CODEOFCONDUCT 多语言反语生成：面向低资源语言的情境感知模型
计算与语言
2025-01-07 v2
摘要
本文介绍了一种情境感知模型，用于鲁棒的反语生成，该模型在 MCG-COLING-2025 共享任务中取得了显著的成功。我们的做法在低资源语言环境中尤为出色。通过利用在多语言数据集上微调的模拟退火算法，模型可为仇恨言论生成事实准确的响应。我们在四种语言（巴斯克语、英语、意大利语和西班牙语）上实现了最先进的性能，其中该系统在巴斯克语中排名第一，在意大利语中排名第二，在英语和西班牙语中分别排名第三。值得注意的是，该模型在巴斯克语中获取了所有三个顶尖位置，凸显了其在低资源场景中的有效性。共享任务的评估采用了传统指标（BLEU、ROUGE、BERTScore、 Novelty）以及基于 LLM 的 JudgeLM。我们对我们的結果进行了详细分析，包括对模型性能的经验评估以及在评估指标中的综合得分分布。该工作为日益增长的多语言反语生成研究提供了见解，为开发能够适应多样语言和文化背景、应对网络仇恨言论的鲁棒模型提供了洞见。
引用
@article{arxiv.2501.00713,
title = {CODEOFCONDUCT at Multilingual Counterspeech Generation: A Context-Aware Model for Robust Counterspeech Generation in Low-Resource Languages},
author = {Michael Bennie and Bushi Xiao and Chryseis Xinyi Liu and Demi Zhang and Jian Meng and Alayo Tripp},
journal= {arXiv preprint arXiv:2501.00713},
year = {2025}
}
备注
to be published in MCG-COLING's 2025 conference proceedings