BITS普拉尼在SemEval-2026 Task 9：结构化监督微调结合DPO精炼用于极化检测
计算与语言
2026-05-11 v2
摘要
POLAR SemEval-2026共享任务旨在检测线上极化，聚焦于多语言、多文化、多事件极化的分类与识别。由于包含细微修辞、隐式框架以及人类在环标注成本高昂，准确地计算检测线上极化颇具挑战性。基于最近的发现，情境提示使大语言模型成为强大的极化检测器，我们提出了两种阶段的方法，用于检测社交媒体文本中的极化，将结构化监督微调与直接偏好优化（DPO）精炼相结合。我们使用可解释的槽位填充模板（目标、主张类型、显现清单及依据）对Qwen 2.5-7B-Instruct进行LoRA微调。随后应用DPO，利用自动生成的偏好对进行精炼，以减少昂贵的漏报。我们提交的系统在英文测试集上实现了0.7664的宏平均F1。后续实验中，采用Mistral-Nemo-Instruct-2407和LLM-judge过滤的偏好对进一步提升至0.8162的宏平均F1（未提交至CodaBench），超越组织者基线的0.7802。
引用
@article{arxiv.2604.11121,
title = {BITS Pilani at SemEval-2026 Task 9: Structured Supervised Fine-Tuning with DPO Refinement for Polarization Detection},
author = {Atharva Gupta and Dhruv Kumar and Yash Sinha},
journal= {arXiv preprint arXiv:2604.11121},
year = {2026}
}
备注
Accepted to the 20th International Workshop on Semantic Evaluation (SemEval-2026), to be held in conjunction with ACL 2026