klinger.bib
@techreport{klinger_final_2026,
title = {Final {Project} {Report}: "{Structured} {Multi}-{Domain} {Emotion} {Analysis} from {Text}" ({SEAT}) and "{Computational} {Event} {Analysis} based on {Appraisal} {Theories} for {Emotion} {Analysis}" ({CEAT})},
copyright = {Creative Commons Attribution 4.0 International},
shorttitle = {Final {Project} {Report}},
url = {https://zenodo.org/doi/10.5281/zenodo.20070182},
doi = {10.5281/ZENODO.20070182},
abstract = {Final report for the DFG project 667374.},
language = {en},
urldate = {2026-05-08},
institution = {Zenodo},
author = {Klinger, Roman},
month = may,
year = {2026},
internaltype = {preprint},
pdf = {https://www.romanklinger.de/publications/Final-Project-Report-SEAT-CEAT.pdf}
}
@techreport{klinger_dfg_2025,
title = {{DFG} {Final} {Report} for {Automatic} {Fact}
{Checking} for {Biomedical} {Information} in
{Social} {Media} and {Scientific} {Literature}
({FIBISS}), project number 667374},
copyright = {Es gilt deutsches Urheberrecht. Das Werk bzw. der
Inhalt darf zum eigenen Gebrauch kostenfrei
heruntergeladen, konsumiert, gespeichert oder
ausgedruckt, aber nicht im Internet bereitgestellt
oder an Außenstehende weitergegeben werden. - German
copyright law applies. The work or content may be
downloaded, consumed, stored or printed for your own
use but it may not be distributed via the internet
or passed on to external parties., This document may
be downloaded, read, stored and printed for your own
use within the limits of § 53 UrhG but it may not be
distributed via the internet or passed on to
external parties., Dieses Dokument darf im Rahmen
von § 53 UrhG zum eigenen Gebrauch kostenfrei
heruntergeladen, gelesen, gespeichert und
ausgedruckt, aber nicht im Internet bereitgestellt
oder an Außenstehende weitergegeben werden.},
url = {https://oa.tib.eu/renate/handle/123456789/18846},
doi = {10.34657/17863},
abstract = {Die Erforschung von Methoden zur automatischen
Überprüfung von Fakten, also Computermodelle, welche
korrekte Information von Fehlinformation oder
Desinformation unterscheiden können, fokussiert
weitestgehend auf die Nachrichtendomäne sowie auf
die Analyse von Beiträgen in sozialen
Medien. Hierbei werden unter anderem Texte auf ihren
Wahrheitsgehalt geprüft. Dies kann durch die Analyse
von linguistischen Merkmalen geschehen, die auf eine
Täuschungsabsicht schließen lassen, oder durch einen
Abgleich mit anderen Quellen, die inhaltlich
vergleichbare Aussagen tätigen. Die meisten Arbeiten
legen den Schwerpunkt hierbei auf politisch
relevante Bereiche. Ein Gebiet mit besonderer
gesellschaftlicher Relevanz ist aber auch die
biomedizinische Domäne. In sozialen Medien teilen
verschiedene Akteure und medizinische Laien Berichte
zu Behandlungmethoden, Erfolgen und Misserfolgen,
wie zum Beispiel die (widerlegte) Methode,
Virusinfektionen mit Entwurmungsmitteln oder
Desinfektionsmitteln zu behandeln. Es finden sich
auch Berichte zu (widerlegten) Zusammenhängen
zwischen Behandlungen und unerwünschten Wirkungen,
wie zum Beispiel die Verursachung von Autismus durch
Impfungen. Die biomedizinische Domäne profitiert
allerdings, im Gegensatz zu anderen für die
automatische Faktenüberprüfung relevanten Bereichen,
von einer großen Ressource verlässlicher
wissenschaftlicher Artikel. Das Ziel des Projekts
FIBISS war es daher, Methoden zu entwickeln und zu
evaluieren, welche biomedizinische Behauptungen in
sozialen Medien extrahieren können und diese mit
verlässlichen Quellen abgleicht. Eine
Herausforderung ist hierbei, dass in sozialen Medien
typischerweise keine Fachsprache verwendet wird, so
dass unterschiedliche Vokabularien miteinander
verbunden werden müssen. Der Ansatz in FIBISS war
daher, generalisierende
Informationsextraktionsmethoden zu entwickeln. Im
Verlauf des Projekts haben sich zusätzlich große
Sprachmodelle prominent als weiterer methodischer
Ansatz platziert. Das Projekt wurde daher im Verlauf
dahingehend angepasst, generelle Repräsentationen
von Behauptungen so zu optimieren, dass sie für den
Vergleich mit Hilfe automatischer Fakten-
Überprüfungsverfahren geeignet sind. Im Ergebnis
tragen wir Textkorpora bei, die zur Entwicklung und
Evaluierung von Systemen zur automatischen
biomedizinischen Faktenüberprüfung eingesetzt
werden. Wir schlagen Methoden vor, die automatisch
Behauptungen so umformulieren, dass sie geeignet
sind, automatisch überprüft zu werden. Des Weiteren
präsentieren wir Ansätze, die automatisch die
Glaubwürdigkeit von Aussagen, auch unabhängig von
vorhandener Evidenz, abschätzen können.},
language = {en},
urldate = {2026-05-08},
institution = {Hannover : Technische Informationsbibliothek},
author = {Klinger, Roman and Wührl, Amelie},
collaborator = {{Technische Informationsbibliothek (TIB)}},
month = apr,
year = {2025},
internaltype = {preprint},
pdf = {https://www.romanklinger.de/publications/Final-Project-Report-FIBISS.pdf}
}
@misc{resendiz2025llmbasedaffectivetextgeneration,
title = {LLM-based Affective Text Generation Quality Based on
Different Quantization Values},
author = {Yarik Menchaca Resendiz and Roman Klinger},
year = {2025},
eprint = {2501.19317},
archiveprefix = {arXiv},
primaryclass = {cs.CL},
url = {https://arxiv.org/abs/2501.19317},
internaltype = {preprint}
}
@misc{wuehrl2024selfadaptiveparaphrasingpreferencelearning,
title = {Self-Adaptive Paraphrasing and Preference Learning for Improved Claim Verifiability},
author = {Amelie W\"uhrl and Roman Klinger},
year = {2024},
eprint = {2412.11653},
archiveprefix = {arXiv},
primaryclass = {cs.CL},
url = {https://arxiv.org/abs/2412.11653},
internaltype = {preprint}
}
@article{terhost2017,
author = {{ter Horst}, H. and {Hartung}, M. and {Klinger},
R. and {Zwick}, M. and {Cimiano}, P.},
title = {{Predicting Disease-Gene Associations using
Cross-Document Graph-based Features}},
journal = {ArXiv e-prints},
archiveprefix = {arXiv},
eprint = {1709.09239},
primaryclass = {cs.CL},
keywords = {Computer Science - Computation and Language},
year = 2017,
month = sep,
note = {preprint},
archiveprefix = {arXiv},
eprint = {1709.09239},
pdf = {https://arxiv.org/pdf/1709.09239.pdf},
internaltype = {preprint}
}
@misc{Jaskolski2016,
author = {Janik Jaskolski and Fabian Siegberg and Thomas
Tibroni and Philipp Cimiano and Roman Klinger},
title = {Opinion Mining in Online Reviews About Distance
Education Programs},
year = {2016},
pdf = {http://arxiv.org/pdf/1607.06299v1.pdf},
archiveprefix = {arXiv},
eprint = {1607.06299},
internaltype = {preprint}
}
@techreport{KlingerTomanek2007,
author = {Roman Klinger and Katrin Tomanek},
title = {{Classical Probabilistic Models and Conditional
Random Fields}},
institution = {Department of Computer Science, Dortmund University
of Technology},
year = {2007},
number = {TR07-2-013},
month = {December},
note = {ISSN 1864-4503, Technical Report},
owner = {rklinger},
timestamp = {2008.03.27},
url = {https://ls11-www.cs.uni-dortmund.de/_media/techreports/tr07-13.pdf},
internaltype = {preprint}
}
@article{Stockel2015,
author = {Andreas St\"ockel and Benjamin Paassen and Raphael
Dickfelder and Jan Philipp G\"opfert and Nicole
Brazda and Hans Werner M\"uller and Philipp Cimiano
and Matthias Hartung and Roman Klinger},
title = {SCIE: Information Extraction for Spinal Cord Injury
Preclinical Experiments – A Webservice and Open
Source Toolkit},
journal = {bioRxiv},
year = {2015},
month = {January},
note = {preprint},
doi = {10.1101/013458},
publisher = {Cold Spring Harbor Laboratory Press},
internaltype = {preprint}
}