RAG-RLRC-LaySum at BioLaySumm: Integrating Retrieval-Augmented Generation and Readability Control for Layman Summarization of Biomedical Texts
University of Pittsburgh(匹兹堡大学);Salesforce Research(Salesforce研究院)
本文提出RAG-RLRC-LaySum框架,结合检索增强生成与可读性控制强化学习,提升生物医学文本通俗摘要的准确性与可读性,在PLOS和eLife数据集上显著超越Plain Gemini模型。
2024-06-24 cs.CL
Flesch-Kincaid Readability Depends Only on the Topic Distribution in Long Texts under Topic Models
Tokyo Gakugei University(东京学艺大学)
该研究基于带句子边界标记的主题模型,发现长文本的Flesch-Kincaid可读性仅取决于主题分布,通过实验在Brown和BNC语料库中验证了主题向量对FKGL的高预测性。
2026-08-25 cs.CL
Book Success Prediction with Pretrained Sentence Embeddings and Readability Scores
The University of Michigan(密歇根大学);University of Louisiana at Lafayette(路易斯安那大学拉法叶分校)
提前预测一本书的潜在成功在许多应用中至关重要。这可以帮助出版商和读者分别决定一本书是否值得出版和阅读。在本文中,我们提出了一个模型,该模型利用预训练的句子嵌入以及各种可读性分数来预测书籍的成功。与以前的方法不同,所提出的方法不需要计数为基础的,词汇,或句法功能。相反,我们在预训练的句子嵌入上使用卷积神经网络,并通过简单的连接操作利用不同的可读性分数。我们提出的模型优于强大的基线为这个任务高达6.4\%F1分数点。此外,我们的实验表明,根据我们的模型,只有前1K个句子足以预测书籍的潜在成功。
2021-10-05 cs.AI cs.CL
Emotion Classification in a Resource Constrained Language Using Transformer-based Approach
Chittagong University of Engineering & Technology(吉大港工程与技术大学)
虽然情感分类的研究在高资源语言中取得了显着进展,但对于孟加拉语等资源受限的语言来说,这仍然是一个起步阶段。然而,缺乏必要的语言处理工具和基准语料库的不足,使得孟加拉语的情感分类任务更具挑战性和复杂性。这项工作提出了一种基于transformer的技术,将孟加拉语文本分类为六种基本情绪之一:愤怒,恐惧,厌恶,悲伤,喜悦和惊讶。孟加拉语情感语料库由6243文本的分类任务。使用各种机器学习(LR、RF、MNB、SVM)、深度神经网络(CNN、BiLSTM、CNN+BiLSTM)和基于Transformer(Bangla-BERT、m-BERT、XLM-R)的方法进行实验。实验结果表明,XLM-R通过在测试数据上实现最高加权$f_1$ -评分$69.73\%$而优于所有其他技术。该数据集可在https://github.com/omar-sharif03/NAACL-SRW-2021上公开获得。
2021-04-17 cs.CL
Evaluating Large Language Models for Multilingual Abstractive Summarization: A Comprehensive Study of English and Bengali
Islamic University of Technology(伊斯兰科技大学)
本文通过对8种LLM在英语和孟加拉语XL-Sum测试集的零样本基准测试,发现多语言摘要生成存在跨语言差异,单一评估指标不可靠,需为低资源语言构建综合评估框架。
2026-10-15 cs.AI cs.CL
Multimodal Hate Speech Detection from Bengali Memes and Texts
Fraunhofer FIT(弗劳恩霍夫应用信息技术研究所);RWTH Aachen University(亚琛工业大学);Noakhali Science and Technology University(诺阿卡利科技大学);University of Siegen(锡根大学);University of Galway(戈尔韦大学)
已经提出了许多基于机器学习(ML)和深度学习(DL)的方法,以利用来自社交媒体的文本数据进行反社会行为分析,如网络欺凌、假新闻检测和仇恨言论识别,主要针对英语等资源丰富的语言。然而,尽管有很多的多样性和数以百万计的母语,一些语言,如孟加拉语资源不足,这是由于缺乏自然语言处理(NLP)的计算资源。与其他语言类似,孟加拉语社交媒体内容也包括图像和文本(例如,多模态模因通过将短文本嵌入到Facebook上的图像中来发布)。因此,只有文本数据不足以判断它们,因为图像可能会提供额外的上下文来做出正确的判断。本文是关于仇恨语言检测多模态孟加拉模因和文本。我们为孟加拉语的一种问题准备了唯一的多模态仇恨语音数据集,我们用它来训练最先进的神经架构(例如,具有词嵌入的Bi-LSTM/Conv-LSTM,ConvNets +预训练的语言模型,例如,单语孟加拉语BERT、多语言BERT-cased/uncased和XLM-RoBERTa)来联合分析文本和视觉信息以用于仇恨语音检测。Conv-LSTM和XLM-RoBERTa模型对文本的表现最好,F1得分分别为0.78和0.82。对于模因,ResNet-152和DenseNet-161模型的F1得分分别为0.78和0.79。对于多模态融合,XLM-RoBERTa + DenseNet-161表现最好,F1评分为0.83。我们的研究表明,文本模态是最有用的仇恨…
2022-12-21 cs.AI cs.CL
How Effectively Can BERT Models Interpret Context and Detect Bengali Communal Violent Text?
BRAC University(BRAC大学)
本研究微调BanglaBERT模型检测孟加拉语社群暴力文本,通过数据扩充和集成学习将宏F1分数从0.60提升至0.63,并利用LIME和余弦相似度分析揭示模型在上下文理解上的局限,为减少在线社群暴力提供了有效工具。
2025-06-24 cs.CL
Zero-shot Large Language Models for Automatic Readability Assessment
New Jersey Institute of Technology(新泽西理工学院)
本文提出零样本提示方法用于自动可读性评估,并首次全面评估了使用大语言模型作为无监督方法的性能,通过测试10种不同开源大语言模型在14种不同数据集上的表现,证明了方法在14个数据集中优于先前方法,同时提出LAURAE结合LLM和可读性公式得分提升鲁棒性。
2026-04-27 cs.CL
indic-punct: An automatic punctuation restoration and inverse text normalization framework for Indic languages
Thoughtworks(思特沃克);Ekstep Foundation(Ekstep基金会)
自动语音识别(ASR)生成的文本大多数时候没有任何标点符号。缺少标点符号会影响文本的可读性。此外,诸如情感分析、机器翻译之类的下游NLP任务通过具有标点符号和句子边界信息而大大受益。我们提出了一种使用预训练IndicBERT模型的文本自动标点方法。逆文本规范化是通过手写加权有限状态转换器(WFST)语法来完成的。我们已经为11种印度语言开发了这个工具,即印地语,泰米尔语,泰卢固语,卡纳达语,古吉拉特语,马拉地语,奥迪亚语,孟加拉语,阿萨姆语,马拉雅拉姆语和旁遮普语。所有代码和数据都是公开的。可用
2022-03-31 cs.CL
A Novel Word Pair-based Gaussian Sentence Similarity Algorithm For Bengali Extractive Text Summarization
Institute of Information Technology(信息技术研究所);University of Dhaka(达卡大学);Centre for Advanced Research in Science(高级科学研究中心)
针对孟加拉语抽取式文本摘要现有方法语义关系表达不足的问题,提出基于词对的高斯句相似度(WGSS)算法,结合谱聚类与TF-IDF排序,在多个数据集上平均ROUGE分数优于现有模型43.2%,还构建新数据集并可扩展至其他低资源语言。
2024-11-27 cs.CL
Free-text Rationale Generation under Readability Level Control
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);Computational Linguistics, Department of Linguistics, Universität Potsdam(波茨坦大学语言学系计算语言学部门);Quality and Usability Lab, Technische Universität Berlin(柏林技术大学质量与可用性实验室);BIFOLD – Berlin Institute for the Foundations of Learning and Data(柏林学习与数据基础研究院);Computer Science Institute, Hochschule Ruhr West(鲁尔西部大学计算机科学研究所)
本文研究大语言模型在可读性水平控制下的自由文本理由生成,发现解释可适应指令但复杂度不完全匹配传统指标,且中等复杂度理由质量较高,高中水平可读性最受青睐。
2025-06-03 cs.CL
BeliN: A Novel Corpus for Bengali Religious News Headline Generation using Contextual Feature Fusion
Chittagong University of Engineering and Technology(吉大港工程技术大学);Bangladesh Army University of Science and Technology (BAUST)(孟加拉国陆军科技大学);Charles Sturt University(查尔斯斯特大学)
针对孟加拉语宗教新闻标题生成忽视上下文特征的问题,本文提出语料库BeliN和融合类别、方面与情感的MultiGen方法,实验表明其显著优于仅用内容的基线模型。
2025-01-02 cs.CL cs.LG
Gradient Masters at BLP-2025 Task 1: Advancing Low-Resource NLP for Bengali using Ensemble-Based Adversarial Training for Hate Speech Detection
SUST(斯瓦希里大学)
本文提出基于集成的对抗训练方法,用于孟加拉语低资源NLP中的仇恨言论检测,提升了子任务的分类性能。
2025-11-23 cs.CL
The Accuracy, Robustness, and Readability of LLM-Generated Sustainability-Related Word Definitions
Stanford University(斯坦福大学)
本研究比较了300个IPCC官方定义与GPT-4o-mini等三个LLM生成的定义,发现模型依从性为0.57-0.59±0.15且可读性较低,但能识别需标准化的歧义术语,强调需将模型输出与既定术语对齐以支持环境话语。
2025-02-02 cs.CL
Where Does Retrieval Fail? Evaluating RAG Architectures for Agricultural Advisory
North South University(北南大学)
该研究针对孟加拉语农业咨询场景,构建测试集评估RAG的检索架构与嵌入模型,发现单一综合分数无法反映检索差异,提出低资源RAG评估需按语言条件和查询类型报告性能。
2026-08-18 cs.CL
BanglaMemeEvidence: A Multimodal Benchmark Dataset for Explanatory Evidence Detection in Bengali Memes
Ahsanullah University of Science and Technology(阿山努拉科技大学)
研究旨在检测孟加拉语模因中解释其含义和幽默的特定句子,介绍了混合任务MemeEvidenceDetect,提出数据集BanglaMemeEvidence及多模态框架BengaliMemeEvidenceNet,实验验证了框架有效性,推动低资源语言模因分析。
2026-07-07 cs.AI cs.CL cs.CV
RephQA: Evaluating Readability of Large Language Models in Public Health Question Answering
Yale University, Department of Computer Science(耶鲁大学计算机科学系);Yale University, School of Nursing(耶鲁大学护理学院);Yale University, School of Public Health(耶鲁大学公共卫生学院);Northeastern University(东北大学)
本研究提出评估公共卫生问答场景下大语言模型可读性的基准RephQA,发现多数模型可读性不达标,经探索验证令牌适配GRPO策略效果最优,助力打造更实用的公共卫生智能体。
2025-10-03 cs.CL
DeepHateExplainer: Explainable Hate Speech Detection in Under-resourced Bengali Language
Fraunhofer FIT(弗劳恩霍夫应用信息技术研究所);RWTH Aachen University(亚琛工业大学);Noakhali Science and Technology University(诺亚克利科技大学);Begum Rokeya University(贝古姆·罗凯亚大学);The University of Alabama(阿拉巴马大学);National University of Ireland, Galway(爱尔兰国立高威大学);Islamic University of Technology(伊斯兰科技大学)
社交媒体和微博网站的指数级增长不仅为增强表达自由和个人声音提供了平台,而且使人们能够表达反社会行为,如在线骚扰、网络欺凌和仇恨言论。已经提出了许多工作来利用文本数据进行社会和反社会行为分析,通过预测主要是像英语这样的高资源语言的上下文。然而,有些语文资源不足,例如,南亚语言,如孟加拉语,缺乏精确的自然语言处理(NLP)的计算资源。在本文中,我们提出了一种可解释的方法,用于从资源不足的孟加拉语中检测仇恨言论,我们称之为DeepHateExplainer。首先对孟加拉语文本进行全面的预处理,然后使用基于transformer的神经架构的神经集成方法将其分类为政治,个人,地缘政治和宗教仇恨(即,单语孟加拉语BERT-基础,多语言BERT-大小写/非大小写,和XLM-RoBERTa)。然后使用敏感性分析和逐层相关传播(LRP)识别重要(最重要和最不重要)术语,然后提供人类可解释的解释。最后,我们计算全面性和充分性分数来衡量解释的质量w.r.t的忠实性。针对机器学习~(线性和基于树的模型)和神经网络(即,具有词嵌入基线的CNN,Bi-LSTM和Conv-LSTM分别为政治,个人,地缘政治和宗教仇恨产生了78%,91%,89%和84%的F1分数,优于ML和DNN基线。
2021-08-06 cs.CL cs.LG
Harnessing Large Language Models Over Transformer Models for Detecting Bengali Depressive Social Media Text: A Comprehensive Study
Ahsanullah University of Science and Technology(阿赫萨努拉科技大学);Dolami Inc.(Dolami公司);Bangladesh University of Business and Technology(孟加拉国商业技术大学)
本文构建孟加拉语社交媒体抑郁数据集BSMDD,提出微调模型DepGPT,并结合多种深度学习与Transformer模型进行对比,证明DepGPT在零样本和少样本场景下以0.9796准确率取得最优抑郁文本检测效果。
2024-01-14 cs.CL
A study of Vietnamese readability assessing through semantic and statistical features
University of Information Technology(信息科技大学);Vietnam National University(越南国家大学);International University(国际大学)
本研究提出结合统计与语义特征的方法,利用PhoBERT等语言模型和多种机器学习模型,在多个数据集上显著提升越南语文本可读性分类的准确性。
2024-11-07 cs.CL
Human Abnormality Detection Based on Bengali Text
Bangladesh University of Business & Technology(孟加拉商业技术大学)
在自然语言处理和人机交互领域,人类的态度和情感一直是研究者关注的焦点。然而,在人机交互领域,人体异常检测还没有得到广泛的研究,大多数工作依赖于基于图像的信息。在自然语言处理中,有效的意义可以潜在地通过所有的词来传达。每个词都可能带来困难的遭遇,因为它们与思想或类别的语义联系。本文介绍了一种高效的人体异常检测模型,该模型只使用孟加拉语文本。该模型可以通过分析输入的孟加拉语文本来识别一个人是处于正常状态还是异常状态。据我们所知,这是第一次尝试在开发一个基于文本的人类异常检测系统。我们创建了孟加拉语数据集(包含2000个句子),它是由自愿对话生成的。我们使用朴素贝叶斯和支持向量机作为分类器进行了比较分析。两种不同的特征提取技术计数向量,TF-IDF被用来实验我们构造的数据集。在我们的实验中,我们构建的数据集达到了最高89%的准确率和92%的F1分数。
2020-07-21 cs.CL cs.IR
Distributed Readability Analysis Of Turkish Elementary School Textbooks
Firat University(菲拉特大学)
可读性评估是评估阅读文本的难度。许多可读性测试并不表明执行效率,而是应用于特定的文本,以衡量科学教科书的阅读水平。在本文中,我们分析了小学土耳其教科书中所涵盖的内容,采用分布式并行处理框架的基础上流行的MapReduce范式。我们概述了一个分布式大数据处理系统的架构,该系统使用Hadoop进行全文可读性分析。文中还给出了教材的可读性评分和系统性能指标。
2018-02-11 cs.CL cs.DC
No Rumours Please! A Multi-Indic-Lingual Approach for COVID Fake-Tweet Detection
Dept. of CSE IIT Kharagpur, India(印度 IIT 卡哈拉格普尔分校计算机科学与工程系);Dept. of CSE IIIT Delhi, India(印度德里信息技术学院计算机科学与工程系);IBM Research Bangalore, India(印度班加罗尔 IBM 研究院)
当前全球大流行的COVID-19造成的突然广泛威胁对我们的生活产生了前所未有的影响。人类正在经历前所未有的巨大恐惧和对社交媒体的依赖。恐惧不可避免地导致恐慌、猜测和错误信息的传播。许多政府为了公众的福祉采取了措施来遏制这种错误信息的传播。除了全球措施外,为了有效地推广,人口统计学上的地方语言系统在这一努力中也可发挥重要作用。为此,我们提出了一种方法,可以从社交媒体(如推文)中早期检测出关于COVID-19的假新闻,适用于除英语之外的多种索引语言。此外,我们还创建了印地语和孟加拉语推文的注释数据集,用于假新闻检测。我们提出了一个基于BERT的模型,增加了从Twitter中提取的其他相关特征,以识别假推文。为了将我们的方法扩展到多种印度语言,我们采用了基于mBERT的模型,该模型在印地语和孟加拉语中创建的数据集上进行了微调。我们还提出了一种零样本学习方法来缓解这种低资源语言的数据稀缺问题。通过严格的实验,我们表明,我们的方法在虚假推文检测中达到了89%左右的F-Score,优于最先进的(SOTA)结果。此外,我们还为两种印度语,印地语和孟加拉语建立了第一个基准。使用我们的注释数据,我们的模型在印地语中实现了约79%的F-Score,在孟加拉语推文中实现了81%的F-Score。我们的zero-shot模型在没有任何注释数据的情况下,在印地语中实现了约81%的F-Score,在孟加拉语推…
2020-10-14 cs.CL cs.LG cs.SI
BenHalluEval: A Multi-Task Hallucination Evaluation Framework for Large Language Models on Bengali
Department of Computer Science and Engineering, Islamic University of Technology(伊斯兰科技大学计算机科学与工程系);Department of Computer Science and Engineering, University of California(加州大学计算机科学与工程系)
针对孟加拉语大语言模型幻觉评估的空白,提出BenHalluEval框架,涵盖四项任务,构建12000个幻觉候选,并提出双轨校准指标BenHalluScore,揭示模型间幻觉校准的显著差异。
2026-08-07 cs.AI cs.CL
Automatic Readability Assessment for Closely Related Languages
National University, Philippines(菲律宾国立大学);University of Bath(巴斯大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
本文针对菲律宾低资源语言,提出利用互通性和语言关联度改进自动可读性评估,并通过引入基于 n-gram 重叠的 CrossNGO 特征与多语言模型结合,在他加禄语和宿务语上取得最先进结果。
2023-05-25 cs.CL
An Automatic Speech Recognition System for Bengali Language based on Wav2Vec2 and Transfer Learning
Bangladesh University of Engineering & Technology(孟加拉国工程技术大学)
一种独立的、自动化的解码和转录口头语音的方法被称为自动语音识别(ASR)。典型的ASR系统从音频记录或流中提取特征,并运行一个或多个算法以将特征映射到对应的文本。近年来,人们在语音信号处理领域进行了大量的研究。当给予足够的资源时,传统的ASR和新兴的端到端(E2E)语音识别都产生了有希望的结果。然而,对于像孟加拉语这样的低资源语言,ASR的当前状态滞后,尽管低资源状态并没有反映出这种语言在全世界有超过5亿人使用的事实。尽管它很受欢迎,但没有太多不同的开源数据集,这使得很难对孟加拉语语音识别系统进行研究。本文是“BUET CSE Fest DL Sprint”竞赛的一部分。本文的目的是在迁移学习框架的基础上,采用E2E结构上的语音识别技术,提高孟加拉语的语音识别性能。该方法有效地模拟了孟加拉语,并在7747个样本的测试数据集上获得了3.819分的Levenshtein平均距离,当仅使用1000个训练数据集进行训练时。
2022-09-20 cs.CL cs.SD eess.AS
Detecting AI-Generated Paraphrases in Bengali: A Comparative Study of Zero-Shot and Fine-Tuned Transformers
Department of CSE, Ahsanullah University of Science and Technology, Bangladesh(阿沙努拉科技大学计算机科学与工程系);Department of CSE, BRAC University, Bangladesh(布拉克大学计算机科学与工程系);Department of CSE, Southeast University, Bangladesh(东南大学计算机科学与工程系);Enosis Solutions, Bangladesh(恩osis解决方案)
本研究比较了零样本和微调变换器模型在检测孟加拉语AI生成文本中的性能,发现微调显著提升检测准确率,其中XLM-RoBERTa、mDeBERTa和MultilingualBERT表现最佳。
2025-12-25 cs.AI cs.CL
IndicIRSuite: Multilingual Dataset and Neural Information Models for Indian Languages
IIT Bombay(印度理工学院孟买分校)
该研究推出面向11种印度语言的神经信息检索资源套件IndicIRSuite,包含多语言数据集INDIC-MARCO与11个单语检索模型Indic-ColBERT,实验验证其在多个基准上取得显著性能提升,填补了印度语言大规模神经IR资源的空白。
2023-12-15 cs.CL cs.IR
Parameter-Efficient Fine-Tuning for Low-Resource Languages: A Comparative Study of LLMs for Bengali Hate Speech Detection
Department of Computer Science and Engineering(计算机科学与工程系);University of Rajshahi(拉贾沙希大学);College of Engineering and Computer Sciences(工程与计算机科学学院);Marshall University(马歇尔大学)
本文通过参数高效微调方法,在孟加拉语仇恨言论检测中实现了高精度的F1分数,展示了低资源语言模型的有效性。
2025-10-19 cs.AI cs.CL cs.LG
Benchmarking Bengali Dialectal Bias: A Multi-Stage Framework Integrating RAG-Based Translation and Human-Augmented RLAIF
Department of Computer Science and Engineering(计算机科学与工程系)
本文提出一个多阶段框架,通过基于RAG的翻译和人类增强的RLAIF评估九种印地语方言的偏见。研究发现方言差异导致性能下降,模型规模增加不总是缓解偏见。
2026-09-29 cs.AI cs.CL cs.CY
Rank Your Summaries: Enhancing Bengali Text Summarization via Ranking-based Approach
Ahsanullah University of Science and Technology(阿萨努拉科技大学)
本文提出一种基于排序的孟加拉语文本摘要方法,预处理后由四个预训练模型生成候选摘要,并用文本排序算法选出最佳结果,在多项 NLG 指标上显著提升摘要质量。
2023-07-14 cs.AI cs.CL
An Open Multilingual System for Scoring Readability of Wikipedia
Pompeu Fabra University(庞培法布拉大学);University of Konstanz(康斯坦茨大学);Wikimedia Foundation(维基媒体基金会)
针对维基百科多语言可读性评估的空白,研究开发了一个多语言评分模型,利用涵盖14种语言的全新数据集进行训练,在零样本场景下实现超80%排序准确率,首次提供了英语之外的维基百科可读性概览。
2024-06-03 cs.AI cs.CL
TriNER: A Series of Named Entity Recognition Models For Hindi, Bengali & Marathi
Vidyalankar Institute of Technology(维迪亚兰卡尔理工学院)
本文提出 TriNER 多语言命名实体识别模型,针对印地语、孟加拉语和马拉地语,通过训练自定义 transformer 并微调预训练模型,在 6 个实体组上取得 92.11 的 F1 分数,以统一模型减少跨语言实体组和标签不一致问题。
2025-02-06 cs.AI cs.CL cs.LG
Bengali Fake Review Detection using Semi-supervised Generative Adversarial Networks
本文提出一种半监督GAN-LM架构,通过微调预训练语言模型在少量标注数据下检测孟加拉语虚假评论,实验证明其在6014条数据集上准确率达83.59%,显著优于现有模型。
2023-04-05 cs.AI cs.CL cs.LG
Classification Benchmarks for Under-resourced Bengali Language based on Multichannel Convolutional-LSTM Network
Fraunhofer FIT(弗劳恩霍夫应用信息技术研究所);RWTH Aachen University(亚琛工业大学);Insight SFI Research Centre for Data Analytics(Insight SFI数据分析研究中心);Data Science Institute(数据科学研究所);National University of Ireland Galway(爱尔兰国立大学戈尔韦分校);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
社交媒体和微博网站的指数级增长不仅为增强表达自由和个人声音提供了平台,而且使人们能够表达反社会行为,如在线骚扰、网络欺凌和仇恨言论。已经提出了许多工作来利用这些数据进行社会和反社会行为分析,文档表征,和情感分析,主要是为高度资源丰富的语言,如英语预测的上下文。然而,有些语言资源不足,例如,南亚语言,如孟加拉语,泰米尔语,阿萨姆语,泰卢固语,缺乏NLP任务的计算资源。在本文中,我们提供了几个分类基准孟加拉语,资源不足的语言。我们准备了三个表达仇恨的数据集,常用的主题,和意见仇恨言论检测,文档分类,和情感分析,分别。我们基于2.5亿篇文章构建了迄今为止最大的孟加拉语词嵌入模型,我们称之为BengFastText。我们进行了三个不同的实验,包括文档分类,情感分析,仇恨言论检测。我们将词嵌入到多通道卷积LSTM(MCv-LSTM)网络中,用于预测不同类型的仇恨言论,文档分类和情感分析。实验结果表明,BengFastText能够准确地从上下文中提取出词语的语义。根据几个基线嵌入模型进行评估,例如,Word 2 Vec和GloVe在文档分类、情感分析和仇恨语音检测的情况下,在5倍交叉验证测试期间分别产生高达92.30%、82.25%和90.45%的F1分数。
2020-04-19 cs.CL cs.LG stat.ML
CrosGrpsABS: Cross-Attention over Syntactic and Semantic Graphs for Aspect-Based Sentiment Analysis in a Low-Resource Language
Department of Computer Science and Engineering, Bangladesh University of Business and Technology(孟加拉国商业技术大学计算机科学与工程系);Department of Computer Science and Engineering, Chittagong University of Engineering and Technology(恰尔达姆工程与技术大学计算机科学与工程系)
针对孟加拉语等低资源语言方面级情感分析缺乏资源的问题,提出CrosGrpsABS混合框架,结合Transformer上下文嵌入与图卷积网络,利用句法图和语义图间的双向交叉注意力融合局部句法与全局语义,在多个数据集上显著提升了分类性能。
2025-10-12 cs.CL
Explainable Multimodal Sentiment Analysis on Bengali Memes
Ahsanullah University of Science and Technology(阿赫萨努拉科技大学)
针对孟加拉语模因低资源、数据集不平衡问题,本文融合 ResNet50 与 BanglishBERT 进行多模态情感分析,获得 0.71 加权 F1 分数,并借助 XAI 解释模型行为。
2023-12-20 cs.AI cs.CL cs.CV
Toward Human-Centered Readability Evaluation
Center for Artificial Intelligence in Public Health Research (ZKI-PH)(公共健康研究中的人工智能研究中心);Robert Koch Institute(罗伯特· Koch 研究所);Department of Mathematics and Computer Science(数学与计算机科学系)
针对现有NLP可读性指标仅捕捉表层特征而忽略以人为中心特质的局限,提出结合自动化度量与人类反馈的五维评估框架HCRS,以推动健康文本简化评估更契合用户需求。
2025-10-12 cs.AI cs.CL
Machine Learning Research Has Outpaced Its Communication Norms and NeurIPS Should Act
Independent Researcher(独立研究员);Institute for Computational Biomedicine(计算生物医学研究所);University Hospital Aachen(亚琛大学医院)
研究发现NeurIPS摘要可读性下降,缩写密度增加,且更易读的论文更受引用。文章提出七项标准以提升可读性与影响力。
2026-05-09 cs.CL cs.DL cs.LG
Hate Speech and Offensive Content Detection in Indo-Aryan Languages: A Battle of LSTM and Transformers
Z-AGI Labs(Z-AGI实验室)
本文面向 HASOC 2023,比较 BERT 变体、XLM-R 与 LSTM 在五种印度-雅利安语仇恨言论检测中的表现,发现最优模型因语言而异。
2023-12-09 cs.CL
Hypers at ComMA@ICON: Modelling Aggressiveness, Gender Bias and Communal Bias Identification
PSG College of Arts and Science(PSG 艺术与科学学院);BMS College of Engineering(BMS 工程学院);Indian Institute of Information Technology Tiruchirappalli(印度信息技术学院蒂鲁吉拉帕利分校);SRM Institute of Science and Technology(SRM 科学技术学院);ULTRA Arts and Science College(ULTRA 艺术与科学学院);National University of Ireland Galway(爱尔兰国立大学高威分校)
由于社交媒体的影响力呈指数级增长,因此必须关注其负面影响,因为它可能会分裂社会并煽动人们采取暴力行为。在本文中,我们提出了我们的系统描述工作的共享任务ComMA@ICON,在那里我们必须分类如何积极的句子是,如果句子是性别偏见或社区偏见。这三个因素可能是造成社会重大问题的主要原因。作为Hypers团队,我们提出了一种方法,该方法利用不同的预训练模型与注意力和均值池方法。我们能够在孟加拉语上以0.223实例F1得分获得排名3,在多语言集上以0.322实例F1得分获得排名2,在Meitei上以0.129实例F1得分获得排名4,在印地语上以0.336实例F1得分获得排名5。可以在这里找到这项工作的源代码和预训练模型。
2022-01-13 cs.CL
IchthyoNoma: Nomenclature and Context Sensitivity of Zero-Shot Biological Vision--Language Models for Bangladeshi Freshwater Fish Recognition
American International University Bangladesh(孟加拉国美国国际大学);United International University(联合国际大学);ELITE Research Lab(精英研究实验室)
本研究针对孟加拉国淡水鱼类识别,审计了CLIP等多款零样本视觉-语言模型,发现BioCLIP2性能最优,模型得分受生物专业化、命名等多因素影响。
2026-09-04 cs.CL cs.CV
Investigating Large Language Models and Control Mechanisms to Improve Text Readability of Biomedical Abstracts
Manchester Metropolitan University(曼彻斯特城市大学);The University of Manchester(曼彻斯特大学)
本研究探究大语言模型在生物医学摘要简化任务中的能力,采用领域微调、提示学习和控制标记机制,实验表明BART-L-w-CT在SARI和简洁性上最优,T5-base在BERTscore和意义保留上最优。
2024-03-16 cs.AI cs.CL
Iterative Prompt Refinement for Dyslexia-Friendly Text Summarization Using GPT-4o
University of Nebraska-Lincoln(内布拉斯加大学林肯分校)
本文提出基于GPT-4o的迭代提示细化方法,通过提升文本摘要的可读性,为视读障碍人群提供更友好的信息获取方式。
2026-02-26 cs.AI cs.CL
A POS Tagger for Code Mixed Indian Social Media Text - ICON-2016 NLP Tools Contest Entry from Surukam
Surukam Analytics(Surukam分析公司)
由于缺乏精确注释的训练语料库,为代码混合的印度语言构建词性标注器是计算语言学中一个特别具有挑战性的问题。ICON作为其NLP工具竞赛的一部分,连续第二年将此挑战作为一项共同任务来组织,以提高最先进的水平。本文介绍了在Surukam构建的POS标记器,用于预测三种语言对的粗粒度和细粒度POS标记-孟加拉语-英语,泰卢固语-英语和印地语-英语,文本跨越三个流行的社交媒体平台- Facebook,WhatsApp和Twitter。我们采用条件随机场作为序列标记算法,并使用一个名为sklearn-crfsuite的库-一个围绕CRFsuite的薄包装器来训练我们的模型。我们使用的特征包括多字符n-grams,语言信息和emoji,数字,标点符号和网址的模式。我们在受限环境中提交的文件,即,在不使用任何单语POS标记器等的情况下,获得了76.45%的总体平均F1分数,这与2015年的76.79%的获胜分数相当。
2016-12-31 cs.CL
LC-Score: Reference-less estimation of Text Comprehension Difficulty
U31
针对文本理解难度评估指标缺失的问题,提出无参考的法语理解难度评估方法LC-Score,采用统计与神经两种路径,经人工标注实验验证效果优于FKGL等常用指标。
2023-10-05 cs.CL
SciGisPy: a Novel Metric for Biomedical Text Simplification via Gist Inference Score
University of Warwick(华威大学)
针对现有评估指标难以衡量biomedical文本简化后核心含义传达效果的问题,提出基于主旨推断分数的新指标SciGisPy。该指标结合语义分块、信息内容理论和专用嵌入,能更有效评估简化文本对抽象推断形成的促进作用,实验证明其性能显著优于现有方法。
2024-10-12 cs.CL
NotAI.AI: An Interactive Explainable System for AI-Generated Text Detection
Department of Computer Science, University of Luxembourg(卢森堡大学计算机科学系)
NOTAI.AI通过曲率和特征归因技术,结合神经网络和统计特征,实现对机器生成文本的可解释检测,并提供结构化解释和交互式分析。
2026-11-13 cs.CL
Unsupervised Controllable Text Formalization
IBM Research(IBM研究院)
我们提出了一个新的可控自然语言转换框架。针对可控生成任务对并行语料库的需求难以满足的问题,提出了一种无监督的训练方案。该框架的关键是一个深度神经编码器-解码器,它通过辅助模块(称为评分器)用文本转换知识来加强。评分器基于现成的语言处理工具,根据其动作决定编码器-解码器的学习方案。我们应用这个框架的文本转换任务的形式化输入文本,通过提高其可读性等级,所需的形式化程度可以由用户在运行时控制。在公共数据集上的实验证明了我们的模型的有效性:(a)将给定的文本转换为更正式的风格,以及(b)在与输入控件相关的输出文本中引入适量的形式化。我们的代码和数据集发布用于学术用途。
2019-02-20 cs.CL cs.LG
Emoji Retrieval from Gibberish or Garbled Social Media Text: A Novel Methodology and A Case Study
Emory University(埃默里大学)
本文提出一种三步逆向工程方法论,从社交媒体乱码文本中检索Emoji,并在509,248条Mpox推文上成功检索157,748个Emoji,显著提升了文本可读性。
2024-12-23 cs.AI cs.CL cs.CY
From Benchmarking to Reasoning: A Dual-Aspect, Large-Scale Evaluation of LLMs on Vietnamese Legal Text
University of Science, VNUHCM(越南国家大学科学大学);Vietnam National University(越南国家大学);Hanoi Open University(河内开放大学);Ho Chi Minh, Vietnam(胡志明市,越南)
本文提出双视角评估框架,评估四种LLM在越南法律文本的准确性、可读性和一致性,发现Grok-1在可读性和一致性上表现优异但法律准确性不足,而Claude 3 Opus高准确性掩盖了推理错误,揭示当前LLM在法律推理上的核心挑战。
2026-04-17 cs.AI cs.CL
Linguistic Patterns in Pandemic-Related Content: A Comparative Analysis of COVID-19, Constraint, and Monkeypox Datasets
Manchester Metropolitan University(曼彻斯特城市大学)
本研究通过比较 COVID-19 虚假叙事、一般 COVID-19 内容和猴痘帖子三个语料库,发现 misinformation 具有更低可读性、更多恐惧与说服性词汇及更少感叹号,为数字健康 misinformation 检测和危机沟通提供语言指标参考。
2025-10-08 cs.AI cs.CL cs.LG
WisPerMed at BioLaySumm: Adapting Autoregressive Large Language Models for Lay Summarization of Scientific Articles
University Hospital Essen(埃森大学医院);University of Applied Sciences and Arts Dortmund(多特蒙德应用科学与艺术大学);Institute for Medical Informatics, Biometry and Epidemiology (IMIBE)(医学信息学、生物统计学与流行病学研究所(IMIBE))
WisPerMed团队在BioLaySumm2024任务中,通过微调BioMistral和Llama3等大语言模型,结合指令微调、少样本学习与动态专家选择机制,生成生物医学科学文章的通俗摘要,最终取得第4名。
2024-09-23 cs.CL cs.LG
Explainable AI for Screening Abuse-Related Trauma in Bangladeshi Children: A Training-Free Multimodal Framework Evaluated on Noise-Aware Synthetic Data
One-Stop Crisis Centres (OCC)(一站式危机中心(OCC));Department of Social Services (DSS)(社会服务部(DSS))
针对孟加拉国儿童虐待相关心理创伤筛查工具缺失问题,提出无训练多模态融合框架ShishuRaksha AI,经噪声感知合成数据评估,该融合模型AUC达0.874,为低资源环境下儿童保护筛查提供可行性研究和设计贡献。
2026-07-07 cs.AI cs.CL cs.CY