低资源印尼语点击诱饵揭穿：基于问答的方法
Low-Resource Clickbait Spoiling for Indonesian via Question Answering
AI总结：
本研究构建了印尼语点击诱饵揭穿语料库，并评估跨语言零样本问答模型，发现XLM-RoBERTa（large）在短语和段落揭穿上最优，mDeBERTa（base）在多部分揭穿上最优。
摘要：
点击诱饵揭穿旨在生成一段简短文本，以满足点击诱饵帖子所引发的好奇心。由于这是一项新引入的任务，目前数据集仅提供英文版本。我们的贡献包括构建一个手工标注的印尼语点击诱饵揭穿语料库，并评估使用跨语言零样本基于问答的模型来处理像印尼语这样的低资源语言的点击诱饵揭穿。我们利用了一系列多语言语言模型。实验结果表明，XLM-RoBERTa（large）模型在短语和段落揭穿方面优于其他模型，而mDeBERTa（base）模型在多部分揭穿方面优于其他模型。
英文摘要：
Clickbait spoiling aims to generate a short text to satisfy the curiosity induced by a clickbait post. As it is a newly introduced task, the dataset is only available in English so far. Our contributions include the construction of manually labeled clickbait spoiling corpus in Indonesian and an evaluation on using cross-lingual zero-shot question answering-based models to tackle clikcbait spoiling for low-resource language like Indonesian. We utilize selection of multilingual language models. The experimental results suggest that XLM-RoBERTa (large) model outperforms other models for phrase and passage spoilers, meanwhile, mDeBERTa (base) model outperforms other models for multipart spoilers.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
