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。