迈向透明的立场检测：一种使用隐式与显式可解释性的零样本方法
计算与语言
2025-11-06 v1 机器学习
摘要
零样本立场检测（ZSSD）旨在识别帖子对未见目标的态度。现有使用对比学习、元学习或数据增强的研究存在泛化性问题，或文本与目标之间缺乏连贯性。近期利用大语言模型（LLM）进行 ZSSD 的工作，要么侧重于改进未见目标的特定知识，要么侧重于生成用于立场分析的解释。然而，这些工作大多受限于对显式推理的过度依赖，提供的解释缺乏细微差别，且未对推理过程进行显式建模，导致难以解释模型的预测。为了解决这些问题，在我们的研究中，我们开发了一种新颖的可解释 ZSSD 框架 IRIS。我们基于文本内的序列（隐式理据）隐式地提供对输入目标态度的可解释理解，并基于语言学度量（显式理据）显式地提供可解释理解。IRIS 将立场检测视为信息检索排序任务，理解不同立场的隐式理据的相关性，以在没有理据真值的情况下引导模型做出正确预测，从而提供固有的可解释性。此外，基于交际特征的显式理据有助于解码立场的情感和认知维度，为作者对给定目标的态度提供可解释的理解。在 VAST、EZ-STANCE、P-Stance 和 RFD 基准数据集上使用 50%、30% 甚至 10% 训练数据的大量实验证明了我们模型的泛化能力，这得益于所提出的架构和可解释设计。
引用
@article{arxiv.2511.03635,
title = {Towards Transparent Stance Detection: A Zero-Shot Approach Using Implicit and Explicit Interpretability},
author = {Apoorva Upadhyaya and Wolfgang Nejdl and Marco Fisichella},
journal= {arXiv preprint arXiv:2511.03635},
year = {2025}
}
备注
Accepted in AAAI CONFERENCE ON WEB AND SOCIAL MEDIA (ICWSM 2026)