YEZE at SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization via Heterogeneous Ensembling
Der Beitrag stellt YEZE vor, ein System für die SemEval-2026-Aufgabe 9, das Online-Polarisierung in 22 Sprachen durch den Einsatz eines heterogenen Ensembles aus XLM-RoBERTa-large- und mDeBERTa-v3-base-Modellen erkennt, wobei sich die unabhängige Aufgabenmodellierung in Kombination mit einer Klassen-Gewichtung als am effektivsten zur Bewältigung schwerwiegender Klassenungleichgewichte erwies.
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, globalen Marktplatz vor, auf dem Menschen aus 22 verschiedenen Ländern gleichzeitig schreien, flüstern und streiten. Manchmal werden diese Auseinandersetzungen hitzig und entwickeln sich zu „Polarisierung" – ein Zustand, in dem die Menschen einander nicht mehr zuhören, sondern nur noch ihrer eigenen Seite.
Das von Ihnen geteilte Papier beschreibt ein Team von Forschern (YEZE), das einen speziellen Satz „digitaler Ohren" entwickelt hat, um diesen Marktplatz zu hören und drei Dinge herauszufinden:
- Ist diese Auseinandersetzung hitzig? (Binäre Erkennung)
- Worüber oder gegen wen streiten sie? (Zielklassifizierung: Politik, Rasse, Religion usw.)
- Wie streiten sie? (Manifestation: Verwenden sie Beleidigungen, Stereotype oder entmenschlichende Sprache?)
Hier ist, wie sie es getan haben, einfach erklärt:
1. Das Problem: Eine laute, unausgewogene Menge
Die Forscher sahen sich zwei großen Hürden gegenüber:
- Die Sprachbarriere: Sie mussten 22 verschiedene Sprachen verstehen, von Englisch und Spanisch bis hin zu Amharisch und Birmanisch. Es ist wie der Versuch, ein Gespräch zu verstehen, in dem jeder einen anderen Dialekt spricht.
- Das Problem des „seltenen Ereignisses": In den Daten waren die meisten Beiträge ruhig. Nur wenige waren tatsächlich polarisierend. Es ist wie der Versuch, eine einzelne rote Murmel in einem Eimer voller weißer Murmeln zu finden. Wenn Sie jedes Mal nur „weiß" raten, liegen Sie meistens richtig, aber Sie würden die roten verpassen. Dies wird als „Ungleichgewicht der Labels" bezeichnet.
2. Die Lösung: Ein „Detektiv-Team aus zwei Personen"
Anstatt ein einziges riesiges Gehirn zu bauen, das alles erledigt, baute das Team ein heterogenes Ensemble. Stellen Sie sich dies vor wie die Einstellung zweier verschiedener Detektivtypen, um denselben Fall zu lösen:
- Detektiv A (XLM-RoBERTa): Ein Veteran, der fast alles auf der Welt gelesen hat. Er ist hervorragend darin, die allgemeine Stimmung und den Kontext eines Satzes in jeder Sprache zu verstehen.
- Detektiv B (mDeBERTa): Ein Spezialist, der sehr genau auf die spezifische Anordnung der Wörter und ihre Beziehung zueinander achtet.
Wie sie zusammenarbeiteten:
Sie ließen sie nicht einfach abstimmen; sie vergaben einen gewichteten Score. Wenn Detektiv A zu 70 % sicher ist und Detektiv B zu 30 %, stützt sich die endgültige Antwort stark auf Detektiv A. Diese Kombination machte das System robuster, wie ein Sicherheitsnetz.
3. Die Strategie: Jeden Hinweis separat behandeln
Das Team erkannte, dass der Versuch, alle drei Rätsel gleichzeitig zu lösen (Ist es polarisierend? Worum geht es? Wie wird es gesagt?), wie Jonglieren auf einem Einrad war. Die Hinweise für „wer" und „wie" waren so selten, dass sie im Rauschen des Hinweises „ist es polarisierend" untergingen.
Also entschieden sie sich, die Aufgabe zu teilen:
- Sie trainierten separate Modelle für jede spezifische Frage.
- Für die seltenen Hinweise (wie bestimmte Arten von Hassrede) verwendeten sie einen speziellen Trick namens Weighted Cross-Entropy (gewichtete Kreuzentropie). Stellen Sie sich einen Lehrer vor, der einen Test korrigiert. Wenn ein Schüler eine seltene, schwierige Frage richtig beantwortet, gibt ihm der Lehrer Extra-Punkte. Wenn er eine häufige Frage richtig beantwortet, erhält er normale Punkte. Dies zwang die KI, mehr Aufmerksamkeit auf die seltenen, wichtigen Fälle zu richten, die sie normalerweise ignorierte.
4. Was sie herausfanden
- Trennung funktioniert: Der Versuch, alles auf einmal zu tun (Multi-Task-Learning), machte das System tatsächlich schlechter, weil die seltenen Hinweise die häufigen verwirrten. Die Aufgaben getrennt zu halten, war der Gewinnzug.
- Die „Übersetzungs"-Falle: Sie versuchten, Beiträge in andere Sprachen zu übersetzen, um mehr Übungsdaten zu erstellen (Daten-Augmentierung), aber es half nicht viel. Es ist wie das Übersetzen eines Witzes; die Wörter mögen stimmen, aber der kulturelle Humor und die Nuancen gehen verloren, was die KI verwirrt.
- Die Ergebnisse: Ihr System war sehr gut darin, die „roten Murmeln" (polarisierende Inhalte) in allen 22 Sprachen zu erkennen. In vielen Sprachen landeten sie unter den Top 10 aller konkurrierenden Teams. Allerdings hatten sie immer noch Schwierigkeiten mit den spezifischsten, seltensten Arten von Beleidigungen (den „Manifestationen"), was zeigt, dass selbst die beste KI es schwer findet, die subtilsten Formen von Hass zu erkennen, wenn nur sehr wenige Beispiele zum Lernen vorhanden sind.
In Kürze
Das Papier handelt vom Aufbau eines intelligenten, mehrsprachigen Sicherheitssystems für soziale Medien. Anstatt ein einziges großes, verwirrtes Gehirn zu verwenden, setzten sie auf ein Team aus zwei spezialisierten KI-Modellen, die zusammenarbeiten. Sie lehrten diese Modelle, mehr Wert auf die seltenen, gefährlichen Beiträge zu legen als auf die langweiligen. Obwohl sie nicht jedes Problem lösten (insbesondere die sehr seltenen Arten von Hassrede), bewiesen sie, dass das Aufteilen der Aufgaben und die Kombination verschiedener Arten von KI-Gehirnen der beste Weg ist, um eine chaotische, mehrsprachige Welt zu bewältigen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.