本文介绍了我们对 SemEval-2022 任务 6：针对英语和阿拉伯语的讽刺检测及其五个子任务的参赛作品。我们使用基于 transformers 的深度学习技术来检测讽刺，数据集来自推特，数据预处理对于任务至关重要，我们的排名在四个子任务中保持稳定，这说明我们使用的模型和技术具有鲁棒性和稳定性。

Mar, 2022

该论文描述了 X-PuDu 系统，该系统参与了 SemEval-2022 任务 6（英语和阿拉伯语中的预期讽刺检测），旨在检测各种自然语言理解环境中的预期讽刺。我们的解决方案在多语言环境下微调了预训练的语言模型，如 ERNIE-M 和 DeBERTa，以识别阿拉伯语和英语文本中的讽刺。我们的系统在本次比赛中名列第二，第九（英语和阿拉伯语中的单句检测），排名第五（英语中的二元多标签分类），第一和第五（英语和阿拉伯语中的句对检测）。

Nov, 2022

本研究提出了一种基于 AraBERT 语言模型与在阿拉伯社交媒体文献库上训练的静态词向量结合的混合模型，应用于阿拉伯推文的讽刺性和情感极性检测任务，实现了优异的 F1 - 讽刺得分和 F-PN 情感得分，并在两项任务中均优于多个现有的方法。

Mar, 2021

本文介绍了 iSarcasm 共享任务中提交的系统。我们参加了针对阿拉伯语的 iSarcasm。我们提交了一个基于多层机器学习的模型，用作阿拉伯语讽刺检测。该模型使用向量空间 TF-IDF 表示特征，系统简单，不需要任何外部资源。测试结果表现令人鼓舞。

May, 2022

使用先进的语言表示模型和上下文驱动模型，对 Reddit 语料库进行分析，评估其性能并找到理想的讽刺检测方法。

Oct, 2023

本文介绍了 UTNLP 团队在 SemEval-2022 共享任务 6 中进行讽刺性评论检测的方法和结果，对比了不同模型和数据增强方法的效果，最后使用 RoBERTa 和数据突变增强的方法取得了最佳结果。

Apr, 2022

本文提出一种模型，使用预训练的转换器和 CNN 捕捉上下文特征，用于捕捉蕴含在讽刺中的不一致性，并在社交网络平台和在线媒体的四个数据集上优于以前的最新成果。

Nov, 2022

本论文研究了阿拉伯语言中讽刺言论检测的复杂挑战，着重探究了使用和不使用表情符号对阿拉伯语言的社交媒体内容中讽刺言论检测模型性能的影响，通过优化 AraBERT 预训练模型，验证了排除表情符号能够显著提高讽刺言论检测的准确性，为阿拉伯语自然语言处理领域提供了新的基准和有价值的见解。

May, 2024

本研究探讨了生成预训练转换器（GPT）模型（包括 GPT-3、InstructGPT、GPT-3.5 和 GPT-4）在检测自然语言中的讽刺的应用。该研究测试了不同大小和版本的精调和零 - shot 模型，并在 Self-Annotated Reddit Corpus（SARC 2.0）的政治和均衡（pol-bal）部分的讽刺数据集上进行了评估。结果显示，在精调的情况下，最大的精调 GPT-3 模型在准确性和 F1-score 方面达到了 0.81，超过了之前的模型。在零 - shot 的情况下，其中一个 GPT-4 模型的准确性为 0.70，F1-score 为 0.75，其他模型得分较低。此外，每个版本的模型性能可能会有所改善或恶化，强调了需要在每个版本发布后重新评估性能的必要性。

Dec, 2023

本研究旨在对英语计算讽刺研究的最新进展和趋势进行简要概述，包括使用非监督预训练转换器在多模态环境中进行讽刺检测以及整合上下文以识别讽刺。我们介绍与讽刺相关的数据集、方法、趋势、问题、挑战和任务，提供针对讽刺的特征和其提取方法的汇总表，以及各种方法的性能分析，这些都可以帮助相关领域的研究人员了解讽刺检测中的最新技术实践。

Sep, 2022