YEZE at SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization via Heterogeneous Ensembling
यह शोध पत्र YEZE प्रस्तुत करता है, जो SemEval-2026 टास्क 9 के लिए एक प्रणाली है जो XLM-RoBERTa-large और mDeBERTa-v3-base मॉडलों के एक विषम समूह (heterogeneous ensemble) का उपयोग करके 22 भाषाओं में ऑनलाइन ध्रुवीकरण का पता लगाता है, जहाँ गंभीर लेबल असंतुलन को संभालने के लिए क्लास वेटिंग (class weighting) के साथ स्वतंत्र टास्क मॉडलिंग सबसे प्रभावी सिद्ध हुई।
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 इंटरनेट एक विशाल, वैश्विक शहर के चौक (town square) की तरह है जहाँ 22 अलग-अलग देशों के लोग एक साथ चिल्ला रहे हैं, फुसफुसा रहे हैं और बहस कर रहे हैं। कभी-कभी ये बहसें गर्म हो जाती हैं और "ध्रुवीकरण" (polarization) में बदल जाती हैं—जहाँ लोग एक-दूसरे की बात सुनना बंद कर देते हैं और केवल अपने पक्ष की बात सुनते हैं।
आपके द्वारा साझा किए गए शोध पत्र में एक टीम (YEZE) का वर्णन है जिन्होंने इस शहर के चौक को सुनने और तीन चीजें समझने के लिए "डिजिटल कान" का एक विशेष सेट बनाया है:
- क्या यह बहस गरमागरम है? (बाइनरी डिटेक्शन)
- वे किसके बारे में लड़ रहे हैं? (लक्ष्य वर्गीकरण: राजनीति, जाति, धर्म, आदि)
- वे कैसे लड़ रहे हैं? (अभिव्यक्ति: क्या वे अपमान, रूढ़ियों या अमानवीय भाषा का उपयोग कर रहे हैं?)
यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल शब्दों में:
1. समस्या: एक शोर-शराबे वाला, असंतुलित जनसमूह
शोधकर्ताओं को दो बड़ी बाधाओं का सामना करना पड़ा:
- भाषा की बाधा: उन्हें 22 अलग-अलग भाषाओं को समझना था, अंग्रेजी और स्पेनिश से लेकर अम्हारिक और बर्मी तक। यह एक ऐसी बातचीत को समझने की कोशिश करने जैसा है जहाँ हर कोई एक अलग बोली बोल रहा है।
- "दुर्लभ घटना" की समस्या: डेटा में, अधिकांश पोस्ट शांत थे। केवल कुछ ही वास्तव में ध्रुवीकृत थे। यह सफेद मार्बल्स से भरी बाल्टी में एक अकेले लाल मार्बल को खोजने जैसा है। यदि आप हर बार "सफेद" का अनुमान लगाते हैं, तो आप अधिकांश समय सही होंगे, लेकिन आप लाल वाले को मिस कर देंगे। इसे "लेबल इम्बैलेंस" (label imbalance) कहा जाता है।
2. समाधान: एक "दो-सदस्यीय जासूसी टीम"
सब कुछ करने के लिए एक विशाल मस्तिष्क बनाने के बजाय, टीम ने एक विषम एंसेम्बल (heterogeneous ensemble) बनाया। इसे एक ही मामले को सुलझाने के लिए दो अलग-अलग प्रकार के जासूसों को काम पर रखने के रूप में सोचें:
- जासूस A (XLM-RoBERTa): एक अनुभवी जिसने दुनिया में लगभग सब कुछ पढ़ा है। वे किसी भी भाषा में वाक्य के सामान्य भाव और संदर्भ को समझने में माहिर हैं।
- जासूस B (mDeBERTa): एक विशेषज्ञ जो शब्दों की विशिष्ट व्यवस्था और उनके बीच के संबंधों पर बहुत बारीकी से ध्यान देता है।
वे मिलकर कैसे काम करते थे:
उन्होंने केवल उन्हें वोट नहीं दिया; उन्होंने उन्हें एक "वेटेड स्कोर" (weighted score) दिया। यदि जासूस A 70% आश्वस्त है और जासूस B 30% आश्वस्त है, तो अंतिम उत्तर जासूस A की ओर भारी झुकाव रखता है। यह संयोजन उनके सिस्टम को अधिक मजबूत बनाता है, जैसे कि एक सुरक्षा जाल (safety net) होना।
3. रणनीति: प्रत्येक सुराग को अलग से मानना
टीम ने महसूस किया कि तीनों रहस्यों (क्या यह ध्रुवीकृत है? यह किसके बारे में है? यह कैसे कहा गया है?) को एक साथ हल करने की कोशिश करना एक यूनिसाइकिल (एक पहिये वाली साइकिल) चलाते समय जग्लिंग करने जैसा था। "कौन" और "कैसे" के सुराग इतने दुर्लभ थे कि वे "क्या यह ध्रुवीकृत है" के सुराग के शोर में खो जाते थे।
इसलिए, उन्होंने काम को विभाजित करने का निर्णय लिया:
- उन्होंने प्रत्येक विशिष्ट प्रश्न के लिए अलग-अलग मॉडल प्रशिक्षित किए।
- दुर्लभ सुरागों (जैसे घृणा भाषण के विशिष्ट प्रकार) के लिए, उन्होंने वेटेड क्रॉस-एंट्रॉपी (Weighted Cross-Entropy) नामक एक विशेष ट्रिक का उपयोग किया। एक शिक्षक द्वारा टेस्ट ग्रेड करने की कल्पना करें। यदि कोई छात्र एक दुर्लभ, कठिन प्रश्न का सही उत्तर देता है, तो शिक्षक उन्हें अतिरिक्त अंक देते हैं। यदि वे एक सामान्य प्रश्न का सही उत्तर देते हैं, तो उन्हें सामान्य अंक मिलते हैं। इसने AI को उन दुर्लभ, महत्वपूर्ण मामलों पर अधिक ध्यान देने के लिए मजबूर किया जिन्हें वह आमतौर पर अनदेखा कर देता था।
4. उन्होंने क्या पाया
- अलगाव (Separation) काम करता है: सब कुछ एक साथ करने की कोशिश करना (Multi-Task Learning) वास्तव में सिस्टम को बदतर बना देता है क्योंकि दुर्लभ सुराग सामान्य सुरागों को भ्रमित कर देते हैं। कार्यों को अलग रखना ही जीतने वाला कदम था।
- "अनुवाद" का जाल: उन्होंने अधिक अभ्यास डेटा बनाने के लिए पोस्ट को अन्य भाषाओं में अनुवाद करने की कोशिश की (डेटा ऑग्मेंटेशन), लेकिन इससे ज्यादा मदद नहीं मिली। यह एक चुटकुले को अनुवाद करने जैसा है; शब्द सही हो सकते हैं, लेकिन सांस्कृतिक हास्य और सूक्ष्मता खो जाती है, जिससे AI भ्रमित हो जाता है।
- परिणाम: उनका सिस्टम सभी 22 भाषाओं में "लाल मार्बल्स" (ध्रुवीकृत सामग्री) को पहचानने में बहुत अच्छा था। कई भाषाओं में, वे सभी टीमों में शीर्ष 10 में शामिल रहे। हालांकि, वे अभी भी सबसे विशिष्ट, दुर्लभ प्रकार के अपमानों (अभिव्यक्तियों) के साथ थोड़ा संघर्ष कर रहे थे, जो यह दर्शाता है कि सबसे अच्छा AI भी सूक्ष्म रूपों के घृणा को पकड़ने में कठिनाई महसूस करता है जब सीखने के लिए बहुत कम उदाहरण हों।
संक्षेप में
यह शोध पत्र सोशल मीडिया के लिए एक स्मार्ट, बहुभाषी सुरक्षा प्रणाली बनाने के बारे में है। एक विशाल, भ्रमित मस्तिष्क का उपयोग करने के बजाय, उन्होंने दो विशिष्ट AI मॉडलों की एक टीम का उपयोग किया जो मिलकर काम करते हैं। उन्होंने इन मॉडलों को उबाऊ पोस्टों की तुलना में दुर्लभ, खतरनाक पोस्टों पर अधिक ध्यान देने के लिए सिखाया। हालांकि उन्होंने हर समस्या को हल नहीं किया (विशेष रूप से बहुत दुर्लभ प्रकार की घृणा भाषण को), उन्होंने साबित किया कि कार्यों को विभाजित करना और विभिन्न प्रकार के AI दिमागों को जोड़ना इस अस्त-व्यस्त, बहुभाषी दुनिया को संभालने का सबसे अच्छा तरीका 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।