Diese Arbeit präsentiert eine neuartige Aufgabe zur Generierung von Umfragefragen für soziale Medien-Beiträge. Sie bietet eine einfache Möglichkeit, die Stimme der Öffentlichkeit zu hören und aus deren Emotionen zu lernen, wenn es um wichtige gesellschaftliche Themen geht. Während die meisten verwandten Arbeiten formale Sprache (z. B. Prüfungsfragen) behandeln, generieren wir Umfragefragen für kurze und informelle Nachrichten in sozialen Medien, die durch starke Datenknappheit gekennzeichnet sind. Um diesem Problem zu begegnen, schlagen wir vor, Benutzerkommentare zu kodieren und darin verborgene Themen als Kontexte zu entdecken. Diese Kontexte werden anschließend in eine Sequenz-zu-Sequenz-(S2S)-Architektur integriert, die durch einen dualen Dekoder erweitert wird, um zusätzlich Umfrageantworten (Wahlmöglichkeiten) zu generieren. Für die Experimente sammeln wir eine großskalige chinesische Datensammlung aus Sina Weibo, die über 20.000 Umfragen umfasst. Die Ergebnisse zeigen, dass unser Modell populäre S2S-Modelle übertrifft, die keine Themen aus Kommentaren nutzen, und dass der duale Dekoder zusätzliche Vorteile für die Vorhersage sowohl von Fragen als auch von Antworten bringt. Menschliche Bewertungen bestätigen zudem unsere Überlegenheit bei der Erzeugung hochwertiger Umfragen, die zur Steigerung der Nutzerbeteiligung beitragen.