Enhancing user stance detection on social media using language models: A theoretically-informed research agenda

论文概览

本文假设基于跨学科视角明确立场的理论定义、融合用户深层心理属性并借助大型语言模型（LLMs）可突破现有立场检测局限，通过文献综述、框架构建与现有研究合成的方法，发现LLMs能有效推断用户属性并提升立场检测性能，最终得出“应转向理论驱动的用户层面立场检测，LLMs为其提供关键技术支撑”的结论，并提出四点研究议程。

核心问题

1. 现有立场检测研究缺乏对“立场”的系统性理论概念化，未充分关联其跨学科本质与用户深层属性（如心理特征、价值观）。
2. 多数研究聚焦消息层面立场检测，忽视立场本质上是用户层面的构念，且未有效利用LLMs推断用户属性的能力。
3. 现有模型在零样本、跨目标立场检测中存在局限性，数据资源缺乏用户属性多样性与多语言、纵向代表性。

主要贡献

1. 整合社会学、心理学、哲学等跨学科视角，明确立场的理论定义与分类框架，区分立场与情感、态度等相关概念。
2. 系统梳理立场检测的计算模型演进（传统机器学习、深度学习、预训练语言模型），重点分析LLMs在立场检测中的应用场景与潜力。
3. 提出融合用户深层属性（道德基础、价值观、情感）的LLM驱动立场检测路径，为解决用户层面立场检测难题提供方案。
4. 构建四点理论驱动的研究议程，为未来立场检测研究的包容性与实用性指明方向。

研究方法

1. 文献综述法：系统梳理19个学科28项研究中“立场”的定义，提炼核心主题；回顾23项LLM用于立场检测的相关研究，总结关键方法与效果。
2. 框架构建法：基于跨学科分析，构建立场形成、表现与传递的多维度框架，明确用户属性与立场的关联路径。
3. 研究合成法：整合现有计算模型的优势与不足，结合LLM的技术特性，提出融合用户属性的立场检测优化方案。

各章节详解

1. 引言（INTRODUCTION）

本章开篇点明社交媒体立场检测的广泛应用价值，涵盖虚假信息传播预测、社会政治现象分析、公共卫生应对等领域。基于社会语言学“立场三角”等理论，定义立场为“对特定目标的公开观点表达”，并区分立场与情感（立场具有目标特异性，需间接推断）。

核心指出现有研究的两大缺口：一是特征模态局限于消息层面，忽视用户深层属性；二是任务聚焦消息层面，未契合立场的用户层面本质。最后提出LLMs可通过推断用户心理属性、支持零样本学习等方式填补这些缺口，明确本文旨在构建理论驱动的用户层面立场检测研究框架。

2. 什么是立场？（WHAT IS A STANCE?）

本章通过跨学科文献分析，梳理立场的核心定义与维度： - 从定义本质看，立场是“对外部目标的公开态度、判断或世界观表达”，兼具认知（如确定性）与情感（如情绪倾向）维度，与态度的区别在于“公开表达”与“私人评估”的差异。 - 从表现形式看，立场可分为认知型（基于信念、可靠性判断）与情感型（基于情绪、感受），且具有人际互动性（如社交策略性表达）与社会规范性（如群体文化影响）。

基于此，构建立场形成-表现-传递框架：立场源于对目标的认知/情感反应，通过语言行为、互动风格、心理变化等多模态表现，最终在个人、人际或社会层面传递。

3. 在线立场推断的计算模型（COMPUTATIONAL MODELS OF ONLINE STANCE INFERENCE）

本章按模型演进脉络，分类介绍立场检测的计算方法： - 目标特异性分类：包括目标特定/多目标立场检测（局限于训练目标）与零样本立场检测（可处理未见过的目标，LLMs推动其普及）。 - 模型架构分类： 1. 传统机器学习（ML）：以SVM、逻辑回归为代表，依赖n-gram、情感特征等手工设计特征，用户层面研究较少。 2. 深度学习（DL）：基于LSTM、GRU、注意力机制等，可捕捉文本深层依赖，部分模型尝试融合社交网络特征，但仍缺乏用户深层属性利用。 3. 预训练语言模型（PLMs）：如BERTweet、RoBERTa，在立场检测中实现state-of-the-art性能，部分研究开始尝试融合道德基础等用户属性。 4. 无监督学习（UL）：通过聚类算法（如DBSCAN）处理无标签数据，依赖社交媒体活动模式，但未涉及深层用户属性。

4. 用大型语言模型增强立场检测（ENHANCING STANCE DETECTION USING LARGE LANGUAGE MODELS）

本章聚焦LLMs在立场检测中的应用与优化： - LLM的核心应用方式： 1. 增强建模管道：生成关键词、推理链等知识特征，辅助下游模型（如BART）； 2. 提示策略：Chain-of-Thought（CoT）、逻辑一致CoT（LC-CoT）等提升零样本/少样本检测效果； 3. 微调优化：通过立场相关数据或价值注入微调LLMs，提升目标适配性； 4. 多智能体系统：分配语言专家、领域专家等角色，融合多视角分析。 - 用户属性融合路径： 1. 注入人类价值观与道德基础：通过微调或提示，将Schwartz价值观、道德基础理论（MFT）等融入LLMs； 2. 整合情感与情绪：通过角色提示分析文本情感基调，但需警惕情感-立场关联带来的偏差。 - 现存挑战：LLM存在领域知识缺口、固有偏差（如政治倾向），部分场景下性能不及非LLM基线模型。

5. 用户层面立场检测的整合研究议程（AN INTEGRATIVE AGENDA FOR FUTURE RESEARCH）

本章提出四点未来研究方向： 1. 挖掘立场形成的心理基础：系统探究道德基础、价值观等心理属性与用户立场的关联机制。 2. 优化数据资源：构建包含用户深层属性、多语言、纵向追踪的“厚数据集”，提升数据代表性。 3. 拓展新兴任务：重点研究零样本/跨目标立场预测、立场社群识别等实用任务。 4. 改进LLM模型设计：开发动态多智能体架构、偏差校准网络，增强模型可解释性与中立性。

6. 结论（CONCLUSION）

本章总结现有立场检测研究的核心局限，强调“理论驱动+用户层面+LLM赋能”的研究范式转型。指出LLMs为推断用户深层属性、突破消息层面检测局限提供了关键技术支撑，未来研究需结合跨学科理论与多样化数据，推动立场检测在社会治理、公共政策等领域的实际应用。同时，多语言数据集构建与模型偏差 mitigation 将是提升研究包容性的关键。