A Logically Consistent Chain-of-Thought Approach for Stance Detection

要約

ゼロショット スタンス検出 (ZSSD) は、目に見えないターゲットへのスタンスを検出することを目的としています。
背景知識を組み込んで、目に見えるターゲットと目に見えないターゲット間の伝達可能性を高めることが、ZSSD の主要なアプローチを構成します。
ただし、これらの方法は知識とタスクの断絶に悩まされ、予測に論理的な一貫性が欠けていることがよくあります。
これらの問題に対処するために、ZSSD 向けの論理一貫性のある思考連鎖 (LC-CoT) という新しいアプローチを導入します。これは、関連性があり論理的に健全な知識の抽出を保証することでスタンス検出を向上させます。
LC-CoT は 3 段階のプロセスを採用します。
最初に、補足的な外部知識が必要かどうかを評価します。
その後、API 呼び出しを使用してこの知識を取得し、別の LLM で処理できます。
最後に、手動のサンプルは、関連性と論理的一貫性を維持するために if-then 論理構造を使用して、LLM がスタンス カテゴリを推論するようにガイドします。
背景知識を引き出すためのこの構造化されたアプローチはモデルの機能を強化し、ラベル付きデータに依存せずに従来の教師あり手法を上回ります。

要約(オリジナル)

Zero-shot stance detection (ZSSD) aims to detect stances toward unseen targets. Incorporating background knowledge to enhance transferability between seen and unseen targets constitutes the primary approach of ZSSD. However, these methods often struggle with a knowledge-task disconnect and lack logical consistency in their predictions. To address these issues, we introduce a novel approach named Logically Consistent Chain-of-Thought (LC-CoT) for ZSSD, which improves stance detection by ensuring relevant and logically sound knowledge extraction. LC-CoT employs a three-step process. Initially, it assesses whether supplementary external knowledge is necessary. Subsequently, it uses API calls to retrieve this knowledge, which can be processed by a separate LLM. Finally, a manual exemplar guides the LLM to infer stance categories, using an if-then logical structure to maintain relevance and logical coherence. This structured approach to eliciting background knowledge enhances the model’s capability, outperforming traditional supervised methods without relying on labeled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google