mdok-style at SemEval-2026 Task 9: Finetuning LLMs for Multilingual Polarization Detection
Der Beitrag stellt den mdok-artigen Ansatz für SemEval-2026 Task 9 vor, der eine robuste mehrsprachige Polarisierungserkennung durch Feinabstimmung mittelgroßer LLMs mit QLoRA auf Trainingsdaten erreicht, die mit anonymisierten und fallvariierenden Texten in 22 Sprachen angereichert wurden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet als einen riesigen, lauten Marktplatz vor, auf dem Menschen aus 22 verschiedenen Ländern schreien, streiten und sich manchmal darauf vorbereiten, einen Aufruhr zu starten. SemEval-2026 Task 9 war ein Wettbewerb, um einen intelligenten „Wachmann" für diesen Platz zu bauen. Das Ziel war nicht nur, das Schreien zu stoppen, sondern den genauen Moment zu erkennen, in dem eine Meinungsverschiedenheit in Polarisierung umschlägt – diese gefährliche Spaltung, bei der Menschen aufhören zuzuhören und anfangen zu hassen, was oft zu Hassrede und sozialem Chaos führt.
Das Team hinter diesem Papier, mdok-style, baute einen digitalen Wächter mit einer cleveren Mischung aus KI-Techniken. Hier ist, wie sie es taten, einfach erklärt:
1. Die Kernstrategie: Ein Chamäleon-Detektiv
Anstatt 22 verschiedene Wächter zu bauen (einen für jede Sprache), trainierten sie einen Superdetektiv, der alle 22 Sprachen gleichzeitig versteht. Sie verwendeten ein „mittleres" Large Language Model (LLM), das wie eine sehr gut informierte Bibliothekarin ist, die weiß, wie man Muster in Texten erkennt.
Um diese Bibliothekarin noch schärfer zu machen, verwendeten sie eine Technik namens QLoRA. Stellen Sie sich dies als eine leichte, einstellbare Brille vor, die man der Bibliothekarin gibt. Anstatt das gesamte Gehirn der Bibliothekarin umzuschreiben (was ewig dauern und ein Vermögen kosten würde), passten sie die Gläser nur leicht an, damit sich die Bibliothekarin speziell auf die Aufgabe konzentrieren konnte, Polarisierung zu erkennen.
2. Das Training: „Was-wäre-wenn"-Szenarien
Die größte Herausforderung bestand darin, dass die Trainingsdaten (die Beispiele, von denen der Wächler lernte) nicht perfekt waren. Um dies zu beheben, nutzte das Team Data Augmentation, was wie ein „Was-wäre-wenn"-Simulator für die KI ist.
Sie nahmen jeden Trainingssatz und erstellten vier „verdrehte" Versionen davon, um der KI beizubringen, über die Oberfläche hinauszublicken:
- Der Anonymisierer: Sie ersetzten Namen, E-Mails und Telefonnummern durch generische Tags wie
[USER]oder[EMAIL]. Dies lehrte die KI, darauf zu achten, wer sprach, und sich auf das zu konzentrieren, was sie sagten. - Der Fallwechsler: Sie verwandelten Text in alles Kleinbuchstaben oder alles Großbuchstaben. Dies lehrte die KI, dass Schreien (GROSSBUCHSTABEN) oder Flüstern (kleine Buchstaben) die Bedeutung des Arguments nicht verändert.
- Der Homoglyph-Trick: Dies war der kreativste Teil. Sie tauschten Buchstaben gegen ähnlich aussehende Zeichen aus anderen Schriften aus (z. B. ein lateinisches „a" gegen ein kyrillisches „а"). Dies ist ein gängiger Trick, den böswillige Akteure verwenden, um Computer zu täuschen. Indem sie die KI auf diesen „falschen" Versionen trainierten, lehrten sie sie, das Versteckspiel zu durchschauen und die darunterliegende Polarisierung zu erkennen.
3. Die drei Ebenen der Erkennung
Der Wettbewerb hatte drei Ebenen, und das Team ging sie wie ein Detektiv vor, der ein Verbrechen aufklärt:
- Ebene 1 (Der Alarm): Ist dieser Text polarisierend oder nicht? (Ja/Nein). Das System war hier sehr gut und fungierte wie ein zuverlässiger Rauchmelder.
- Ebene 2 (Das Motiv): Worum geht es bei der Polarisierung? Ist sie politisch, rassisch, religiös oder geschlechtsbezogen? Dies war schwieriger, wie das Erraten des Motivs eines Kriminellen.
- Ebene 3 (Die Methode): Wie wird die Polarisierung ausgedrückt? Werden entmenschlichende Sprache, extreme Beleidigungen oder ein Mangel an Empathie verwendet? Dies war die schwierigste Ebene, wie die Analyse der spezifischen Waffe, die bei einem Verbrechen verwendet wurde.
4. Die Ergebnisse: Ein gemischter Haufen
Das System des Teams verhielt sich wie ein starker Athlet, der bei einigen Sportarten hervorragend ist, bei anderen aber Schwierigkeiten hat:
- Der Sieg: Im Spiel „Ist es polarisierend?" (Ebene 1) war das System ein Champion und rangierte bei vielen Sprachen in den Top 20 %. Es unterschied erfolgreich zwischen normalen Argumenten und gefährlicher Polarisierung.
- Der Kampf: Im Spiel „Wie wird es ausgedrückt?" (Ebene 3) strauchelte das System. Es verwechselte oft verschiedene Arten von Fehlverhalten, wie zum Beispiel einen „Mangel an Empathie" mit „Ungültigmachung".
- Die Sprachlücke: Das System funktionierte hervorragend für Sprachen wie Chinesisch und Nepali, hatte aber Schwierigkeiten mit anderen wie Hausa. Es ist wie ein Übersetzer, der fließend Französisch und Spanisch spricht, aber bei Swahili verwirrt ist.
5. Ein Nebensexperiment: Der „Emotions-Radar"
Das Team versuchte auch einen anderen Ansatz namens Appraisal Theory. Stellen Sie sich dies als einen „Emotions-Radar" vor, der nicht nur Wörter liest, sondern versucht zu verstehen, wie sich eine Person über ein Ereignis fühlt (z. B. „Fühlt sich diese Person kontrolliert? Ist dies angenehm?").
- Sie testeten dies an einem kleineren Datensatz.
- Die Ergebnisse waren vielversprechend, aber nicht perfekt. Es zeigte, dass das Verstehen der kognitiven Gründe hinter einer Emotion (warum jemand wütend ist) in Zukunft ein Geheimwaffe zur Erkennung von Polarisierung sein könnte, auch wenn es diesmal nicht der Hauptgewinner war.
Das Fazit
Das Team mdok-style bewies, dass man einen flexiblen, mehrsprachigen KI-Wächter bauen kann, der Online-Polarisierung über viele Sprachen hinweg erkennt. Indem sie die KI während des Trainings mit verdrehten Textversionen „täuschten", machten sie sie robuster und zuverlässiger. Obwohl sie noch nicht perfekt ist – besonders wenn es darum geht, den genauen Typ der Polarisierung zu identifizieren –, ist es ein solider Schritt, um unsere digitalen Marktplätze sicherer zu halten, bevor das Schreien in Gewalt umschlägt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.