上的表现。结果表明，这些模型更依赖文本，并且在多语言环境中预测一致性较好，为相关技术的发展提供了新见解。

本研究介绍了FarExStance，一个用于波斯语可解释立场检测的新数据集。微调的RoBERTa模型在立场检测中表现最佳，而Claude-3.5-Sonnet在解释质量上表现突出，对波斯语立场检测具有重要意义。

本研究探讨了主观自然语言处理中的意见分歧，采用多视角分类模型，结果表明其在立场检测任务中优于传统方法，强调包容性视角对负责任和伦理AI的重要性。

本研究提出了立场转化器（Stanceformer），通过目标感知矩阵增强目标注意力，提升立场检测性能，并具备良好的领域泛化能力。

本文介绍了多个用于立场检测的数据集和模型，包括推特态度数据集、MT-CSD多轮对话数据集和Branch-BERT模型。研究表明，结合用户和主题信息可以提高立场分类的准确性，并探讨了大型语言模型在不同语言和社交媒体中的应用效果。

本文介绍了立场检测领域的最新研究进展，包括利用双编码器模型和预训练语言模型提高识别准确度的方法。WS-BERT算法通过知识注入增强表现，COLA框架实现了多方面知识处理。此外，研究还涉及跨语言和会话立场检测，展示了新模型在多个数据集上的优越性能，为研究人员提供了指导。

该文综述社交媒体立场检测技术，涵盖观点挖掘、多模态与跨目标方法。研究发现，精调文本模型优于多模态模型和大模型少样本预测；CT-TN模型跨目标性能提升11%至21%；Branch-BERT用于会话立场检测；多语言数据集支持跨语言迁移；提示微调提升少样本效果。文章还指出态度检测存在时间不一致和测量误差等局限。

该文综述立场检测研究，介绍Stanceosaurus多语言语料库及其五类标签，涵盖俄语、阿拉伯语、英语等数据集，用于虚假信息、谣言和疫情等立场分类，并探讨跨语言迁移、域自适应和预训练模型方法。

多项研究探讨大语言模型模拟人类主观行为的潜力与局限：模型智能体存在偏向准确信息的固有偏差，易在科学议题上形成共识，却难以模拟持抵制观点者；引入确认偏见后可再现观点分裂。在政治模拟中，扮演具体人物且无思维链的智能体更接近人类行为，微调虽有效但有过拟合风险。模型能捕捉情绪与道德细微差别，却在立场检测上存在挑战。研究还揭示其伪装欺骗能力、文化偏见及自然语言推理表现不佳等问题。

大语言模型在政治学文本分析中具有应用潜力，可用于议会发言人归属、公共事务文件分类、模拟党派群体动态及参议员立场分析。研究表明，LLM在情绪与道德判断上表现良好，但立场检测仍具挑战；经微调后可媲美甚至优于人工标注，且更快速、成本更低，是文本编码的可行选择。

该文综述自动事实核查研究，涵盖声明优先级预测、事实核查、证明生成和立场检测等任务，涉及阿拉伯语和英语，采用BERT、RoBERTa、学习排序等方法，并发布数据集与评估脚本，以推动事实核查与声明验证的发展。

该研究通过引入COT嵌入改进了大型语言模型在社交媒体上的立场检测性能。研究发现文本编码器可以利用COT推理，但在依赖领域特定模式时可能会忽视误导性的COT推理。该模型在多个社交媒体数据集上实现了最先进的性能。