发表机构
African Institute for Mathematical Sciences (AIMS)（非洲数学科学研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对英语和豪萨语极化话语检测，提出结合DeBERTa与AfroXLMR-Social的混合建模策略，适应不同资源环境，通过LoRA和文本数据增强应对计算与数据问题，在三个子任务中取得有竞争力结果。
AI 中文摘要
在线极化的迅速扩散威胁着社会凝聚力，这就需要强大的自动检测系统在不同语言环境中有效运行。本文介绍了我们针对2026年POLAR共享任务的系统描述，重点是英语和豪萨语中极化话语的检测与特征描述。我们提出了一种混合建模策略：对于英语二元检测，利用DeBERTa的单语优势；对于豪萨语和所有细粒度子任务（类型和表现形式），使用AfroXLMR-Social。这种适应领域的多语言模型对于捕捉社交媒体文本中极化的细微差别至关重要。为进一步解决计算限制和数据稀缺问题，我们通过nlpaug实现低秩适应（LoRA）和文本数据增强。我们在所有三个子任务中都取得了有竞争力的结果，表明根据特定子任务要求选择模型能实现性能的最佳平衡。
英文摘要
The rapid proliferation of online polarization threatens social cohesion, necessitating robust automated detection systems that operate effectively across diverse linguistic contexts. This paper presents our system description for the POLAR Shared Task 2026, focusing on the detection and characterization of polarized discourse in English and Hausa. We propose a hybrid modeling strategy: for English binary detection, we leverage the monolingual strength of \textbf{DeBERTa}, while for Hausa and all fine-grained subtasks (Types and Manifestations), we utilize \textbf{AfroXLMR-Social}. This domain-adapted multilingual model proved critical for capturing the nuances of polarization in social media text. To further address computational constraints and data scarcity, we implement Low-Rank Adaptation (LoRA) and textual data augmentation via \texttt{nlpaug}. We report competitive results across all three subtasks, demonstrating that model selection tailored to specific subtask requirements yields the best balance of performance.
