Jul, 2023

AI-UPV 在 EXIST 2023 中使用大型语言模型进行学习与分歧制度下的性别歧视特征化

PDF
TL;DR该研究论文描述了 AI-UPV 团队在 CLEF 2023 的 EXIST（社交网络中的性别歧视识别）实验室中的参与情况，旨在通过训练大型语言模型和集成策略来解决性别歧视识别和分类的任务，在学习中处理争议，无需使用任何聚合标签。
social media platformssexism identificationlearning with disagreementslarge language modelsensemble strategies
发现论文，激发创造
  • 双语性别歧视分类：Fine-Tuned 的 XLM-RoBERTa 和 GPT-3.5 少样本学习

    通过利用自然语言处理模型，提高双语环境（英语和西班牙语）下的性别歧视识别能力，并使用 XLM-RoBERTa 模型和 GPT-3.5 完成两个任务，即判断文本是否性别歧视以及其来源意图。

    Jun, 2024

  • HausaNLP 在 SemEval-2023 任务 10 中的应用：传递学习、合成数据和侧面信息用于多级别性别歧视分类

    本文对 SemEval-2023 Task 10 的 EDOS 任务进行了参与和研究，讨论了将两个语言模型：XLM-T 和 HateBERT 迁移用于英语 Gab 和 Reddit 数据集的多层次分类，进一步细分至性别歧视或非性别歧视，并使用人工标签数据和中间类信息实现了用于最大化模型性能的综合分类。我们提交的系统在 Task A 排名第 49，F1 得分为 0.82，并且仅低于最优系统 F1 得分 0.052％，表现具有较竞争力。

    Apr, 2023

  • SemEval-2023 任务 10 中的 LCT-1: 预训练和多任务学习用于性别歧视检测和分类

    这篇论文讲述了如何提高对网络性别歧视检测的可解释性，并对比了单一任务和多任务学习在不同子任务下的表现。

    Jun, 2023

  • CL-UZH 参加 SemEval-2023 任务 10：通过标签描述的增量微调和多任务学习检测性别歧视

    本文介绍了一个用于在线性别歧视检测的多任务模型，该模型通过对各种相关任务和数据集进行微调，然后在具体任务上进行微调，通过将每个任务形式化为二进制成对文本分类来实现多任务学习，结果相对于使用 DeBERTa-V3 fine-tuned 作为基准的结果进行比较，在任务 A 中，F1 值达到了 85.9％（rank 13/84），在任务 B 中达到了 64.8％（rank 19/69），在任务 C 中达到了 44.9％（rank 26/63）。

    Jun, 2023

  • IUST_NLP 参加 SemEval-2023 第 10 项任务：基于 Transformers 和任务自适应预训练的可解释性性别歧视检测

    本论文描述了我们的系统，旨在设计出一个自动系统来探测和分类在线空间中的性别歧视内容。我们提出了一组基于 transformer 的预训练模型，通过任务适应式预训练和集成学习相结合。通过分析不同的 transformer-based 预训练模型的性能以及组合这些模型，提供了一种使用大量未标注数据的有效方法，同时还探索了几种其他策略。在测试数据集上，我们的系统分别在子任务 A，B 和 C 上取得 83％，64％和 47％的 F1 分数。

    May, 2023

  • 斯坦福 MLab 参加 SemEval-2023 任务 10：探索基于 GloVe 和 Transformer 的可解释在线性别歧视检测方法

    本文讨论了我们在 SemEval-2023 任务 10 中应用的方法：实现在线性别歧视的可解释检测。我们进行了三个分类任务以预测文本是否具有性别歧视，将性别歧视文本分类为子类以提供其他解释。我们尝试了许多不同类型的模型，包括 GloVe 嵌入作为基线方法，基于 transformer 的深度学习模型如 BERT，RoBERTa 和 DeBERTa，集成模型和模型混合。我们探索了各种数据清理和增强方法以提高模型性能。预训练 transformer 模型在性能上产生了显着的改进，而集成和混合略微提高了 F1 的稳健性。

    May, 2023

  • 反性别歧视警报系统：利用人工智能技术识别社交媒体上的性别歧视评论

    基于自然语言处理和人工智能的反性别歧视警报系统可分析任何公共帖子，判断是否为性别歧视评论，提供类似于交通灯的颜色系统来判断整体帖子中是否存在性别歧视，该系统在西班牙语标记数据集上训练，并取得了很好的性能表现。

    Nov, 2023

  • 2023 SemEval 任务 10：使用多数表决微调 Transformers 可解释检测在线性别歧视

    本文介绍了我们在 SemEval 2023 - 可解释的在线性别歧视检测 (EDOS) 的 Task 10 中的贡献，包括三个子任务。我们提出了使用 BERT-based 模型进行实验和调优、并使用多数表决模型的方法来检测和解释在线性别歧视内容。在三个任务中，我们的系统均取得了优异的宏 F1 得分。

    Apr, 2023

  • UPB 在 SemEval-2022 任务 5 中：利用图像情感和图卷积网络增强 UNITER，用于多媒体自动骚扰辨识

    本文描述了我们提交到 SemEval-2022 Task 5 的分类系统，旨在通过分析文本和 meme 图像一起识别多方面的厌恶内容，我们提出了两种基于预训练 UNITER 模型的模型和一种基于词表图卷网络的模型，并探索了一个集合方法，我们最好的模型在 Sub-task A 达到 71.4% 的 F1 值，在 Sub-task B 达到 67.3％的 F1 值，这将我们的团队排在排行榜的前三分之一。我们在 GitHub 上发布了我们的代码和实验。

    May, 2022

  • 利用 BERT 和 SVM 识别冒犯性推文的 SemEval-2019 任务 6 中的 UM-IU@LING

    介绍了 UM-IU@LING 在 SemEval 2019 Task 6 中采用混合方法识别和分类社交媒体中的仇恨言论的系统，在子任务 A 中，使用经过微调的基于 BERT 的分类器在推文中检测恶意内容，在测试集上获得了 0.8136 的宏 F1 分数，位于 103 个提交中的第三名，在任务 B 和 C 中，使用选定字符 n-gram 特征的线性支持向量机，在子任务 C 中，系统可以识别出滥用的目标，最终在 65 个提交中排名第 27 位。

    Apr, 2019