Rethinking stance detection: A theoretically-informed research agenda for user-level inference using language models

📄 arXiv: 2502.02074v1 📥 PDF

作者: Prasanta Bhattacharya, Hong Zhang, Yiming Cao, Wei Gao, Brandon Siyuan Loh, Joseph J. P. Simons, Liang Ze Wong

分类: cs.CL

发布日期: 2025-02-04

💡 一句话要点

重新思考立场检测：一个基于语言模型的用户级别推断的理论驱动研究议程

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 立场检测 用户级别推断 大型语言模型 用户属性 理论驱动研究

📋 核心要点

  1. 现有立场检测研究缺乏对立场概念的理论基础，并且主要关注消息级别而非用户级别。
  2. 论文提出利用预训练和大型语言模型（LLM）来推断用户级别的属性，并将这些属性融入到立场建模中。
  3. 论文回顾了使用LLM进行立场推断的研究，并提出了一个四点议程，以推动更具理论性、包容性和实用性的立场检测研究。

📝 摘要（中文）

立场检测已成为自然语言处理研究中一个流行的任务，这主要得益于特定目标的社交媒体数据的丰富性。尽管在立场检测模型、数据集和应用方面已经进行了大量的研究，但我们强调了与以下方面相关的重要差距：（i）缺乏对立场进行理论概念化，以及（ii）将立场视为个体或用户级别，而不是消息级别。在本文中，我们首先回顾了立场作为个体级别构建的跨学科起源，以突出可能有助于纳入立场检测模型的相关属性（例如，心理特征）。此外，我们认为，最近的预训练和大型语言模型（LLM）可能提供一种灵活的方式来推断此类用户级别属性和/或将其纳入立场建模中。为了更好地说明这一点，我们简要回顾和综合了新兴的关于使用LLM推断立场，特别是将用户属性纳入此类任务的研究。最后，我们提出了一个四点议程，以追求理论驱动、包容和具有实际影响的立场检测研究。

🔬 方法详解

问题定义：现有的立场检测研究主要集中在消息级别，忽略了立场作为一种个体属性的理论基础。这种方法无法捕捉到用户内在的心理特征和长期观点，导致立场检测的准确性和泛化能力受限。此外，缺乏对立场概念的深入理解，使得模型难以有效利用用户属性进行立场推断。

核心思路：论文的核心思路是重新将立场检测置于个体或用户级别，并强调立场的理论概念化。通过利用预训练和大型语言模型（LLM）的强大能力，可以有效地推断用户的相关属性（例如，心理特征），并将这些属性融入到立场建模中，从而提高立场检测的准确性和鲁棒性。

技术框架：论文并没有提出一个具体的模型架构，而是提出了一个研究议程，旨在指导未来的研究方向。该议程包括以下几个关键步骤：1) 深入研究立场的理论基础，理解其跨学科起源；2) 利用LLM推断用户级别的属性；3) 将推断出的用户属性融入到立场检测模型中；4) 评估模型的性能，并进行迭代优化。

关键创新：论文的关键创新在于其对立场检测任务的重新思考，强调了用户级别属性的重要性，并提出了利用LLM进行用户属性推断的思路。这种方法有望克服现有方法的局限性，提高立场检测的准确性和泛化能力。此外，论文提出的研究议程为未来的研究提供了指导方向。

关键设计：论文没有涉及具体的模型设计细节，而是侧重于概念和方向的指导。未来的研究需要探索如何有效地利用LLM进行用户属性推断，以及如何将这些属性融入到立场检测模型中。这可能涉及到设计新的损失函数、网络结构或训练策略。

📊 实验亮点

论文没有提供具体的实验结果，而是侧重于理论分析和研究方向的指导。其主要贡献在于提出了一个更具理论性和实用性的立场检测研究议程，并强调了用户级别属性的重要性。未来的研究可以基于该议程，探索更有效的立场检测方法，并评估其在实际应用中的性能。

🎯 应用场景

该研究成果可应用于舆情分析、虚假信息检测、政治倾向预测等领域。通过更准确地理解用户立场，可以帮助识别网络上的极端观点、操纵行为和潜在的社会风险，从而为维护网络安全和社会稳定提供支持。此外，该研究还可以用于个性化推荐系统，根据用户的立场和偏好，提供更符合其需求的信息和服务。

📄 摘要（原文）

Stance detection has emerged as a popular task in natural language processing research, enabled largely by the abundance of target-specific social media data. While there has been considerable research on the development of stance detection models, datasets, and application, we highlight important gaps pertaining to (i) a lack of theoretical conceptualization of stance, and (ii) the treatment of stance at an individual- or user-level, as opposed to message-level. In this paper, we first review the interdisciplinary origins of stance as an individual-level construct to highlight relevant attributes (e.g., psychological features) that might be useful to incorporate in stance detection models. Further, we argue that recent pre-trained and large language models (LLMs) might offer a way to flexibly infer such user-level attributes and/or incorporate them in modelling stance. To better illustrate this, we briefly review and synthesize the emerging corpus of studies on using LLMs for inferring stance, and specifically on incorporating user attributes in such tasks. We conclude by proposing a four-point agenda for pursuing stance detection research that is theoretically informed, inclusive, and practically impactful.