GermEval 2025 糖果言语检测共享任务中的 AIxcellent Vibes：通过片段级训练提升模型性能
计算与语言
2025-09-17 v2
摘要
社交媒体中积极、支持性的在线交流（糖果言语）有潜力促进文明，然而对此类语言的自动检测仍探索不足，限制了对其影响的系统性分析。我们研究了如何通过单语和多语言语言模型（包括 GBERT、Qwen3 Embedding 和 XLM-RoBERTa）在一个包含 4.6 万条评论的德语 YouTube 语料库中可靠地检测糖果言语。我们发现，一个经过片段级糖果言语检测训练的多语言 XLM-RoBERTa-Large 模型优于其他方法，在 GermEval 2025 糖果言语检测共享任务的两个子任务中均排名第一：二元正面 F1 值为 0.8906，分类片段检测严格 F1 值为 0.6307。我们推测，基于片段的训练、多语言能力以及能识别表情符号的分词器提高了检测性能。我们的结果证明了多语言模型在识别积极、支持性语言方面的有效性。
引用
@article{arxiv.2509.07459,
title = {AIxcellent Vibes at GermEval 2025 Shared Task on Candy Speech Detection: Improving Model Performance by Span-Level Training},
author = {Christian Rene Thelen and Patrick Gustav Blaneck and Tobias Bornheim and Niklas Grieger and Stephan Bialonski},
journal= {arXiv preprint arXiv:2509.07459},
year = {2025}
}
备注
6 pages, 1 figure, 2 tables