SemEval-2026 Task 3: Dimensional Aspect-Based Sentiment Analysis (DimABSA)
यह शोध पत्र SemEval-2026 टास्क 3 प्रस्तुत करता है, जो एक साझा कार्य (shared task) है जो श्रेणीगत लेबल के बजाय वैलेंस-अराउज़ल (valence-arousal) आयामों के साथ सेंटीमेंट और स्टांस को मॉडल करने के लिए डायमेंशनल एस्पेक्ट-बेस्ड सेंटीमेंट एनालिसिस (DimABSA) और डायमेंशनल स्टांस एनालिसिस (DimStance) को पेश करता है, जिसमें कई उप-कार्यों के साथ दो ट्रैक, एक नया निरंतर F1 मीट्रिक और 400 से अधिक प्रतिभागियों के परिणाम शामिल हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक शेफ हैं जो यह समझने की कोशिश कर रहे हैं कि लोग आपके रेस्तरां के बारे में कैसा महसूस करते हैं।
पुराना तरीका (पारंपरिक ABSA):
अतीत में, यदि कोई ग्राहक कहता, "सूप गर्म था," तो आप बस उन्हें एक रंग चुनने के लिए कहते: लाल (बुरा), हरा (अच्छा), या पीला (ठीक-ठाक)।
- यदि वे कहते, "सूप बहुत गर्म था," तो आप अभी भी इसे लाल ही चिह्नित करते।
- यदि वे कहते, "सूप थोड़ा गर्म था," तो आप अभी भी इसे लाल ही चिह्नित करते।
समस्या यह थी कि आप सूक्ष्मता (nuance) खो देते थे। "बहुत गर्म" (झुलसा देने वाला, खतरनाक) और "थोड़ा गर्म" (बिल्कुल सही तापमान) को एक जैसा ही माना जाता था। यह ऐसा है जैसे यह कहना कि एक तूफान और एक मंद हवा दोनों ही "हवादार" हैं।
नया तरीका (इस पेपर का विचार - DimABSA):
यह पेपर भावनाओं को मापने का एक नया तरीका पेश करता है, जिसे डायमेंशनल एस्पेक्ट-बेस्ड सेंटीमेंट एनालिसिस (DimABSA) कहा जाता है। रंगों को चुनने के बजाय, हम भावनाओं के लिए एक जीपीएस (GPS) समन्वय प्रणाली का उपयोग करते हैं।
कल्पना कीजिए कि एक मानचित्र है जिसमें दो अक्ष (axes) हैं:
- वैलेंस (Valence - बाएँ से दाएँ): यह कितना अच्छा या बुरा है? ("भयानक" से लेकर "अद्भुत" तक)।
- एरोसल (Arousal - नीचे से ऊपर): यह कितना शांत या उत्तेजित है? ("सुस्त/ऊब जाना" से लेकर "जंगली/उत्तेजित" तक)।
अब, केवल "लाल" कहने के बजाय, हम कह सकते हैं:
- "सूप झुलसा देने वाला गर्म था" = बहुत दाईं ओर (अच्छा) लेकिन बहुत ऊपर (बहुत रोमांचक/तीव्र)।
- "सूप गुनगुना था" = बीच में (तटस्थ) लेकिन नीचे की ओर (उबाऊ)।
यह पेपर एक विशाल वैश्विक प्रतियोगिता (Semeval-2026) का वर्णन करता है जहाँ कंप्यूटर वैज्ञानिकों ने ठीक ऐसा ही करने के लिए AI मॉडल बनाए: केवल यह अनुमान लगाना नहीं कि समीक्षा सकारात्मक है या नकारात्मक, बल्कि यह पता लगाना कि वह भावना भावनात्मक मानचित्र पर वास्तव में कहाँ स्थित है।
दो मुख्य चुनौतियाँ (ट्रैक)
प्रतियोगिता के दो अलग-अलग "खेल" थे:
खेल 1: रेस्तरां समीक्षक (ट्रैक A - DimABSA)
- कार्य: आप एक समीक्षा पढ़ते हैं जैसे, "सेवा धीमी थी, लेकिन स्टेक अद्भुत था।"
- लक्ष्य: AI को विशिष्ट हिस्सों (एस्पेक्ट्स) जैसे "सेवा" और "स्टेक" की पहचान करनी होगी, और फिर प्रत्येक को एक जीपीएस समन्वय देना होगा।
- सेवा: शायद यह थोड़ा नकारात्मक (बाएँ) और बहुत उबाऊ (नीचे) है।
- स्टेक: बहुत सकारात्मक (दाएँ) और बहुत रोमांचक (ऊपर)।
- ट्विस्ट: AI को कई अलग-अलग भाषाओं (अंग्रेजी, चीनी, रूसी, आदि) और विभिन्न विषयों (लैपटॉप, होटल, वित्त) के लिए यह करना होगा।
खेल 2: राजनीतिक जासूस (ट्रैक B - DimStance)
- कार्य: रेस्तरां के बजाय, किसी राजनेता या जलवायु परिवर्तन नीति के बारे में एक ट्वीट पढ़ने की कल्पना करें।
- लक्ष्य: केवल "मैं सहमत हूँ" या "मैं असहमत हूँ" कहने के बजाय, AI को भावना की तीव्रता को मापना होता है।
- "मैं इस नीति से नफरत करता हूँ" = बहुत बाईं ओर, उच्च तीव्रता।
- "मुझे इस नीति के बारे में यकीन नहीं है" = बीच में, कम तीव्रता।
- यह क्यों महत्वपूर्ण है: यह हमें गंभीर मुद्दों पर जनमत को समझने में मदद करता है, न कि केवल यह कि लोग अपने आईफोन की बैटरी लाइफ के बारे में क्या सोचते हैं।
उन्होंने यह कैसे किया?
आयोजकों ने दुनिया भर से 400 से अधिक प्रतिभागियों को इकट्ठा किया (एक विशाल अंतरराष्ट्रीय विज्ञान मेले की तरह)। उन्होंने टेक्स्ट का एक विशाल पुस्तकालय (समीक्षाएं, ट्वीट्स, समाचार) बनाया और मनुष्यों द्वारा उन्हें इन "जीपीएस निर्देशांकों" के साथ लेबल करवाया।
विजेताओं के रहस्य:
जिन टीमों ने सबसे अच्छा प्रदर्शन किया, उन्होंने केवल एक ट्रिक का उपयोग नहीं किया। उन्होंने एक "स्विस आर्मी नाइफ" (बहुमुखी उपकरण) दृष्टिकोण अपनाया:
- बड़े दिमाग (LLMs): उन्होंने विशाल, पूर्व-प्रशिक्षित AI मॉडल (जैसे Qwen या Kimi) का उपयोग किया जो पहले से ही भाषा को समझते हैं।
- फाइन-ट्यूनिंग (Fine-Tuning): उन्होंने इन बड़े दिमागों को विशेष रूप से भावनाओं के "जीपीएस निर्देशांकों" को पढ़ने के लिए सिखाया।
- टीम वर्क (Ensembling): कई विजेताओं ने कई अलग-अलग AI मॉडलों के भविष्यवाणियों को जोड़ा। यह कई विशेषज्ञों से सलाह लेने और सही उत्तर पाने के लिए उनके औसत उत्तर का उपयोग करने जैसा है।
- रिट्रीवल (Retrieval): कुछ टीमों ने AI को संदर्भ को बेहतर ढंग से समझने में मदद करने के लिए पहले से ही समान वाक्यों के उदाहरण दिखाए (जैसे किसी छात्र को निबंध लिखने के लिए कहने से पहले उसे एक नमूना निबंध दिखाना)।
परिणाम
प्रतियोगिता एक बड़ी सफलता रही। AI मॉडल यह समझने में बहुत बेहतर हो गए कि "मैं बहुत क्रोधित हूँ" और "मैं परेशान हूँ" में अंतर है, भले ही दोनों तकनीकी रूप से "नकारात्मक" हों।
हालाँकि, अभी भी कुछ बाधाएँ हैं:
- भाषा की बाधाएँ: AI उन भाषाओं के साथ अधिक संघर्ष करता है जिनमें डेटा कम उपलब्ध है (जैसे तातार या स्वाहिली), ठीक वैसे ही जैसे एक छात्र पर्याप्त पाठ्यपुस्तकों के बिना विषय सीखने में संघर्ष करता है।
- सांस्कृतिक अंतर: एक संस्कृति में जो "रोमांचक" लगता है, वह दूसरी संस्कृति में "चिंतित" जैसा लग सकता है। आयोजकों ने नोट किया कि जबकि गणित काम करता है, मानव संस्कृति "मानचित्र" को सभी के लिए पूरी तरह से सटीक बनाना थोड़ा कठिन बना देती है।
मुख्य निष्कर्ष (The Bottom Line)
यह पेपर मानव भावनाओं को समझने के लिए कंप्यूटर के भविष्य का एक ब्लूप्रिंट है। हम सरल "थम्स अप / थम्स डाउन" बटनों से आगे बढ़कर एक ऐसी प्रणाली की ओर बढ़ रहे हैं जो मानवीय भावनाओं के पूरे स्पेक्ट्रम को समझ सकती है—"मामूली रूप से परेशान" से लेकर "अत्यधिक रोमांचित" होने तक—कई अलग-अलग भाषाओं और संदर्भों में। यह एक ऐसे AI की ओर बढ़ता कदम है जो न केवल हमारे शब्दों को पढ़ता है, बल्कि वास्तव में हमारे लहजे को महसूस भी करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।