Multi-Agent Reasoning with Adaptive Worker Allocation for Stance Detection
作者: Meysam Sabbaghan, Arman Zareian Jahromi, Doina Caragea
分类: cs.CL
发布日期: 2026-06-10
💡 一句话要点
提出多代理推理框架以解决立场检测中的聚合问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 立场检测 多代理推理 自适应分配 经理-工人架构 自然语言处理 大型语言模型 推理级聚合
📋 核心要点
- 现有的立场检测方法在面对多重解释时，单次提示的脆弱性导致性能下降，尤其是在隐含和上下文依赖的情况下。
- 本文提出的多代理推理框架通过自适应工人分配，转变了聚合方式，从标签级投票到推理级综合，增强了模型的解释能力。
- 在SemEval-2016、P-Stance和COVID-19 Stance数据集上的实验表明，该框架在隐含立场检测中取得了显著提升，Macro-F1达86.07。
📝 摘要（中文）
立场检测需要识别作者对目标的态度，通常在短文本中，立场是隐含、间接或修辞性表达的。尽管大型语言模型在此任务上表现出色，但单次提示在多种解释可能的情况下显得脆弱。现有的聚合策略如多数投票或自一致性通过组合标签提高了鲁棒性，但忽略了解决冲突解释所需的中间推理。本文提出了一种多代理推理框架，采用自适应工人分配，将聚合从标签级投票转向推理级综合。该框架采用经理-工人架构，经理根据输入复杂性自适应分配工人代理，工人从不同角度分析输入并生成仅推理的解释，经理则综合这些解释以产生最终预测。实验结果表明，该框架在隐含和依赖上下文的立场案例中表现最佳。
🔬 方法详解
问题定义：本文旨在解决立场检测中多重解释导致的聚合不准确问题。现有方法在处理隐含和间接立场时，往往依赖单一标签，缺乏对中间推理过程的利用。
核心思路：提出的框架通过引入多代理推理机制，允许多个工人从不同视角分析输入，生成推理解释，而非直接输出立场标签，从而增强了模型的推理能力和鲁棒性。
技术框架：该框架采用经理-工人架构，经理根据输入的复杂性动态分配工人数量。每个工人独立分析输入并生成推理解释，经理负责综合这些解释以形成最终的立场预测。
关键创新：最重要的创新在于将聚合策略从标签级转变为推理级，允许模型在面对多重解释时进行更深入的分析和综合，从而提高了立场检测的准确性。
关键设计：框架中工人的数量和分配是动态的，具体取决于输入的复杂性。此外，损失函数设计上强调推理解释的质量，而非仅仅关注最终的立场标签。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该框架在隐含和上下文依赖的立场检测中表现优异，COVID-19数据集上Macro-F1达86.07，SemEval-2016数据集上达82.90，显著优于传统的聚合方法，尤其在复杂情境下的表现更为突出。
🎯 应用场景
该研究的潜在应用领域包括社交媒体分析、舆情监测和市场调研等，能够帮助企业和组织更好地理解公众对特定话题的态度。未来，该框架的设计理念也可能被扩展到其他自然语言处理任务中，提升模型的解释性和可靠性。
📄 摘要（原文）
Stance detection requires identifying an author's position toward a target, often from short-form texts where stance is implicit, indirect, or rhetorically framed. Although large language models (LLMs) achieve strong performance on this task, single-pass prompting can be brittle when multiple interpretations are plausible. Existing aggregation strategies, such as majority voting or self-consistency, improve robustness by combining labels, but they discard the intermediate reasoning needed to resolve conflicting interpretations. We introduce a multi-agent reasoning framework with adaptive worker allocation for stance detection that shifts aggregation from label-level voting to reasoning-level synthesis. The framework employs a Manager-Worker architecture in which a Manager adaptively allocates a variable number of Worker agents based on input complexity. Each Worker analyzes the input from a distinct perspective and produces a reasoning-only explanation without emitting a stance label; the Manager then synthesizes these explanations to produce the final prediction. We evaluate the proposed framework on SemEval-2016, P-Stance, and COVID-19 Stance using Llama, Mistral, and Gemini. Results show that the framework yields the largest gains on implicit and context-dependent stance cases, achieving 86.07 Macro-F1 on COVID-19 and 82.90 on SemEval-2016, while remaining competitive on more explicit stance datasets such as P-Stance. These findings suggest that adaptive reasoning-level aggregation is most beneficial when stance cannot be reliably inferred from surface cues alone.