論文の概要: Lingo_Research_Group at SemEval-2026 Task 9: Evaluating Prompt Variants for Polarization Detection
- arxiv url: http://arxiv.org/abs/2606.03334v1
- Date: Tue, 02 Jun 2026 08:41:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.879368
- Title: Lingo_Research_Group at SemEval-2026 Task 9: Evaluating Prompt Variants for Polarization Detection
- Title（参考訳）: SemEval-2026 Task 9におけるLingo_Research_Group: 偏光検出のためのプロンプト変数の評価
- Authors: Pritam Kadasi, Anuj Tiwari, Mayank Singh,
- Abstract要約: 本稿では,SemEval-2026 Task 9: Multilingual Text Classification Challenge - Polarization Detectionを提案する。
1)二分極検出、(2)分極型分類、(3)分極型識別の3つのサブタスクをカバーする。
我々は,用語の明確さにおいて異なる12種類の設計プロンプトを考慮し,短い設計プロンプトの研究の体系的アプローチを採用する。
- 参考スコア（独自算出の注目度）: 1.921560550802477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Our submission presented in this paper is for SemEval-2026 Task 9: Multilingual Text Classification Challenge - Polarization Detection and it covers all three subtasks: (1) binary polarization detection, (2) polarization type classification and (3) polarization manifestation identification. We adopt a systematic approach of research on short designed prompts by considering twelve designed prompts that are different in terminology clarity, detail of the definition, guidance of reasoning and in-context examples use. The experiments are conducted using aya-101 and Gemma3-27B, with the latter chosen for the submission at the end of the development through performance considerations. Our system has an average macro level F1-score of 0.762 on Subtask 1, 0.587 on Subtask 2 and 0.444 on Subtask 3 with the average accuracy of 0.819, 0.678 and 0.498, respectively, on the official test set averaged among 22 languages, respectively. With cross-task and cross-lingual analysis, we demonstrate that prompt-based approaches can be used effectively to detect coarse grained polarization but encounter more and more difficulties as far as fine-grained and multi-label sociolinguistic classification is concerned.
- Abstract（参考訳）: 本稿では,SemEval-2026 Task 9: Multilingual Text Classification Challenge - Polarization Detection の3つのサブタスクについて述べる。
我々は,用語の明確性,定義の細部,推論の指導,文脈内例の用法において異なる12種類の設計プロンプトを考慮し,短い設計プロンプトの研究の体系的アプローチを採用する。
実験は aya-101 と Gemma3-27B を用いて行われ、後者は性能の考慮により開発終了時に提案される。
本システムでは,Subtask 1, 0.587で平均マクロレベルF1スコアが0.762,Subtask 2で0.444,Subtask 3で平均精度が0.819,0.678,0.498,22言語でそれぞれ平均値が0。
クロスタスクおよびクロスランガル分析により、粗粒度分極を検出するためにプロンプトベースのアプローチが効果的に利用できるが、より細粒度で多ラベルの社会言語学的な分類に関して、ますます困難に直面することが示される。
関連論文リスト
- YEZE at SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization via Heterogeneous Ensembling [3.3438708071539445]
XLM-RoBERTa-largeとmDeBERTa-v3-baseを組み合わせた多言語事前学習モデルの異種アンサンブルを提案する。
本研究では,多タスク学習,翻訳に基づくデータ拡張,クラス重み付けなどの手法を用いて,重度ラベルの不均衡下での分類性能の向上を図る。
論文 参考訳（メタデータ） (2026-05-07T13:21:40Z) - SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization [47.011443052131376]
オンライン偏極検出タスクであるSemEval-2026 Task 9について述べる。
参加者は,(1)偏光の存在を検出すること,(2)偏光の種類を特定すること,(3)偏光の出現を認識すること,の3つのサブタスクにおいて,ラベルの予測を依頼された。
本稿では,各サブタスクや言語にまたがる最も一般的なアプローチと,最も効果的な手法を取り上げ,ベースラインの結果を報告する。
論文 参考訳（メタデータ） (2026-04-08T08:34:55Z) - Not All Pretraining are Created Equal: Threshold Tuning and Class Weighting for Imbalanced Polarization Tasks in Low-Resource Settings [0.0]
本稿では,SemEval-2025における分極共有タスクへの私の提出について述べる。
英語とスワヒリ語のためのトランスフォーマーベースシステムを開発した。二分極検出,多ラベルターゲット型分類,多ラベル表示識別という3つのサブタスクである。
論文 参考訳（メタデータ） (2026-03-08T15:50:37Z) - Mario at EXIST 2025: A Simple Gateway to Effective Multilingual Sexism Detection [8.40042895828361]
EXIST 2025 Task 1は、Llama 3.1 8Bの階層的低ランク適応(LoRA)を通じて、英語とスペイン語のツイートでテキストベースの性差別を検出する。
本手法では,3つの階層的なサブタスク間の依存関係を明示的にモデル化する条件付きアダプタルーティングを導入する。
提案手法は,トレーニング時間を75%削減し,モデルストレージを98%削減すると同時に,すべてのサブタスクで競合性能を実現する。
論文 参考訳（メタデータ） (2025-07-15T05:30:32Z) - Less is More: Efficient Black-box Attribution via Minimal Interpretable Subset Selection [52.716143424856185]
部分モジュラー部分集合選択の最適化問題として重要領域の帰属を再構成するLiMA(Less input is more faithful for Attribution)を提案する。
LiMAは、エラーを最小限に抑える最適な帰属境界を確保しながら、最も重要かつ最も重要でないサンプルを識別する。
また, 帰属効率が1.6倍に向上し, 帰属効率が向上した。
論文 参考訳（メタデータ） (2025-04-01T06:58:15Z) - SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Detection [76.18321723846616]
タスクは7つの異なる言語ファミリーから30以上の言語をカバーしている。
データインスタンスは6つの感情クラスでマルチラベルされており、感情の強さに注釈を付けた11言語にデータセットが追加されている。
参加者は, (a) マルチラベル感情検出, (b) 感情強度スコア検出, (c) 言語間感情検出の3つのトラックでラベルの予測を依頼された。
論文 参考訳（メタデータ） (2025-03-10T12:49:31Z) - Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。
擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。
ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
論文 参考訳（メタデータ） (2023-03-27T07:46:58Z) - Assessing Data Efficiency in Task-Oriented Semantic Parsing [54.87705549021248]
我々は、ある品質バーを達成するのに、ドメイン内の「ターゲット」データがどれだけ必要であるかを近似した4段階のプロトコルを導入する。
我々は,タスク指向セマンティック解析の実践者に対して,その柔軟性と適用性を示す実世界の2つのケーススタディに適用する。
論文 参考訳（メタデータ） (2021-07-10T02:43:16Z)
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。