DS@GT at CheckThat! 2025：基于迁移学习与纠错数据增强的主观性检测
计算与语言
2025-07-09 v1 人工智能
摘要
本文 presenting our submission to Task 1, Subjectivity Detection, of the CheckThat! Lab at CLEF 2025. 我们探讨了迁移学习和风格化数据增强在English新闻文本中提高主客句子分类效果的有效性。我们的方案对比了对预训练编码器的微调与对在相关任务上微调的变换模型的迁移学习。我们还引入了基于GPT-4o的受控增强管道，用于生成预定义主观性风格的改写文本。为确保标签和风格一致性，我们使用同一模型对生成样本进行纠正和精炼。结果表明，指定编码器的迁移学习优于对通用型编码器的微调，仔细筛选的增强显著提升模型鲁棒性，尤其在检测主观内容方面。我们的官方提交位列24名参赛者中的第16名。总体而言，我们的发现凸显了编码器专业化与标签一致性增强相结合对改进主观性检测的价值。我们的代码可在 https://github.com/dsgt-arc/checkthat-2025-subject 查阅。
引用
@article{arxiv.2507.06189,
title = {DS@GT at CheckThat! 2025: Detecting Subjectivity via Transfer-Learning and Corrective Data Augmentation},
author = {Maximilian Heil and Dionne Bang},
journal= {arXiv preprint arXiv:2507.06189},
year = {2025}
}