論文の概要: The BD-LSC Dataset: Facilitating the Benchmarking of Models for Lexical Semantic Change Detection in Slang and Standard Usage

• arxiv url: http://arxiv.org/abs/2606.16560v1
• Date: Mon, 15 Jun 2026 11:03:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.469224
• Title: The BD-LSC Dataset: Facilitating the Benchmarking of Models for Lexical Semantic Change Detection in Slang and Standard Usage
• Title（参考訳）: BD-LSCデータセット:スラングと標準使用法における語彙意味変化検出のためのモデルのベンチマーク化
• Authors: Afnan Aloraini, Viktor Schlegel, Goran Nenadic, Riza Batista-Navarro,
• Abstract要約: 補足ベンチマークデータセットを2つ導入する。 BD-LSCデータセットは、3つの期間にわたってセンスゲイン、センスロス、安定性をキャプチャする。 ST-WSDデータセットは、スラングと標準使用法を組み合わせた単語に対して、きめ細かいインスタンスレベルのセンスアノテーションを提供する。
• 参考スコア（独自算出の注目度）: 20.764165408679762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic semantic change detection aims to identify how word meanings shift over time, offering insights into both linguistic and societal change. Despite recent progress in computational lexical semantic change (LSC), existing benchmarks and methods struggle to capture bi-directional semantic change, particularly cases where words simultaneously gain and lose senses. This problem is especially challenging for words that have both slang and standard meanings. To address these gaps, we introduce two complementary benchmark datasets. The Bi-Directional Lexical Semantic Change (BD-LSC) dataset captures sense gain, sense loss, and stability across three time periods, enabling the study of complex semantic trajectories. The SlangTrack Word Sense Disambiguation (ST-WSD) dataset provides fine-grained, instance-level sense annotations for words combining slang and standard usages, supporting systematic benchmarking of WSD and semantic change detection models. Using these benchmarks, we systematically evaluate models across different methodological families: unsupervised clustering using contextualised embeddings, supervised machine learning, transformer-based models, and state-of-the-art large language models. Among the evaluated systems, the few-shot GPT-4o model achieved the strongest aggregate performance on Exact Sense Match (ESM) and multi-label accuracy; however, Macro-F1 scores near 0.5 across all systems show that rare slang senses remain difficult, which we identify as the central open challenge.
• Abstract（参考訳）: 自動意味変化検出は、言葉の意味が時間とともにどのように変化するかを特定することを目的としており、言語的および社会的変化の両方に関する洞察を提供する。 近年のLSC(Computer lexical semantic change)の進展にもかかわらず、既存のベンチマークや手法は双方向のセマンティックな変化を捉えるのに苦労している。 この問題は、スラングと標準の意味の両方を持つ単語にとって特に困難である。 これらのギャップに対処するため、2つの相補的なベンチマークデータセットを導入します。 Bi-Directional Lexical Semantic Change (BD-LSC)データセットは、3つの期間にわたってセンスゲイン、センスロス、安定性をキャプチャし、複雑な意味軌道の研究を可能にする。 SlangTrack Word Sense Disambiguation (ST-WSD)データセットは、スラングと標準使用法を組み合わせた単語のための、きめ細かいインスタンスレベルのセンスアノテーションを提供し、WSDと意味変化検出モデルの体系的なベンチマークをサポートする。 これらのベンチマークを用いて、文脈的埋め込みを用いた教師なしクラスタリング、教師付き機械学習、トランスフォーマーベースモデル、最先端の大規模言語モデルなど、さまざまな方法論ファミリのモデルを体系的に評価する。 評価システムのうち,数発のGPT-4oモデルは,エクササイズマッチング(Exact Sense Match, ESM)と複数ラベルの精度において, 最強の総合性能を達成したが, マクロF1スコアは全システムで0.5付近であり, 希少なスラング感覚は依然として困難であり, 中心的オープンチャレンジと認識されている。

関連論文リスト

• Evaluating Semantic Variation in Text-to-Image Synthesis: A Causal Perspective [50.261681681643076]
  本稿では,SemVarEffectとSemVarBenchというベンチマークを用いて,テキスト・画像合成における入力のセマンティックな変化と出力の因果性を評価する。 本研究は,T2I合成コミュニティによるヒューマンインストラクション理解の探索を促進する効果的な評価枠組みを確立する。
  論文  参考訳（メタデータ） (2024-10-14T08:45:35Z)
• Graph-based Clustering for Detecting Semantic Change Across Time and Languages [10.058655884092094]
  本稿では,高頻度・低周波両方の単語知覚におけるニュアンス変化を時間的・言語的に捉えたグラフベースのクラスタリング手法を提案する。 提案手法は,4言語にわたるSemEval 2020バイナリ分類タスクにおいて,従来のアプローチを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-02-01T21:27:19Z)
• Co-Driven Recognition of Semantic Consistency via the Fusion of Transformer and HowNet Sememes Knowledge [6.184249194474601]
  本稿では,Transformer と HowNet のセメム知識の融合に基づく協調型意味的一貫性認識手法を提案する。 BiLSTMは概念的意味情報をエンコードし、意味的一貫性を推測するために利用される。
  論文  参考訳（メタデータ） (2023-02-21T09:53:19Z)
• Word Sense Induction with Hierarchical Clustering and Mutual Information Maximization [14.997937028599255]
  単語知覚誘導は自然言語処理において難しい問題である。 階層的クラスタリングと不変情報クラスタリングに基づく新しい教師なし手法を提案する。 我々は、ある場合において、我々のアプローチが先行したWSIの最先端手法よりも優れていることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-10-11T13:04:06Z)
• Fake it Till You Make it: Self-Supervised Semantic Shifts for Monolingual Word Embedding Tasks [58.87961226278285]
  語彙意味変化をモデル化するための自己教師付きアプローチを提案する。 本手法は,任意のアライメント法を用いて意味変化の検出に利用できることを示す。 3つの異なるデータセットに対する実験結果を用いて,本手法の有用性について述べる。
  論文  参考訳（メタデータ） (2021-01-30T18:59:43Z)
• SChME at SemEval-2020 Task 1: A Model Ensemble for Detecting Lexical Semantic Change [58.87961226278285]
  本稿では,SemEval-2020 Task 1における語彙意味変化の教師なし検出法であるSChMEについて述べる。 SChMEは、分布モデル(単語埋め込み)とワード周波数モデルの信号を組み合わせたモデルアンサンブルを使用し、各モデルは、その特徴に応じて単語が苦しむ確率を示す投票を行う。
  論文  参考訳（メタデータ） (2020-12-02T23:56:34Z)

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。