Induce, Align, Predict: Zero-Shot Stance Detection via Cognitive Inductive Reasoning¶
会议: AAAI 2026
arXiv: 2506.13470
代码: 无
领域: NLP理解 / 立场检测
关键词: 零样本立场检测, 认知推理, 一阶逻辑, 图核模型, schema
一句话总结¶
提出CIRF（Cognitive Inductive Reasoning Framework），受认知科学启发，从原始文本中无监督归纳一阶逻辑推理模式（schema），构建多关系schema图，用图核模型对齐输入与schema模板实现可解释的零样本立场推理，在SemEval-2016、VAST和COVID-19-Stance上达到SOTA，仅30%数据即可匹配全量。
研究背景与动机¶
- 领域现状：零样本立场检测（ZSSD）需要对未见目标判断文本立场。LLM零样本能力和LLM增强方法是两大方向。
- 现有痛点：(a) LLM提示在复杂推理上不足，泛化差；(b) LLM增强方法需大量标注，停留在实例级模式。
- 核心矛盾：立场检测需要跨目标的抽象推理，但现有方法要么surface-level匹配要么过度依赖标注。
- 本文要解决什么？ 无监督归纳抽象推理模式，实现可解释的零样本立场推理。
- 切入角度：认知科学中的schema理论——人类从具体经验归纳推理模式并应用到新情境。
- 核心idea一句话：无监督归纳一阶逻辑模式为多关系schema图，通过图核对齐实现可解释零样本推理。
方法详解¶
整体框架¶
输入：文本+目标。输出：立场。Pipeline：文本→一阶逻辑→聚类为schema图→图核对齐→立场。
关键设计¶
- Schema归纳（Induce）：
- 做什么：从文本无监督归纳抽象推理模式
- 核心思路：文本→一阶逻辑表示→聚类为多关系schema图
-
设计动机：schema跨目标可迁移
-
结构对齐（Align）：
- 做什么：用图核度量输入图和schema图的结构相似度
-
设计动机：可解释的结构匹配
-
立场预测（Predict）：
- 做什么：基于最匹配schema推理立场
损失函数 / 训练策略¶
Schema归纳为无监督，图核匹配不需目标特定标注。
实验关键数据¶
主实验¶
| 数据集 | CIRF | 说明 |
|---|---|---|
| SemEval-2016 | SOTA | 新最优 |
| VAST | SOTA | 新最优 |
| COVID-19-Stance | SOTA | 新最优 |
| 30%数据 | ≈全量 | 强低资源泛化 |
关键发现¶
- 三基准SOTA，30%数据匹配全量方法
- 可解释性：schema图提供清晰推理路径
- Schema具有跨目标可迁移性
亮点与洞察¶
- 认知科学→NLP成功迁移：schema概念引入立场检测，提供超越表面匹配的抽象推理能力。
- 30%数据匹配全量：证明归纳的schema捕获了可迁移的推理结构。
- 可解释性：图结构匹配比黑盒LLM更透明。
局限性 / 可改进方向¶
- 论文全文不可用，详细消融数据未获取
- Schema归纳质量可能随文本域变化
- 一阶逻辑可能无法捕获修辞和隐喻
相关工作与启发¶
- vs LLM零样本提示：CIRF通过schema提供结构化推理
- vs 传统ZSSD：CIRF的schema跨目标可迁移，不需目标特定特征
评分¶
- 新颖性: ⭐⭐⭐⭐ 认知归纳推理schema引入零样本立场检测是新颖的跨领域结合
- 实验充分度: ⭐⭐⭐⭐ 三个基准数据集上达到SOTA，低资源场景也有验证
- 写作质量: ⭐⭐⭐⭐ 从认知科学到NLP方法的动机推导清晰
- 价值: ⭐⭐⭐⭐ 低资源零样本立场检测的实用方法，schema的跨目标迁移性有重要价值