大型语言模型与立场检测：任务、方法、应用、挑战与未来方向综述
计算与语言
2026-01-21 v2 机器学习
社会与信息网络
摘要
立场检测是理解社交媒体、新闻文章和在线评论等各种平台主观内容的关键技术。近期大型语言模型（LLM）的进展正在通过引入在上下文理解、跨域泛化和多模态分析方面的新能力，革新化立场检测。尽管取得了这些进展，现有综述往往缺乏针对具体利用 LLM 进行立场检测的全面覆盖。为弥补这一关键性空白，我方的综述文章系统性地分析了立场检测领域中 LLM 的最新发展，全面考察了包括基础概念、方法、数据集、应用和新兴挑战在内的各方面内容。我们提出了一种新型分类法，用于 LLM 基于立场检测的方法，沿着三个关键维度结构化：1）学习方法，包括监督学习、无监督学习、少样本学习和零样本学习；2）数据模态，包括单模态、多模态和混合模态；3）目标关系，包括单目标、跨目标和多目标场景。此外，我们讨论了评估技术，分析了基准数据集和性能趋势，突出显示不同架构的优势和局限性。讨论了在误信息检测、政治分析、公共卫生监测和社交媒体监管等关键应用中的实际应用。最后，我们确定了诸如隐式立场表达、文化偏见和计算约束等关键挑战，同时概述了包括可解释立场推理、低资源适应和实时部署框架等前景未来方向。本综述强调了新兴趋势、开放挑战和未来方向，以指导研究人员和实践者开发由大型语言模型驱动的下一代立场检测系统。
引用
@article{arxiv.2505.08464,
title = {Large Language Models Meet Stance Detection: A Survey of Tasks, Methods, Applications, Challenges and Future Directions},
author = {Lata Pangtey and Anukriti Bhatnagar and Shubhi Bansal and Shahid Shafi Dar and Nagendra Kumar},
journal= {arXiv preprint arXiv:2505.08464},
year = {2026}
}