فريق UNCC@LT-EDI-EACL2021: اكتشاف الكلام المُحفِّز باستخدام التعلم المن転 مع نماذج المحولات
{Samira Shaikh Erfan Al-Hossami Khyati Mahajan}
الملخص
في هذه الورقة، نصف نهجنا في استخدام النماذج المُدرَّبة مسبقًا لمهام كشف تعبيرات الأمل. شاركنا في المهمة 2: كشف تعبيرات الأمل من أجل المساواة والتنوع والاندماج (Hope Speech Detection for Equality, Diversity and Inclusion) ضمن فعالية LT-EDI-2021 في مؤتمر EACL2021. يهدف هذا التحدي إلى التنبؤ بوجود تعبيرات الأمل، بالإضافة إلى التعامل مع عينات لا تنتمي إلى نفس اللغة ضمن مجموعة البيانات. نوضح نهجنا في تحسين نموذج RoBERTa للكشف عن تعبيرات الأمل باللغة الإنجليزية، وكذلك نهجنا في تحسين نموذج XLM-RoBERTa للكشف عن تعبيرات الأمل باللغتين التاميلية والمالايالامية، وهما لغتان منخفضتا الموارد من الفئة الهندية. نُظهر أداء نهجنا في تصنيف النصوص إلى فئات: تعبيرات أمل، وغير أمل، وغير لغة. وقد تصدر نهجنا التصنيف الأول في الإنجليزية (F1 = 0.93)، والتصنيف الأول في التاميلية (F1 = 0.61)، والتصنيف الثالث في المالايالامية (F1 = 0.83).
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| hope-speech-detection-for-english-on-hopeedi | RoBERTa | Weighted Average F1-score: 0.93 |
| hope-speech-detection-for-malayalam-on | XLM-RoBERTa | Weighted Average F1-score: 0.87 |
| hope-speech-detection-for-tamil-on-hopeedi | XLM-RoBERTa | Weighted Average F1-score: 0.60 |
| hope-speech-detection-on-hopeedi | RoBERTa | Weighted Average F1-score: 0.93 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.