Skip to content
TheChatArchiveThe Chat Archive
gpt-4.1-mini-2025-04-14· OpenAIHugging Face LMArena Human Preference 140K

零样本立场检测(Zero-Shot Stance Detection,…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with chatgpt-4o-latest-20250326’s answer.
  1. User

    零样本立场检测(Zero-Shot Stance Detection, ZSSD)旨在目标领域数据匮乏或缺失的情况下,实现从已知目标领域到未知目标领域的立场检测任务迁移。当前研究主要采用对比学习等方法提升零样本任务的泛化能力,或通过引入外部数据进行背景知识补充,但普遍忽视了数据稀缺性问题以及社交媒体用户数据的特殊性。 针对上述问题,本文提出了一种基于内部知识的数据增强框架。该框架包含两个部分:(1)隐含目标挖掘(2)融合语义过滤的知识增强立场分类模型。具体而言,首先通过隐含目标挖掘为每条数据在无监督的在数据集内关联多个具有相似目标或隐含目标的实例,利用这些相关实例补充目标数据的上下文信息。该方法通过整合具有相同目标的数据,有效增强了目标的特征表示。在第二部分为避免补充信息对立场检测任务产生干扰,模型特别设计了包含语义过滤模块的立场分类器。 在三个基准数据集上的实验结果表明,本框架显著提升了ZSSD任务的性能表现。

    以上为一篇学术论文的的摘要,请为它按照学术论文重写

  2. Assistant

    零样本立场检测(Zero-Shot Stance Detection, ZSSD)旨在解决目标领域缺乏标注数据时的立场识别问题,实现从已知领域向未知领域的有效迁移。现有研究多聚焦于通过对比学习提升模型的泛化能力,或借助外部知识资源补充背景信息,然而普遍忽视了数据稀缺性及社交媒体用户数据的特殊属性对任务性能的影响。针对上述不足,本文提出了一种基于内部知识的数据增强框架,包含两个核心模块:(1)隐含目标挖掘,通过无监督方式在数据集内部关联多个具有相似或隐含目标的实例,丰富目标的上下文信息,从而增强目标特征表示;(2)融合语义过滤机制的知识增强立场分类模型,有效过滤补充信息中的噪声,避免对立场判别产生负面干扰。我们在三个公开基准数据集上进行了广泛实验,结果表明所提框架在零样本立场检测任务中显著优于现有方法,验证了其有效性与鲁棒性。

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.