SemEval-2025 Task 10：大型语言模型的零样本实体框架
计算与语言
2025-04-30 v1 计算机与社会
摘要
理解新闻叙事如何框架化实体对于研究媒体对事件社会感知的影响至关重要。本文评估了大型语言模型 (LLMs) 在零样本情境下对框架角色进行分类的能力。通过系统化实验，我们考察了输入上下文、提示策略和任务分解的效果。我们的发现表明，先识别宽泛角色再识别细粒度角色的层次化方法优于单步分类。我们还展示，最佳输入上下文与提示在不同任务层面上各不相同，凸显了针对子任务进行特定策略的必要性。我们实现的主要角色准确率为 89.4%，精确匹配率为 34.5%，显示明了我们方法的有效性。我们的发现强调了针对 LLM 在实体框架任务中性能提升的定制提示设计与输入上下文优化的重要性。
引用
@article{arxiv.2504.20469,
title = {Fane at SemEval-2025 Task 10: Zero-Shot Entity Framing with Large Language Models},
author = {Enfa Fane and Mihai Surdeanu and Eduardo Blanco and Steven R. Corman},
journal= {arXiv preprint arXiv:2504.20469},
year = {2025}
}
备注
Accepted to The 19th International Workshop on Semantic Evaluation (Semeval 2025)