本文介绍了我们在ArabicNLP 2023的ArAIEval挑战中的最佳提交结果，我们主要关注任务1，该任务涉及从推特和新闻文章的摘录中识别说服技巧，我们使用XLM-RoBERTa进行训练，并在阿拉伯语文本中检测到说服技巧。通过微调多语言语言模型，这种方法表现出很强的效果。在测试集评估中，我们在子任务A中取得了0.64的微观F1分数。

Oct, 2023

介绍了ArAIEval共享任务的概述，该任务主要包括通过检测推文和新闻文章中的说服技巧来识别说服技巧，并通过推文中的二进制和多类别设置来检测虚假信息。

Nov, 2023

使用大型语言模型（如GPT-4）作为标注员，通过提供更多信息来改善注释一致性和性能，从而进行检测宣传性文本片段的研究。

Nov, 2023

使用 GPT-4 大型语言模型对包含6种其他语言的传媒行文进行细粒度的宣传技术检测，结果显示该模型在不同语种的跨度检测任务中遇到困难，相比于用于宣传检测的不同分类层次的模型微调后，GPT-4 仍然远远落后。

Feb, 2024

利用Class Definition Prediction和超边缘嵌入方法构建的集成模型，提高了迷因分类的准确性和全面性，实现了多语言感化技巧的检测任务。

Apr, 2024

本研究针对阿拉伯社交媒体内容，利用预训练语言模型（PLMs）进行了全面的经验研究，旨在识别其中的说服技术。通过特征提取、微调和提示工程技术三种学习方法的实验比较，得出微调方法在二分类和多标签分类任务上取得了最高结果，f1-micro分数为0.865，f1-weighted分数为0.861。此外，通过使用少样本学习技术，我们观察到在性能相对较低的GPT模型上可以提高结果达20％，这为未来的研究和探索方向提供了有希望的方向。

May, 2024

本文研究了阿拉伯文本中宣传技术检测的优化，包括推文和新闻段落，通过对阿拉伯评估任务1的AraBERT v2模型进行微调和使用神经网络分类器对序列标记进行了实验。实验结果表明，依靠单词的第一个标记进行技术预测可以取得最佳性能。此外，将体裁信息作为特征加入模型进一步增强了性能。我们的系统在排行榜上得分为25.41，排名第四。随后的提交改进进一步提高了我们的得分至26.68。

Jul, 2024

本研究旨在通过改进模型训练方法和研究平衡与非平衡的训练数据集的影响，提高在迷因文本中多种具有说服力的技术的有效识别和分类。结果表明，使用释义进行训练可以提高模型性能，而平衡的训练集比较大但不平衡的训练集更有优势。

Jul, 2024

该研究概述了ArAIEval共享任务的第二版，任务包括检测推特和新闻文章中带有说服技巧的宣传文本，以及区分宣传性和非宣传性的表情包，参与的系统主要采用了AraBERT等细调的变压器模型。

Jul, 2024

本研究解决了当前文献中对迷因中宣传与仇恨交集研究的不足。通过多智能体大语言模型的方法，研究发现迷因中的宣传和仇恨存在关联，并扩展了迷因数据集以包含粗细粒度仇恨标签。这一发现为未来的研究提供了基线实验结果，并将公开实验资源供社区使用。

Sep, 2024