SemEval-2024 任务 10 旨在识别情绪并找到其在单语英文和印地英语混合对话中翻转的原因。该任务包括三个子任务：混合语言对话中的情绪识别，混合语言对话中的情绪翻转推理以及英语对话中的情绪翻转推理。参与者的任务是自动执行一个或多个子任务。数据集包括手动标注的关注情绪和情绪转变触发器的对话。共有 84 个参与者参与了该任务，其中最优系统的 F1 得分分别为 0.70、0.79 和 0.76。本文总结了来自 24 个团队及其系统描述的结果和发现。

Feb, 2024

本研究提出了一种基于遮蔽记忆网络和参与讲话者的转换器模型，用于在对话中的情感识别及情感变化推理，并介绍了可能触发情感变化的对话区域。该方法在第三子任务中相对任务基准模型提高了 5.9（F1 分数），故设计选择在该方法中具备重要意义。

Apr, 2024

本研究论文介绍了 MasonTigers 参与 SemEval-2024 任务 1 的成果，该任务涵盖了 14 种不同语言的监督学习、无监督学习和跨语言方法。MasonTigers 是两个参与了所有语言的团队之一，在三个任务中取得了从第 11 到第 21 名的排名（Track A）、第 1 到第 8 名的排名（Track B）和第 5 到第 12 名的排名（Track C）。我们的最佳方法结合了统计机器学习方法的集成以及语言特定的 BERT 模型和句子转换器。

Mar, 2024

这篇论文介绍了 MasonTigers 参与 SemEval-2024 任务 8，即多生成器、多域和多语言黑盒机器生成文本检测。该任务包括二进制的人工书写 vs. 机器生成文本分类（A 轨道），多种机器生成文本分类（B 轨道）和人机混合文本检测（C 轨道）。我们最好的方法主要使用鉴别器转换模型的集成，以及句子转换模型和统计机器学习方法在特定情况下。此外，对于 A 轨道和 B 轨道，还使用了零样本提示和 FLAN-T5 的微调。

Mar, 2024

ISDS-NLP 团队在 SemEval 2024 任务 10 中提出了 EDiReF 方法，采用了掩码语言模型和因果语言模型两种不同的方法，研究了多语种设置下对情感进行预测的效果，并发现掩码语言模型在句子级情感分类方面的性能优于 Mistral 模型。

May, 2024

我们的研究采用大型语言模型 (LLMs) 和几种提示技术解决自然语言理解测试中提供的谜题数据集。通过零瞄和少瞄提示，相较于开源模型，我们的专有模型表现出合理的结果。通过分步提示的迭代提示方法，我们进一步改进了结果。通过使用一系列分步提示，我们在字谜题子任务中获得第二名，在句子谜题子任务中获得第 13 名。提示型大型语言模型表现出较强的性能，证明了当提供思维过程分解时，它们具备处理复杂推理的能力。我们的工作揭示了分步解释性提示如何释放大型模型参数中更多的知识。

Mar, 2024

本文探讨了识别会话中讲话者情感波动背后的推手或起因，即 Instigator based Emotion Flip Reasoning 任务，并提出了数据集 MELD-I 和新颖的神经架构 TGIF，实现了对话背景、讲话者动态和情感序列的捕捉和分类，结果表明相比于五个基准，F1 值提高了 4-12％。

Jun, 2023

本篇论文描述了研究团队为 SemEval-2020 Task 9 开发的两个系统，用于涵盖印地语 - 英语和西班牙语 - 英语这两种混合语言。通过介绍利用多种神经网络方法和预训练的单词嵌入的解决方案，我们提出的多语言 BERT 方法在印地语 - 英语任务中取得了有前途的表现，平均 F1 得分为 0.6850，对于西班牙语 - 英语任务，我们使用另一种基于 Transformer 的多语言模型 XLM-RoBERTa 获得了平均 F1 得分为 0.7064，排名团队第 17 位 (29 个参赛者中).

Sep, 2020

通过整合文本、音频和视觉模态的专门情感编码器，我们提出了一种新颖的多模态情感识别和多模态情感因果抽取（MER-MCE）框架，与其他顶级团队相比，我们的方法利用模态特定特征来增强情感理解和因果推断，并进行了实验性评估来展示其优势，我们的成绩在加权 F1 得分中排名第三，仅相差 0.0339 分以及第一名队伍，相差 0.0025 分以及第二名队伍。

Mar, 2024

这篇论文概述了 SemEval-2024 任务 3 的目标，即从对话中提取所有情绪和其对应原因的对，并介绍了顶级团队的系统以及参与者的发现。

May, 2024