StanceCL : contrastive learning for Korean stance detection

국문 초록 (Abstract)

본 연구는 기존의 스탠스 탐지(stance detection) 모델이 지닌 한계―특히 명시적 타깃(target)에 의존하거나 저자원 언어 환경에서의 적용이 어려운 문제―를 극복하기 위해, 대조 학습(contrastive learning)에 기반한 새로운 스탠스 탐지 모델 StanceCL(Stance detection model based on Contrastive Learning)을 제안한다. StanceCL 은 기존 접근법과 달리, 사전에 정의된 타깃 없이 대조 학습 기반으로 문장의 스탠스 임베딩을 학습하고 정치적 편향성을 동시에 예측하는 통합 학습 구조를 갖춘다. 구체적으로, KoBERT 또는 KoRoBERTa 인코더를 활용하여 문장 임베딩을 생성한다. 이후, 대조 학습을 통해 동일한 스탠스를 공유하는 문장은 임베딩 공간에서 가깝게, 상반된 스탠스를 가진 문장은 멀어지도록 최적화함으로써 스탠스 간의 의미적 구조를 반영한다.
모델의 성능 검증을 위해, 본 연구에서는 한국어 대규모 타깃 비의존 스탠스 탐지 데이터셋 LASTIST (LArge-Scale Target-Independent STance Detection) 를 활용하였다. 실험 결과, 제안한 StanceCL 은 단일 타깃 및 타깃 비의존 스탠스 탐지 과제 모두에서 기존의 BERT 기반 기준 모델을 상회하는 성능을 보였으며, 명시적 타깃 정보 없이도 내재된 스탠스를 효과적으로 탐지함을 확인하였다. 이러한 결과는 StanceCL 이 타깃 비의존적인 스탠스 탐지 프레임워크로서의 잠재력을 지님을 입증한다. 향후 연구에서는 StanceCL 의 적용 범위를 다언어 및 다도메인 환경으로 확장함으로써, 다양한 언어권에서의 스탠스 탐지 일반화를 검증할 예정이다.

다국어 초록 (Multilingual Abstract)

This study proposes StanceCL, a contrastive learning–based stance detection model designed to address the limitations of existing models in targetindependent and low-resource settings. Unlike traditional stance detection approaches that rely on predefined targets, StanceCL jointly learns stance aware sentence embeddings and political bias classification through a unified contrastive and supervised learning objective. The model employs a KoBERT or KoRoBERTa encoder to derive sentence representations that are optimized to cluster sentences with similar stances while separating those with opposing views in the embedding space.
To evaluate our approach, we leverage LASTIST, a large-scale Korean dataset for LArge-Scale Target-Independent STance detection, constructed from political press releases of Korean liberal and conservative parties. Experimental results demonstrate that StanceCL consistently outperforms baselines in both target-independent and target-specific stance detection tasks, validating its ability to capture implicit stance signals without explicit target information. The findings highlight potential of StanceCL as a language-agnostic, target-independent stance detection framework, and future work will extend its applicability to other languages and domains.

목차 (Table of Contents)

• Chapter 1. INTRODUCTION. 1
• Chapter 2. RELATED WORK . 5
• 1. Target Specific Stance Detection . 5
• 2. Target Independent Stance Detection 6
• Chapter 3. METHODOLOGY. 9
• 1. Model Construction 9
• 2. Embedding via Pooling 11
• 3. Contrastive Learning. 11
• 4. Predict Political Stance. 13
• 5. Joint Training 13
• Chapter 4. EXPERIMENTS 15
• 1. LASTIST Dataset 15
• 2. Experimental Setting 20
• 3. Evaluation Metric 21
• 4. Classification Result on Korean Dataset . 22
• 5. Classification Result on English Dataset . 23
• Chapter 5. DISCUSSION 26
• 1. Contribution of StanceCL . 26
• 2. Limitations . 27
• Chapter 6. CONCLUSION 29
• References 31
• 논문요약 . 37