精选理由
做金融舆情或预测市场分析的团队会感兴趣——这篇论文用反事实增强解决了极端不平衡数据下的立场检测难题，50%合成数据是最佳实践，值得在类似场景中尝试。
该研究首次将立场检测应用于预测市场（如Polymarket）的评论，这些评论包含价格无法捕捉的方向性信号。由于评论极端简短、存在特定行话且类别严重不平衡（仅8.7%的评论反对市场结果），研究通过微调RoBERTa-base模型，探索了四种输入配置和三种数据增强条件。结果表明，市场上下文是最关键的因素，能将反对类别的召回率从0.10提升至0.45；反事实增强在弱配置下有效（F1从0.10升至0.24），但在强配置下会降低性能；50%的增强比例是最优剂量。注意力可解释性分析为所有发现提供了机制支持。
AI 翻译 · 中文
该研究首次将立场检测应用于预测市场（如Polymarket）的评论，这些评论包含价格无法捕捉的方向性信号。由于评论极端简短、存在特定行话且类别严重不平衡（仅8.7%的评论反对市场结果），研究通过微调RoBERTa-base模型，探索了四种输入配置和三种数据增强条件。结果表明，市场上下文是最关键的因素，能将反对类别的召回率从0.10提升至0.45；反事实增强在弱配置下有效（F1从0.10升至0.24），但在强配置下会降低性能；50%的增强比例是最优剂量。注意力可解释性分析为所有发现提供了机制支持。
Prediction markets such as Polymarket aggregate crowd beliefs into real-time probability estimates, and the comments traders post beneath each market contain rich directional stance signals that prices alone cannot captu…