C$^{3}$T：社交媒体对话树中情绪变化的反事实因果推理

社交媒体话题中的情绪不仅因帖子而异，而且不同。当用户对分支回复树中的主张、更正、证据和敌意做出反应时，它就会发生变化。我们通过将话语移动（例如，否认/纠正、证据/链接、毒性/攻击）视为候选干预措施，并询问（i）回复表达了什么情绪，（ii）情绪是否相对于其父级发生变化，以及（iii）哪条先前的消息最有可能推动回复的情绪，来研究以谣言为中心的对话树中情绪变化的原因。为了支持这种设置，我们引入了 CaSiRe，这是一个基于公共谣言对话数据集的因果情感推理层，它添加了后级情感标签、诱导的亲子转变标签、校准的多标签干预标签和明确注释的因果源标签。然后，我们提出 C$^{3}$T（反事实因果对话 Transformer），这是一种线程结构的时间模型，可以联合预测节点情绪和变化，学习稀疏祖先归因，并通过强制开启或关闭对话干预嵌入来估计潜在结果来支持反事实查询。在事件级拆分下，C$^{3}$T 提高了事件外稳健性和归因于纯文本、基于图形和时间基线的能力，并产生可解释的基于模型的效果：否认/更正和证据减少了下游负面影响，而毒性则增加了负面影响。我们还对开放权重 LLM 提示基线进行了基准测试，发现添加的对话上下文有所帮助，但归因仍然不太可靠，从而激发了社交媒体分析的结构感知反事实建模。