論文の概要: Author-Informed Stance Detection: A Dataset and Findings

• arxiv url: http://arxiv.org/abs/2610.39019v1
• Date: Wed, 28 Oct 2026 22:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:03:27.806122
• Title: Author-Informed Stance Detection: A Dataset and Findings
• Title（参考訳）: Author-Informed Stance Detection: データセットと検索
• Abstract要約: 我々は、著者によるテキスト理解タスクとして、政治的スタンス検出を再設定する。 まず、人間のアノテータが個々のツイートから著者の政治的傾きやスタンスを推測するのに苦労していることを示します。 そして、著者コンテキストが人間と大言語モデルの両方の姿勢検出を改善することを実証する。
• 参考スコア（独自算出の注目度）: 1.3249299424572232
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Stance detection in social media is challenging, as interpreting a text often requires understanding the author's perspective. We re-frame political stance detection as an author-informed text understanding task, where it is desired to infer both the author's political leaning and their stance towards the target from the text. We first show that human annotators struggle to infer authors' political leanings and stances from individual tweets, and that pretrained large language models (LLMs) perform below human level in this setting. We then demonstrate that author context improves stance detection for both humans and LLMs, with particularly pronounced benefits for tweets perceived as sarcastic. Through extensive experiments, we further show that LLMs can be effectively fine-tuned to predict authors' political affiliations, and that author-informed fine-tuning yields better stance detection performance than standard fine-tuning. This approach not only surpasses human performance but also improves generalization across datasets. To support further research on author-informed political stance detection, we release a large dataset of stance-labeled tweets enriched with author-context information.
• Abstract（参考訳）: テキストを解釈する場合、著者の視点を理解する必要があるため、ソーシャルメディアでのスタンス検出は困難である。 我々は、著者の政治的傾きと、著者の目標に対する姿勢の両方をテキストから推測することが望まれる、著者インフォームドテキスト理解タスクとして、政治的スタンス検出を再設定する。 まず,人間のアノテータが個々のツイートからの政治的傾きやスタンスを推測するのに苦労し,事前学習された大規模言語モデル(LLM)が人間のレベル以下であることを示す。 そして、著者コンテキストが人間とLLMの両方のスタンス検出を改善することを実証し、特に皮肉と認識されるツイートに対するメリットを顕著に示す。 広範な実験を通じて, LLMは著者の政治的関係を予測するために効果的に微調整が可能であり, 著者による微調整により, 標準的な微調整よりも優れた姿勢検出性能が得られることを示す。 このアプローチは人間のパフォーマンスを上回るだけでなく、データセット間の一般化も改善する。 著者による政治的スタンス検出のさらなる研究を支援するために,著者・コンテキスト情報に富んだスタンスラベル付きツイートのデータセットを公開する。

関連論文リスト

• Contextualized Prompting For Stance Detection On Social Media [41.666445939998454]
  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。
  論文  参考訳（メタデータ） (2026-06-04T11:14:44Z)
• Large Language Models Unpack Complex Political Opinions through Target-Stance Extraction [1.3822821449151652]
  政治的分極は、政策、数字、問題に関する信念の複雑な相互作用から生じる。 大規模言語モデル(LLM)は、最小限の監督で複雑な政治的意見を抽出することができる。
  論文  参考訳（メタデータ） (2026-03-07T23:01:09Z)
• ExaGPT: Example-Based Machine-Generated Text Detection for Human Interpretability [62.285407189502216]
  LLM(Large Language Models)によって生成されたテキストの検出は、誤った判断によって致命的な誤りを引き起こす可能性がある。 本稿では,人間の意思決定プロセスに根ざした解釈可能な検出手法であるExaGPTを紹介する。 以上の結果から,ExaGPTは従来の強力な検出器よりも最大で40.9ポイントの精度を1%の偽陽性率で大きく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-02-17T01:15:07Z)
• NAP^2: A Benchmark for Naturalness and Privacy-Preserving Text Rewriting by Learning from Human [56.46355425175232]
  我々は,人間によって使用される2つの共通戦略を用いて,機密テキストの衛生化を提案する。 我々は,クラウドソーシングと大規模言語モデルの利用を通じて,NAP2という最初のコーパスをキュレートする。 匿名化に関する以前の研究と比較すると、人間に触発されたアプローチはより自然な書き直しをもたらす。
  論文  参考訳（メタデータ） (2024-06-06T05:07:44Z)
• Spotting AI's Touch: Identifying LLM-Paraphrased Spans in Text [61.22649031769564]
  我々は、新しいフレームワーク、パラフレーズテキストスパン検出(PTD)を提案する。 PTDは、テキスト内でパラフレーズ付きテキストを識別することを目的としている。 パラフレーズ付きテキストスパン検出のための専用データセットであるPASTEDを構築した。
  論文  参考訳（メタデータ） (2024-05-21T11:22:27Z)
• Concept-Guided Chain-of-Thought Prompting for Pairwise Comparison Scoring of Texts with Large Language Models [3.656114607436271]
  既存のテキストスコアリング手法では、大きなコーパス、短いテキストとの競合、手書きのデータが必要である。 生成的大言語モデル(LLM)を利用したテキストスコアリングフレームワークを開発した。 本稿では、Twitter上の特定の政党への反感を反映したスピーチをよりよく理解するために、このアプローチを適用する。
  論文  参考訳（メタデータ） (2023-10-18T15:34:37Z)
• Contextual information integration for stance detection via cross-attention [59.662413798388485]
  スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:04:29Z)
• Tweets2Stance: Users stance detection exploiting Zero-Shot Learning Algorithms on Tweets [0.06372261626436675]
  この研究の目的は、TwitterのパーティアカウントがTwitterで書いたことを悪用する各声明に関して、党pのスタンスを予測することである。 複数の実験から得られた結果から、Tweets2Stanceは、タスクの複雑さを考慮して、一般的な最小値である1.13の姿勢を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-04-22T14:00:11Z)

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。