DeMeVa at LeWiDi-2025：利用In-Context Learning与标签分布学习建模视角
计算与语言
2025-09-12 v1 机器学习
摘要
本系统论文介绍DeMeVa团队应对第三届Learning with Disagreements共享任务(LeWiDi 2025; Leonardelli 等, 2025)的方法。我们探索两个方向：使用大型语言模型的In-Context Learning(ICL)，其中我们比较示例抽样策略；以及使用RoBERTa(Liu 等, 2019b)的标签分布学习(LDL)方法，其中我们评估了多种微调方法。我们的贡献有两个方面：(1)我们展示ICL能够有效预测注释员特定的注释(视角注释)，并且将这些预测聚合为软标签可实现竞争性的性能；(2)我们认为LDL方法对软标签预测具有前景，并值得由视角社区进一步探索。
关键词
引用
@article{arxiv.2509.09524,
title = {DeMeVa at LeWiDi-2025: Modeling Perspectives with In-Context Learning and Label Distribution Learning},
author = {Daniil Ignatev and Nan Li and Hugh Mee Wong and Anh Dang and Shane Kaszefski Yaschuk},
journal= {arXiv preprint arXiv:2509.09524},
year = {2025}
}
备注
11 pages, 4 figures; to appear at NLPerspectives@EMNLP-2025