EMNLPNov, 2022

自动提取文本中社会政治事件的挑战和应用：CASE 2022 研讨会和分享任务报告

PDF
TL;DR本文总结了在 EMNLP 2022 范围内举行的 CASE 工作坊的第五届会议，该工作坊聚焦于跨技术和社会科学领域的事件信息收集和多模态方法对该跨学科研究主题的拓展。
event informationemnlp 2022multimodal approachesinterdisciplinary researchtechnical and social science fields
发现论文，激发创造
  • 自动从文本中提取社会政治事件的挑战与应用 (CASE 2023)：研讨会和共享任务报告

    我们提供了第六届 RANLP 2023 CASE 研讨会的摘要。该研讨会汇集了技术和社会科学领域中事件信息收集的各个方面，不仅对文本事件提取的进展有所贡献，还提供了多模态事件信息收集任务的组织空间。

    Dec, 2023

  • 从新闻中自动提取社会政治事件（AESPEN）：研讨会和共享任务报告

    本研究旨在自动从新闻中提取社会政治事件，并讨论计算语言学和社会政治学研究在大规模跨源、跨国和跨语言的社会政治事件信息收集中的相互支持，研究内容包括机器学习方法学的评估、语言资源、物质冲突预测、核心参照识别等。

    May, 2020

  • 使用多注释决策进行因果检测

    该论文研究了利用基于 BERT 模型的自动化抽取技术进行抗议新闻因果关系检测的方法，提出了利用自定义的交叉熵损失函数的方法，实验结果表明 BERT-based-uncased 在 Causal News Corpus 数据集上的 F1 分数达到了 0.8501。

    Oct, 2022

  • 扩展的多语言抗议新闻检测 -- 共享任务 1，CASE 2021 和 2022

    该研究介绍了 CASE 2022 共享任务 1 的结果，重点关注跨语言抗议事件检测和多语言文档分类模型的开发，提出了一种基于集合模型的零 - shot 学习方案，并在 CASE2021 测试数据上表现出卓越的性能。

    Nov, 2022

  • CASE 2021 任务 1：多语种任务的不同方法探索在握手 AI 研究中的应用

    通过 CASE 2021 中的共同任务 1，在多语言环境下检测和分类社会政治和危机事件信息，证实了多语言任务的意义和模型训练方式。

    Oct, 2021

  • 1Cademy @ Causal News Corpus 2022: 在社会政治事件数据的因果分类中利用自训练

    本文介绍了我们参加 EMNLP 2022 的 CASE 研讨会的情况，利用自我训练方法解决了事件因果关系检测的问题，并验证了在不同训练集数量下模型性能的变化，结果表明自我训练可以显著提高模型性能，代码可在此 https 链接中公开获取。

    Nov, 2022

  • 事件提取：综述

    本综述介绍了从文本中检测事件的方法，探讨了任务定义、评估方法、基准数据集和方法学的分类，并展望了事件检测的未来研究方向。

    Oct, 2022

  • 从文本文档中检测和提取事件

    本文探讨了如何从文本中挖掘事件和附带信息，主要应用了机器学习技术进行事件检测和摘要，并讨论了在医学和 Twitter 上运用的应用和未来挑战

    Jan, 2016

  • 生成与政治相关的事件数据

    本文总结了政治事件数据的方法和本体，并进行一系列实验以确定深度神经网络在从新闻文本中提取政治事件方面的适用性。

    Sep, 2016

  • 利用因果新闻语料库进行事件因果识别 -- 共享任务 3，CASE 2022

    该论文总结了 17 个团队提交的结果以及 12 篇系统描述论文，介绍了他们在 CASE 2022 的事件因果性识别共享任务的表现。最好的 F1 分数分别为 86.19％和 54.15％，所有表现最佳的方法都涉及针对目标任务进行微调的预先训练的语言模型。本文还讨论了这些方法并分析了参与者系统中的错误。

    Nov, 2022