Bangla-English 双语代码混合语料库：用于隐式意义识别的 MixSarc

Bangla-English 双语代码混合在南亚社交媒体中广泛存在，但针对该环境下隐式意义识别的资源仍然稀缺。现有的情感和讽刺模型主要关注单语英语或高资源语言，难以处理转写变体、文化背景引用以及句内语言切换。为填补这一差距，我们引入 MixSarc，这是第一个面向隐式意义识别的公开 Bangla-English 双语代码混合语料库。该数据集包含 9,087 条手动标注的句子，标记为幽默、讽刺、冒犯和粗俗。我们通过针对性社交媒体收集、系统筛选和多标注者验证构建了语料库。我们对 transformer-based 模型进行基准测试，并评估了在结构化提示下进行的零样本大语言模型。结果显示，在幽默检测上表现良好，但在讽刺、冒犯和粗俗检测上由于类别不平衡和语用复杂性出现显著下降。零样本模型实现了竞争的微F1分数，但准确率较低。进一步分析显示，外部数据集中超过 42% 的负面情感实例表现出讽刺特征。MixSarc 为在 culturally aware 的 NLP 以及在代码混合环境中实现更可靠的多标签建模提供了基础资源。