Relative Counterfactual Contrastive Learning for Mitigating Pretrained Stance Bias in Stance Detection
通过相对反事实对比学习缓解立场检测中的预训练偏差AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要研究自然语言处理中的立场分类与模型去偏；出现结构因果模型不足以确定其属于所列计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过相对反事实对比学习缓解立场检测中的预训练偏差
- 研究问题
- 预训练语言模型携带的立场偏差难以直接量化时，如何减少其对评论与目标间立场分类的影响，同时保留语境信息？
- 方法与思路
- 作者用结构因果模型定位偏差，以掩码语言模型生成目标感知的相对立场样本，再通过反事实对比学习缓解相对偏差。
- 材料陈述的贡献
- 摘要称，RCCL 绕开绝对立场偏差难以衡量的问题，在实验中优于所比较的立场检测和去偏基线，但未报告具体幅度。
- 阅读关注点
- 应核对相对偏差与反事实样本如何定义、结构因果模型的依据，以及实验是否区分分类性能提升和偏差实质减少。
- 阅读边界
- 仅据 arXiv 预印本摘要解读，同行评审及期刊接收未经核实；摘要未说明数据集、偏差指标、识别条件或结果数值。
原文摘要
Stance detection classifies stance relations (namely, Favor, Against, or Neither) between comments and targets. Pretrained language models (PLMs) are widely used to mine the stance relation to improve the performance of stance detection through pretrained knowledge. However, PLMs also embed ``bad'' pretrained knowledge concerning stance into the extracted stance relation semantics, resulting in pretrained stance bias. It is not trivial to measure pretrained stance bias due to its weak quantifiability. In this paper, we propose Relative Counterfactual Contrastive Learning (RCCL), in which pretrained stance bias is mitigated as relative stance bias instead of absolute stance bias to overtake the difficulty of measuring bias. Firstly, we present a new structural causal model for characterizing complicated relationships among context, PLMs and stance relations to locate pretrained stance bias. Then, based on masked language model prediction, we present a target-aware relative stance sample generation method for obtaining relative bias. Finally, we use contrastive learning based on counterfactual theory to mitigate pretrained stance bias and preserve context stance relation. Experiments show that the proposed method is superior to stance detection and debiasing baselines.