本研究旨在探讨印度尼西亚自然语言处理领域的数据稀缺问题，并提出了一种名为 NusaCrowd 的众包方法，通过聚合印尼语系的数据资源来加强该领域的研究。

Jul, 2022

本文介绍了针对印度尼西亚低资源语言的第一次并行资源开发，包括数据集、多任务基准、词汇表和印度尼西亚 - 英文平行数据集，并描述了创建这些资源的挑战。该研究的目的是激发有关印度尼西亚和其他代表性不足语言的自然语言处理研究。

May, 2022

本研究引入了印度尼西亚自然语言理解（IndoNLU）任务的第一个巨大资源及其预训练模型 IndoBERT，包括从单句分类到对句子序列标记的 12 个任务，并提供了基准模型和评估框架以使每个人都能评估自己的系统性能。

Sep, 2020

对印尼本土语言进行案例研究的结果表明，原生说话者通过段落撰写所生成的数据集在词汇多样性和文化内容方面优质，有助于推广自然语言处理技术到较少研究的语言领域。

Sep, 2023

介绍了 Bhinneka Korpus 这一多语种并行语料库，以增强印度尼西亚当地语言资源的获取和利用，并通过 IBM 模型 1 实验表明该语料库在进一步发展低资源语言的高级 NLP 技术和多语种翻译模型方面显示出良好的性能。

Apr, 2024

东南亚 (SEA) 是一个语言多样性和文化多样性丰富的地区，拥有 1300 多种土著语言和 6.71 亿人口。然而，现有的人工智能模型在表示东南亚语言的文本、图像和音频数据方面存在显著的不足，损害了东南亚语言的人工智能模型的质量。为了应对这些挑战，我们介绍了 SEACrowd，这是一个协作倡议，它整合了一个全面的资源中心，通过提供近 1000 种东南亚语言的标准化语料库来填补资源缺口。通过我们的 SEACrowd 基准测试，我们评估了 36 种土著语言在 13 个任务上的人工智能模型的质量，为东南亚当前的人工智能发展提供了有价值的见解。此外，我们提出了促进更大的人工智能进展的策略，最大限度地发挥人工智能在东南亚的潜在效用和资源平等性。

Jun, 2024

我们提出了 IndoNLI 数据集，这是第一个人类收集的适用于印度尼西亚语的 NLI 数据集。我们采用 MNLI 的数据收集协议，收集了近 18K 个由众包工人和专家标注的句子对。实验结果表明，在我们的数据中，XLM-R 的性能优于其他预训练模型。最佳性能仍然远低于人类性能（13.4％的准确度差距），表明此测试集具有特别的挑战性。此外，我们的分析显示，我们的专家标注数据比众包标注数据更加多样化，注释工件更少。我们希望这个数据集可以帮助加快印尼自然语言处理研究的进展。

Oct, 2021

本文研究了推特上少数语言数据的应用，针对印尼地方语言的本土化问题，提出了一个基于地理信息自动标注的本地化 Indonesian NLP 框架。

Jun, 2022

NusaBERT 是一种基于 IndoBERT 的模型，通过词汇扩展和多样化的多语种语料库，解决了印度尼西亚多语种和方言的自然语言理解问题，取得了最先进的成果，为研究少数语言奠定了基础。

Mar, 2024

本文介绍了 IndoSum，一个新的印度尼西亚文本摘要基准数据集，采用新闻文章和手动构建的摘要，该数据集是先前相同领域的数据集的近 200 倍，使用各种抽取式摘要方法进行了评估，获得了令人鼓舞的结果，为未来研究提供了基准。

Oct, 2018