論文の概要: StanceNakba Shared Task: Actor and Topic-Aware Stance Detection in Public Discourse

• arxiv url: http://arxiv.org/abs/2606.12068v1
• Date: Wed, 10 Jun 2026 13:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.474506
• Title: StanceNakba Shared Task: Actor and Topic-Aware Stance Detection in Public Discourse
• Title（参考訳）: スタンスナックバ共有タスク:公開談話におけるアクタとトピック認識スタンス検出
• Authors: Kholoud K. Aldous, Md Rafiul Biswas, Mabrouka Bessghaier, Shimaa Ibrahim, Kais Attia, Wajdi Zaghouani,
• Abstract要約: StanceNakba 2026は、パレスチナとイスラエルの紛争に関連する、偏極化されたソーシャルメディアにおけるスタンス検出の共有タスクである。 Subtask A (Actor-Level Stance Detection) は、イギリスのソーシャルメディア投稿をプロパレスチナ、プロイスラエル、ニュートラルに分類する。 サブタスクB (Cross-Topic Stance Detection) は、対立に関連する2つのトピックに対するアラビア語の投稿において、フェーバー、アタック、またはいずれのスタンスも識別する。
• 参考スコア（独自算出の注目度）: 0.6742937853471207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present StanceNakba 2026, a shared task on stance detection in polarized social media discourse related to the Palestinian-Israeli conflict, organized as part of Nakba-NLP 2026 at LREC-COLING 2026. The task introduces two subtasks: Subtask A (Actor-Level Stance Detection), which classifies English social media posts as Pro-Palestine, Pro-Israel, or Neutral; and Subtask B (Cross-Topic Stance Detection), which identifies Favor, Against, or Neither stances in Arabic posts toward two conflict-related topics, normalization with Israel and refugee presence in Jordan. The task is grounded in an annotated dataset of 2,606 social media posts. A total of 7 teams participated in Subtask A and 6 teams in Subtask B. Participating systems primarily fine-tuned Arabic and multilingual transformer-based models, including MARBERT, AraBERT, and DeBERTa-v3 variants, with several teams employing cross-validation, ensemble methods, and topic-conditioned architectures. The best-performing systems achieved a Macro F1 of 0.9620 on Subtask A and 0.8724 on Subtask B, demonstrating that transformer-based approaches are highly effective for conflict-domain stance detection while highlighting persistent challenges in cross-topic generalization and neutral class prediction.
• Abstract（参考訳）: 本稿は,ナクバ-NLP 2026のLREC-COING 2026において,ナクバ-NLP 2026の一部として組織されたパレスチナ・イスラエル紛争に関連する偏極ソーシャルメディア談話における姿勢検出の共有タスクであるStanceNakba 2026を紹介する。 このタスクでは、英語のソーシャルメディア投稿をプロパレスチナ、プロイスラエル、ニュートラルに分類するSubtask A(アクター・レベルスタンス検出)と、イスラエルとの正常化とヨルダンの難民の存在という2つの対立に関するアラビア語投稿の姿勢を識別するSubtask B(クロス・トピックスタンス検出)の2つのサブタスクが導入されている。 このタスクは、ソーシャルメディア投稿2,606件の注釈付きデータセットに基礎を置いている。 参加するシステムは、主にMARBERT、AraBERT、DeBERTa-v3など、微調整されたアラビア語および多言語トランスフォーマーベースのモデルであり、いくつかのチームはクロスバリデーション、アンサンブルメソッド、トピック条件アーキテクチャを採用している。 最高の性能のシステムはSubtask Aで0.9620、Subtask Bで0.8724のマクロF1を達成した。

関連論文リスト

• Retriv at BLP-2025 Task 1: A Transformer Ensemble and Multi-Task Learning Approach for Bangla Hate Speech Identification [7.459430148112738]
  本稿では,社会的影響を受けながら言語的に困難な課題である,バングラヘイト音声識別の問題に対処する。 研究チーム「Retriv」は, (1A) ヘイトタイプ分類, (1B) ターゲットグループ識別, (1C) タイプ, 重症度, ターゲットの3つのサブタスクに参加した。 我々のシステムは, 72.75% (1A) と72.69% (1B) のマイクロf1スコアを達成し, 重み付きマイクロf1スコアを72.62% (1C) とした。
  論文  参考訳（メタデータ） (2025-11-10T17:07:09Z)
• GenAI Content Detection Task 1: English and Multilingual Machine-Generated Text Detection: AI vs. Human [71.42669028683741]
  我々は,Coling 2025におけるGenAIワークショップの一環として,バイナリマシン生成テキスト検出における共有タスクを提案する。 このタスクは、モノリンガル(英: Monolingual)とマルチリンガル(英: Multilingual)の2つのサブタスクから構成される。 本稿では,データの包括的概要,結果の概要,参加システムの詳細な説明,提出内容の詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-01-19T11:11:55Z)
• SemEval-2024 Task 8: Multidomain, Multimodel and Multilingual Machine-Generated Text Detection [68.858931667807]
  Subtask Aは、テキストが人間によって書かれたか、機械によって生成されたかを決定するバイナリ分類タスクである。 サブタスクBは、テキストの正確なソースを検出し、それが人間によって書かれたか、特定のLCMによって生成されたかを認識する。 Subtask Cは、著者が人間から機械へ遷移するテキスト内の変化点を特定することを目的としている。
  論文  参考訳（メタデータ） (2024-04-22T13:56:07Z)
• MasonPerplexity at Multimodal Hate Speech Event Detection 2024: Hate Speech and Target Detection Using Transformer Ensembles [6.2696956160552455]
  本稿では,EACL 2024のケース2024におけるマルチモーダル・ヘイト・スピーチ・イベント検出における共有タスクに対するMasonPerplexityの提出について述べる。 サブタスクAにはXLM-roBERTa-largeモデル、サブタスクBにはXLM-roBERTa-base、BERTweet-large、BERT-baseを組み合わせたアンサンブルアプローチを用いる。
  論文  参考訳（メタデータ） (2024-02-03T00:23:36Z)
• Overview of Abusive and Threatening Language Detection in Urdu at FIRE 2021 [50.591267188664666]
  我々は、ウルドゥー語に対する虐待と脅しの2つの共通タスクを提示する。 本研究では, (i) 乱用と非乱用というラベル付きツイートを含む手動注釈付きデータセットと, (ii) 脅威と非脅威の2つを提示する。 両方のサブタスクに対して、m-Bertベースのトランスモデルは最高の性能を示した。
  論文  参考訳（メタデータ） (2022-07-14T07:38:13Z)
• RuArg-2022: Argument Mining Evaluation [69.87149207721035]
  本稿は、ロシア語テキストを扱う議論分析システムの最初のコンペティションの主催者の報告である。 新型コロナウイルスの感染拡大に伴う3つの話題について、9,550文(ソーシャルメディア投稿記事)のコーパスを用意した。 両タスクで第一位を獲得したシステムは、BERTアーキテクチャのNLI(Natural Language Inference)変種を使用した。
  論文  参考訳（メタデータ） (2022-06-18T17:13:37Z)
• Fine-tuning of Pre-trained Transformers for Hate, Offensive, and Profane Content Detection in English and Marathi [0.0]
  本稿では,英語とインド・アーリア語におけるHate Speech and Offensive Content Identificationのために開発されたニューラルモデルについて述べる。 英語のサブタスクに対して,ヘイトスピーチ検出のための追加コーパスが微調整変圧器モデルに与える影響について検討する。 Marathiタスクに対しては,Language-Agnostic BERT Sentence Embedding (LaBSE)に基づくシステムを提案する。
  論文  参考訳（メタデータ） (2021-10-25T07:11:02Z)
• GUIR at SemEval-2020 Task 12: Domain-Tuned Contextualized Models for Offensive Language Detection [27.45642971636561]
  OffensEval 2020タスクには、攻撃的言語(Sub-task A)の存在の特定、攻撃的言語(Sub-task B)のターゲットの存在の特定、ターゲットのカテゴリ(Sub-task C)の識別の3つのサブタスクが含まれている。 サブタスクAのF1スコアは91.7%、サブタスクBの66.5%、サブタスクCの63.2%である。
  論文  参考訳（メタデータ） (2020-07-28T20:45:43Z)
• Kungfupanda at SemEval-2020 Task 12: BERT-Based Multi-Task Learning for Offensive Language Detection [55.445023584632175]
  我々は,マルチタスク学習とBERTモデルを組み合わせた攻撃的言語検出システムを構築した。 我々のモデルは、英語のサブタスクAで91.51%のF1スコアを獲得し、これは第1位に匹敵する。
  論文  参考訳（メタデータ） (2020-04-28T11:27:24Z)

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。