💬 NLP

Zero-Shot Stance Detection in the Wild: Dynamic Target Generation and Multi-Target Adaptation

Este artigo propõe uma nova tarefa de detecção de postura zero-shot chamada DGTA, que identifica múltiplos alvos dinâmicos e suas posturas sem conhecimento prévio, demonstrando que modelos de linguagem de grande escala ajustados, particularmente por meio de estratégias de dois estágios e integradas, alcançam desempenho superior em um novo conjunto de dados de redes sociais chinesas.

Autores originais: Aohua Li, Yuanshuo Zhang, Ge Gao, Bo Chen, Xiaobing Zhao

Publicado 2026-02-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Aohua Li, Yuanshuo Zhang, Ge Gao, Bo Chen, Xiaobing Zhao

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está caminhando por um mercado movimentado e caótico (como um feed de rede social). Nesse mercado, as pessoas estão gritando opiniões sobre tudo: políticos, novos celulares, times de esportes e ideias abstratas como "liberdade" ou "ganância corporativa".

O Problema: O Detetive "Cego"
Programas de computador tradicionais projetados para entender essas opiniões (chamados de "Detecção de Postura") são como detetives que só trabalham quando recebem um "Cartaz de Procurado" específico. Se você disser: "Descubra o que as pessoas pensam sobre a Tesla", eles podem fazer um ótimo trabalho. Mas se alguém se aproximar e disser: "A Tesla é ótima, mas a BYD é melhor, e a NIO é estranha", o detetive tradicional trava. Ele não sabe que deve procurar pela BYD ou NIO porque elas não estavam na lista original. Ele fica parado esperando por um alvo predefinido.

A Solução: O Detetive "Selvagem"
Os autores deste artigo propõem um novo tipo de detetive: o modelo DGTA (Geração de Alvos Dinâmicos e Adaptação Multi-Alvo). Em vez de precisar de um "Cartaz de Procurado", este detetive é treinado para entrar no mercado selvagem, ouvir a conversa e dizer:

"Ei, ouvi alguém falando da Tesla."
"Oh, e eles também estão mencionando a BYD."
"E a NIO também."
"Agora, deixe-me descobrir se eles gostam ou não de cada uma."

Isso é chamado de Detecção de Postura Zero-Shot no Selvagem (Zero-Shot Stance Detection in the Wild). O computador tem que inventar a lista de alvos sobre a hora e descobrir a opinião para cada um, tudo de uma vez.

Como Eles Construíram o Campo de Treinamento
Para ensinar este novo detetive, os pesquisadores não puderam usar apenas livros didáticos antigos. Eles tiveram que construir um novo campo de treinamento massivo usando postagens reais de redes sociais chinesas (Weibo).

A Multidão: Eles coletaram mais de 125.000 postagens de 240 usuários diferentes.
A Limpeza: Eles removeram emojis, links e nomes de usuários para deixar apenas o texto puro.
Os Professores: Eles não contrataram apenas um humano para rotular os dados. Eles usaram um "comitê" de três modelos de IA diferentes para rotular as postagens. Se dois de três concordassem sobre qual era o alvo e qual era a opinião, eles mantinham a postagem. Se discordassem, eles a descartavam. Então, especialistas humanos fizeram a dupla checagem do trabalho.
O Resultado: Um conjunto de dados de alta qualidade com cerca de 71.000 postagens, cobrindo desde desabafos de alvo único até argumentos complexos envolvendo três ou quatro tópicos diferentes em uma única frase.

Os Métodos de Treinamento: Um Passo vs. Dois Passos
Os pesquisadores testaram duas maneiras diferentes de treinar seus "Modelos de Linguagem de Grande Escala" (cérebros de IA super inteligentes) para realizar este trabalho:

O Chef "Tudo em Um" (Estratégia Integrada): Este modelo recebe a instrução: "Leia este texto, encontre todos os alvos e diga a opinião para cada um, tudo de uma vez só". É como um chef que pica, cozinha e monta o prato simultaneamente.
A Linha de Montagem (Estratégia de Dois Estágios): Isso divide o trabalho.
- Estação 1: Um modelo lê o texto e apenas lista os alvos (como um scanner lendo códigos de barras).
- Estação 2: Um modelo diferente pega essa lista e o texto original para decidir se a opinião é positiva, negativa ou neutra. É como ter uma pessoa que encontra os ingredientes e uma segunda pessoa que cozinha.

Os Resultados: Quem Venceu?
Eles testaram esses modelos contra programas mais antigos e simples e contra modelos que apenas leem instruções sem serem especialmente treinados (modelos de prompt).

Os Vencedores: Os modelos de IA especialmente treinados (ajustados/fine-tuned) esmagaram a competição.
O Vencedor "Tudo em Um": Um modelo chamado DeepSeek-R1 (que foi treinado para "pensar" antes de responder) tornou-se o melhor em descobrir as opiniões. Ele obteve uma pontuação de 79,26% de precisão.
O Vencedor "Dois Passos": Um modelo chamado Qwen2.5 foi o melhor em apenas encontrar os alvos, pontuando 66,99%.
A Lição: Treinar a IA especificamente para este trabalho bagunçado do mundo real a tornou muito melhor do que apenas dar uma instrução genérica. Além disso, modelos que foram ensinados a "raciocinar" (pensar passo a passo) tiveram um desempenho melhor do que aqueles que apenas chutavam.

Os Desafios (Onde o Detetive Tropeça)
Mesmo os melhores modelos tiveram dificuldades em situações específicas:

Muitos Alvos: Quando uma frase tinha três ou quatro tópicos diferentes, os modelos ficavam confusos e começavam a misturá-los.
Significados Ocultos: Se alguém usasse sarcasmo ou uma metáfora (como dizer "Apple casando com uma pastora de vacas" para significar uma parceria ruim), os modelos às vezes perdiam o tom negativo e achavam que era neutro.
Alvos Vagos: Se o alvo não fosse um nome claro (como "Trump"), mas uma ideia abstrata (como "a injustiça do sistema"), os modelos tinham dificuldade em defini-lo exatamente, embora fossem bons em encontrar que algo estava sendo discutido.

Em Resumo
Este artigo introduz uma nova maneira de ensinar computadores a entender discussões em redes sociais sem precisar de uma lista pré-fabricada de tópicos. Ao construir um conjunto de dados massivo e cuidadosamente verificado, e ao treinar modelos de IA para "pensar em tudo" ou "trabalhar em uma linha de montagem", eles criaram um sistema que pode detectar automaticamente sobre quem as pessoas estão falando e o que pensam deles, mesmo no caos imprevisível do "selvagem" da internet.

Resumo Técnico: Detecção de Postura Zero-Shot em Ambiente Real com Geração Dinâmica de Alvos e Adaptação Multi-Alvo (DGTA)

1. Definição do Problema

A pesquisa atual em detecção de postura opera predominantemente sob uma configuração restrita onde os alvos são predefinidos, estáticos e conhecidos antes da inferência. No entanto, os ambientes reais de redes sociais apresentam uma realidade mais complexa: os alvos não são predefinidos nem estáticos. Eles são dinâmicos, frequentemente múltiplos por texto, e podem ser implícitos ou abstratos (ex: eventos específicos, ações ou estados conceituais). Abordagens existentes, como adaptação de alvo não supervisionada ou tarefas de extração de alvo único, dependem de listas de candidatos ou falham em lidar com a identificação simultânea de múltiplos alvos desconhecidos dentro de uma única postagem.

Para preencher essa lacuna, os autores propõem uma nova tarefa: Detecção de Postura Zero-Shot em Ambiente Real com Geração Dinâmica de Alvos e Adaptação Multi-Alvo (DGTA). Esta tarefa exige que um modelo:

Identifique automaticamente todos os alvos de postura em um texto sem conhecimento prévio do espaço de rótulos dos alvos.
Determine a postura (Apoio, Contra ou Neutro) para cada alvo identificado.
Forneça um conjunto de pares alvo-postura dinâmicos, lidando com números variáveis de alvos por instância.

2. Metodologia

2.1 Construção do Dataset

Os autores construíram um dataset de detecção de postura de redes sociais chinesas de alta qualidade e multi-domínio, compreendendo 70.931 amostras anotadas.

Coleta de Dados: As postagens foram coletadas de 240 usuários diversos do Weibo, resultando em um pool inicial de 125.176 entradas.
Pipeline de Anotação: Um fluxo de trabalho rigoroso foi empregado envolvendo:
- Anotação Colaborativa por LLM: Três LLMs principais (GLM4-9B, Qwen2.5-7B, Llama3-8B) realizaram a identificação de alvos e a determinação de postura de forma cascata.
- Validação Cruzada: Amostras só eram aceitas se pelo menos dois modelos concordassem tanto no alvo (entidade) quanto na postura.
- Pontuação e Correção: Um modelo secundário (DeepSeek-V3) pontuou as amostras válidas, com instâncias de baixa pontuação sendo sinalizadas para revisão.
- Verificação Humana: Oito anotadores profissionais verificaram todas as amostras anotadas automaticamente.
- Limpeza: 36.379 textos de baixa qualidade (contendo contradições lógicas ou referências ambíguas) foram removidos.
Estatísticas: O dataset cobre cenários de alvo único, alvo duplo, alvo triplo e multi-alvo (>3), com uma distribuição diversificada de posturas.

2.2 Métricas de Avaliação

Reconhecendo que as métricas tradicionais falham para a geração de alvos de código aberto, os autores projetaram um framework de avaliação multidimensional:

Identificação de Alvo: Uma pontuação abrangente (C-Score) combinando similaridade semântica e correspondência de superfície:
$C\text{-Score} = (\alpha \times \text{BERTScore} + \beta \times \text{BLEU} + \gamma \times \text{ROUGE-L}) \times \text{Recall}$
(Pesos: $\alpha=0.6, \beta=0.2, \gamma=0.2$ ).
Detecção de Postura: Avaliada apenas em amostras onde as métricas de identificação de alvo excederam limiares específicos (ex: C-Score $\ge 0.3$ ), utilizando Precision, Recall e F1 padrão.

2.3 Estratégias de Fine-Tuning

Os autores exploraram duas estratégias distintas para o ajuste fino (fine-tuning) de Large Language Models (LLMs) usando LoRA:

Fine-Tuning Integrado: Uma abordagem end-to-end onde o modelo recebe uma instrução para identificar alvos e classificar posturas simultaneamente, gerando uma sequência de pares alvo-postura.
Fine-Tuning em Dois Estágios: Uma abordagem desacoplada onde:
- Estágio 1: Um modelo é ajustado exclusivamente para identificação de alvos.
- Estágio 2: Um modelo separado é ajustado para classificar posturas baseando-se no texto e nos alvos identificados no Estágio 1.

3. Principais Contribuições

Proposta de Tarefa: Definiu a tarefa DGTA, abordando a lacuna crítica da detecção de postura zero-shot em cenários de mundo aberto com geração dinâmica de múltiplos alvos.
Dataset: Lançou o primeiro dataset de alta qualidade de detecção de postura de redes sociais chinesas especificamente para esta tarefa, apresentando rigorosa verificação multi-LLM e humana.
Framework de Avaliação: Introduziu métricas unificadas e abrangentes (C-Score) que consideram tanto a precisão semântica dos alvos gerados quanto a correção da classificação de postura.
Baselines Metodológicos: Estabeleceu baselines fortes comparando estratégias de fine-tuning integrado e de dois estágios contra modelos pré-treinados e LLMs via prompting de instrução.

4. Resultados Experimentais

Os experimentos foram conduzidos em um conjunto de teste estratificado usando vários modelos, incluindo modelos pré-treinados com fine-tuning (mT5, BERT, RoBERTa), LLMs com prompting de instrução (GPT-4o, DeepSeek-V3, GLM4-9B, Llama3-8B) e LLMs com fine-tuning (Qwen2.5-7B, DeepSeek-R1-Distill-Qwen-7B).

Principais Descobertas:

Superioridade dos LLMs com Fine-Tuning: LLMs com fine-tuning superaram significativamente tanto os modelos pré-treinados quanto os LLMs zero-shot via prompting.
- Identificação de Alvo: O modelo Qwen2.5-7B com fine-tuning de dois estágios alcançou a maior pontuação abrangente de reconhecimento de alvo (66.99%).
- Detecção de Postura: O modelo DeepSeek-R1-Distill-Qwen-7B com fine-tuning integrado alcançou o maior F1 de detecção de postura (79.26%).
Comparação de Estratégias:
- A abordagem de dois estágios mostrou vantagens na identificação de alvos, provavelmente devido ao aprendizado focado na extração de entidades.
- A abordagem integrada destacou-se na detecção de postura, sugerindo que modelar as relações alvo-postura conjuntamente melhora o raciocínio em contextos semânticos complexos.
Capacidades de Raciocínio: Modelos com capacidades de raciocínio (ex: DeepSeek-R1) geralmente superaram os que não possuem, alcançando maior precisão na identificação de alvos implícitos e posturas sutis.
Chain-of-Thought (CoT): A introdução de CoT no prompting melhorou o desempenho em todos os LLMs testados, particularmente para o GLM4-9B (C-Score +7%) e Qwen2.5-7B (F1 +4%).
Complexidade do Alvo: O desempenho degradou conforme o número de alvos aumentava. Textos com dois alvos renderam a melhor alinhamento semântico, enquanto textos multi-alvo (>3) mostraram quedas significativas no C-Score devido à complexidade semântica e referências sobrepostas.
Explícito vs. Implícito: Os modelos performaram significativamente melhor em alvos explícitos. Alvos implícitos (conceitos abstratos) mostraram maior recall, mas menor precisão, destacando um desafio na definição de fronteiras semânticas.

5. Significância e Alegações

O artigo afirma que o framework e o dataset propostos fornecem uma base necessária para avançar a detecção de postura de configurações controladas e predefinidas para o "mundo real" das redes sociais. Ao demonstrar que LLMs com fine-tuning podem lidar efetivamente com a geração dinâmica de alvos e adaptação multi-alvo, o trabalho estabelece um baseline robusto para pesquisas futuras. Os autores enfatizam que sua abordagem aborda as limitações de métodos anteriores que dependem de listas de alvos predefinidas, permitindo que os modelos operem em cenários onde os alvos são desconhecidos, implícitos e numerosos. A disponibilidade do dataset e dos modelos visa facilitar a exploração futura da detecção de postura em mundo aberto.