跨语言检测希望：面向积极在线话语的多分类研究
计算与语言
2025-10-01 v1 机器学习
摘要
社交媒体中希望言论的检测已成为促进积极话语和福祉的一项关键任务。本文提出了一种机器学习方法，用于跨多种语言（包括英语、乌尔都语和西班牙语）进行多分类希望言论检测。我们利用基于Transformer的模型，特别是XLM-RoBERTa，将希望言论检测并分类为三个不同的类别：广义希望、现实希望和不切实际的希望。我们提出的方法在PolyHope-M 2025共享任务的PolyHope数据集上进行了评估，在所有语言中均取得了有竞争力的性能。我们将结果与现有模型进行了比较，表明我们的方法在宏观F1分数上显著优于先前的最先进技术。我们还讨论了在低资源语言中检测希望言论的挑战以及改进泛化能力的潜力。这项工作有助于开发多语言、细粒度的希望言论检测模型，这些模型可用于增强积极内容审核和培育支持性的在线社区。
引用
@article{arxiv.2509.25752,
title = {Detecting Hope Across Languages: Multiclass Classification for Positive Online Discourse},
author = {T. O. Abiola and K. D. Abiodun and O. E. Olumide and O. O. Adebanji and O. Hiram Calvo and Grigori Sidorov},
journal= {arXiv preprint arXiv:2509.25752},
year = {2025}
}