論文の概要: Contextualized Prompting For Stance Detection On Social Media

• arxiv url: http://arxiv.org/abs/2606.06022v1
• Date: Thu, 04 Jun 2026 11:14:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.745784
• Title: Contextualized Prompting For Stance Detection On Social Media
• Title（参考訳）: ソーシャルメディアにおけるスタンス検出のための文脈的プロンプト
• Authors: Tilman Beck, Shakib Yazdani, Simon Kruschinski, Marcus Maurer, Iryna Gurevych,
• Abstract要約: ソーシャルメディアでのスタンス検出は、短く、騒々しく、文脈に依存した言語のために困難である。 大規模言語モデルに文脈情報を組み込むことによる影響について検討する。 文脈情報の統合は,特定の条件下でのみ性能を向上させる。
• 参考スコア（独自算出の注目度）: 41.666445939998454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stance detection on social media is challenging due to short, noisy, and context-dependent language. While large language models (LLMs) show zero-shot generalization, they are typically prompted without contextual information, which limits their ability to interpret ambiguous posts. In this work, we systematically investigate the impact of incorporating real-world (e.g., user biographies), derived (e.g., political party), and LLM-generated (e.g., target descriptions) contextual features into zero-shot prompting for stance detection on Twitter. Our evaluation spans four benchmark datasets, including a new high-quality German Twitter stance dataset. Across multiple LLMs, we find that integrating contextual information improves performance, but only under specific conditions. LLM-generated target descriptions consistently enhance accuracy, while other user metadata has mixed or even detrimental effects. Notably, we show that the inclusion of other tweets by the same user, often beneficial in supervised learning, can impair performance due to input noise. Our qualitative analysis reveals that LLMs struggle to distinguish task-specific useful information from irrelevant context. Our findings highlight both the promise and challenges of prompting with context information in noisy real-world settings. We publish code and data at this \href{https://github.com/tilmanbeck/stance-context-twitter}{page}.
• Abstract（参考訳）: ソーシャルメディアでのスタンス検出は、短く、騒々しく、文脈に依存した言語のために困難である。 大きな言語モデル(LLM)はゼロショットの一般化を示すが、通常は文脈情報なしで誘導されるため、曖昧な投稿を解釈する能力は制限される。 本研究では、実世界(例えば、ユーザ伝記)、派生(例えば、政党)、LLM生成(例えば、ターゲット記述)の文脈的特徴をゼロショットに組み込んで、Twitter上でスタンス検出を行う効果を体系的に検討する。 評価は4つのベンチマークデータセットにまたがっており、その中にはドイツのTwitterスタンスデータセットも含まれている。 複数のLLMにおいて、コンテキスト情報の統合は性能を向上させるが、特定の条件下でのみ性能が向上する。 LLM生成したターゲット記述は精度を一貫して向上させ、他のユーザーメタデータは混合あるいは有害な影響も与えている。 特に、同じユーザによる他のツイートを含めることが、しばしば教師付き学習において有益であり、入力ノイズによってパフォーマンスを損なう可能性があることを示す。 質的な分析から,LLMはタスク固有の有用な情報と無関係なコンテキストを区別するのに苦労していることが明らかとなった。 本研究は,騒音の多い実環境におけるコンテキスト情報の利用を促進させる可能性と課題の両面を浮き彫りにした。 私たちはこの \href{https://github.com/tilmanbeck/stance-context-twitter}{page} でコードとデータを公開します。

関連論文リスト

• Beyond Facts: Benchmarking Distributional Reading Comprehension in Large Language Models [67.09110757873142]
  本研究では,LLMが自然言語から分布的知識を推測する能力を評価するための読解的ベンチマークであるText2DistBenchを紹介する。 映画と音楽のエンティティに関する実際のYouTubeコメントから構築されたこのベンチマークは、エンティティメタデータと関連するコメントを含むモデルを提供する。 信頼性と長期的な評価をサポートするため、Text2DistBenchの構築パイプラインは完全に自動化され、継続的に更新され、新たに登場したエンティティが組み込まれる。
  論文  参考訳（メタデータ） (2026-03-13T19:26:08Z)
• PoSh: Using Scene Graphs To Guide LLMs-as-a-Judge For Detailed Image Descriptions [55.95282725491425]
  PoShは、LLMs-as-a-Judgeをガイドするために、シーングラフを構造化ルーリックとして使用する詳細な画像記述のメトリクスである。 PoShはレプリカ可能で、解釈可能で、既存のメトリクスよりも人間のレーダのプロキシが優れている。 我々は,オープンウェイトな選択肢よりも,DOCENTにおける人間の判断とPoShの相関が強いことを示す。
  論文  参考訳（メタデータ） (2025-10-21T20:30:20Z)
• Is External Information Useful for Stance Detection with LLMs? [1.0610707915233728]
  以前の研究は、ウィキペディアからの抜粋など外部情報の使用が姿勢検出性能を向上させることを示唆していた。 我々はWikipediaとWeb検索の外部情報がどのように姿勢検出に影響を及ぼすかを体系的に評価する。 このような情報がほとんどの場合性能を低下させ、マクロF1スコアは27.9%まで低下する。
  論文  参考訳（メタデータ） (2025-07-02T09:53:41Z)
• LLM-based Semantic Augmentation for Harmful Content Detection [5.954202581988127]
  本稿では,大規模言語モデルに対して,雑音の多いテキストをきれいにし,文脈に富んだ説明を提供するアプローチを提案する。 我々はSemEval 2024マルチラベルPersuasive Memeデータセットを評価し、Google Jigsawの有毒なコメントとFacebookの憎しみのあるミームデータセットで検証した。 その結果, 教師付きモデルと比較して, ゼロショットLLM分類はこれらの高文脈タスクでは不十分であることが判明した。
  論文  参考訳（メタデータ） (2025-04-22T02:59:03Z)
• Rolling the DICE on Idiomaticity: How LLMs Fail to Grasp Context [12.781022584125925]
  我々は、LLMが文脈を効果的に利用して慣用的意味を曖昧にすることができるかどうかをテストするために設計された、新しい対照データセットを構築した。 以上の結果から, LLMは周囲の状況に適応する必要がある場合, 慣用性の解決に失敗することが多いことが判明した。 コードとデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-10-21T14:47:37Z)
• LLMs' Reading Comprehension Is Affected by Parametric Knowledge and Struggles with Hypothetical Statements [59.71218039095155]
  言語モデルの自然言語理解(NLU)能力を評価するための主要な手段として、読解理解(RC)があげられる。 文脈がモデルの内部知識と一致している場合、モデルの回答がコンテキスト理解に由来するのか、あるいは内部情報から生じるのかを識別することは困難である。 この問題に対処するために、架空の事実や実体に基づいて、想像上のデータにRCを使うことを提案する。
  論文  参考訳（メタデータ） (2024-04-09T13:08:56Z)
• HICL: Hashtag-Driven In-Context Learning for Social Media Natural Language Understanding [15.743523533234224]
  本稿では,ソーシャルメディア上での自然言語理解のための新しいハッシュタグ駆動型インコンテキスト学習フレームワークを提案する。 我々の目標は、モデル#Encoderがトピック関連セマンティック情報を組み込むことで、トピック関連投稿を検索できるようにすることである。 In-context NLUベンチマークを作成するために4500万のつぶやきを収集し、7つの下流タスクの実験結果から、HICLは過去の最先端の成果を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-08-19T11:31:45Z)
• Local-Global Video-Text Interactions for Temporal Grounding [77.5114709695216]
  本稿では,テキストクエリに関連するビデオの時間間隔を特定することを目的とした,テキスト間時間グラウンドリングの問題に対処する。 そこで本研究では,テキストクエリにおける意味句の中間レベルの特徴の集合を抽出する,新しい回帰モデルを用いてこの問題に対処する。 提案手法は,ローカルからグローバルへのコンテキスト情報を活用することにより,目標時間間隔を効果的に予測する。
  論文  参考訳（メタデータ） (2020-04-16T08:10:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。