論文の概要: Sarcasm Detection in a Disaster Context

• arxiv url: http://arxiv.org/abs/2308.08156v1
• Date: Wed, 16 Aug 2023 05:58:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-17 14:41:28.347186
• Title: Sarcasm Detection in a Disaster Context
• Title（参考訳）: 災害状況におけるサーカズム検出
• Authors: Tiberiu Sosea, Junyi Jessy Li, Cornelia Caragea
• Abstract要約: HurricaneSARCは,意図した皮肉に注釈を付けた15,000ツイートのデータセットである。 私たちの最高のモデルは、データセットで最大0.70F1を得ることができます。
• 参考スコア（独自算出の注目度）: 103.93691731605163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During natural disasters, people often use social media platforms such as Twitter to ask for help, to provide information about the disaster situation, or to express contempt about the unfolding event or public policies and guidelines. This contempt is in some cases expressed as sarcasm or irony. Understanding this form of speech in a disaster-centric context is essential to improving natural language understanding of disaster-related tweets. In this paper, we introduce HurricaneSARC, a dataset of 15,000 tweets annotated for intended sarcasm, and provide a comprehensive investigation of sarcasm detection using pre-trained language models. Our best model is able to obtain as much as 0.70 F1 on our dataset. We also demonstrate that the performance on HurricaneSARC can be improved by leveraging intermediate task transfer learning. We release our data and code at https://github.com/tsosea2/HurricaneSarc.
• Abstract（参考訳）: 自然災害の間、人々はtwitterのようなソーシャルメディアプラットフォームを使って助けを求め、災害状況に関する情報を提供するか、あるいは展開する出来事や公共の方針やガイドラインに対する反感を表明する。 この侮辱は、皮肉や皮肉として表現される場合もある。 この形式の音声を災害中心の文脈で理解することは、災害関連ツイートの自然言語理解を改善するために不可欠である。 本稿では,意図したサルカズムに注釈を付けた15,000ツイートのデータセットであるHurricaneSARCを紹介し,事前訓練された言語モデルを用いたサルカズム検出の包括的検討を行う。 私たちの最高のモデルは、データセットで最大0.70F1を得ることができます。 また, 中間タスク転送学習の活用により, ハリケーンsarcの性能が向上することを示す。 データとコードはhttps://github.com/tsosea2/hurricanesarcでリリースします。

関連論文リスト

• Public Health in Disaster: Emotional Health and Life Incidents Extraction during Hurricane Harvey [1.433758865948252]
  嵐に関連する40万件の公開ツイートのデータセットを収集しました。 BERTベースのモデルを用いて、各ツイートに関連する感情を予測した。 グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を統合して分析をさらに改良した。
  論文  参考訳（メタデータ） (2024-08-20T18:31:20Z)
• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [49.2719253711215]
  本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。 本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。 この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
  論文  参考訳（メタデータ） (2024-06-16T23:01:10Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• Sarcasm Detection Framework Using Emotion and Sentiment Features [62.997667081978825]
  本研究では,感情と感情の特徴を取り入れたモデルを提案する。 我々のアプローチは、ソーシャルネットワークプラットフォームとオンラインメディアの4つのデータセットに対して、最先端の結果を得た。
  論文  参考訳（メタデータ） (2022-11-23T15:14:44Z)
• TweetDIS: A Large Twitter Dataset for Natural Disasters Built using Weak Supervision [1.2400116527089997]
  ソーシャルメディアはしばしば、自然災害時のコミュニケーションのライフラインとして利用される。 本研究では,弱い監督力を用いて銀標準データセットをキュレートする。 その有用性を検証するために、弱い教師付きデータに基づいて機械学習モデルを訓練し、3種類の自然災害を識別する。
  論文  参考訳（メタデータ） (2022-07-11T15:30:09Z)
• Detecting Perceived Emotions in Hurricane Disasters [62.760131661847986]
  私たちはHurricaneEmoを紹介します。HurricaneEmoは、Harvey、Irma、Mariaの3つのハリケーンにまたがる15,000の英語ツイートの感情データセットです。 本稿では, きめ細かい感情を包括的に研究し, 粗い感情群を識別するための分類タスクを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:17:49Z)
• Semantic-based End-to-End Learning for Typhoon Intensity Prediction [0.2580765958706853]
  既存の技術では、過去の環境データからやってくる災害を予測するために、さまざまな機械学習アプローチを採用している。 ソーシャルメディアの投稿(例えば、つぶやき)は非常に非公式であり、コンテンツは限られている。 災害関連つぶやきや環境データから学習し,台風の震度予測を改善するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-22T01:13:20Z)
• On Identifying Hashtags in Disaster Twitter Data [55.17975121160699]
  我々は,行動可能な情報をフィルタリングするのに有用なハッシュタグを付加した災害関連ツイートのユニークなデータセットを構築した。 このデータセットを用いて,マルチタスク学習フレームワークにおける長期記憶モデルについて検討する。 最高のパフォーマンスモデルでは、F1スコアは92.22%に達する。
  論文  参考訳（メタデータ） (2020-01-05T22:37:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。