mdok-style at SemEval-2026 Task 9: Finetuning LLMs for Multilingual Polarization Detection
本論文は、22 言語にわたる匿名化およびケース変異を施したテキストで拡張された訓練データを用いて QLoRA によるミドルサイズの LLM の微調整を行うことで、堅牢な多言語ポラリゼーション検出を実現する SemEval-2026 タスク 9 向けの mdok スタイルのアプローチを提示する。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
インターネットを、22 か国の人々が叫び、議論し、時には暴動を起こそうと準備している、巨大で騒々しい広場だと想像してください。SemEval-2026 タスク 9は、この広場のための賢い「警備員」を構築するコンテストでした。その目的は単に叫び声を止めることではなく、対立が分極化—人々が耳を傾けるのをやめ、憎しみ始め、しばしばヘイトスピーチや社会的混乱へと至る危険な分裂—へと転じる瞬間を特定することでした。
この論文の背後にあるmdok-styleチームは、巧妙な AI 技術の組み合わせを用いて、このデジタル警備員を構築しました。彼らがどのように行ったかを、簡単に説明します。
1. 中核戦略：カメレオン探偵
22 言語それぞれに異なる警備員（1 言語につき 1 人）を構築する代わりに、彼らは 22 言語すべてを同時に理解する1 人のスーパー探偵を訓練しました。彼らが使用したのは「ミドルサイズ」の大規模言語モデル（LLM）であり、これはテキストのパターンを特定する方法を知る、非常に読書量の多い司書のようなものです。
この司書をさらに鋭くするために、彼らはQLoRAという技術を使用しました。これは、司書に軽量で調整可能なメガネを渡すようなものです。司書の脳全体を書き換える（それは永遠に時間がかかり、莫大な費用がかかるでしょう）のではなく、レンズをわずかに調整して、司書が分極化の検出という任務に特化して焦点を合わせられるようにしました。
2. 訓練：「もしも？」シナリオ
最大の課題は、訓練データ（警備員が学ぶ例）が完璧ではなかったことです。これを修正するために、チームはデータ拡張を使用しました。これは AI 向けの「もしも？」シミュレーターのようなものです。
彼らはすべての訓練文を取り出し、AI に表面の向こう側を見るように教えるために、4 つの「ねじれた」バージョンを作成しました。
- 匿名化処理: 彼らは名前、メールアドレス、電話番号を
[USER]や[EMAIL]などの汎用タグに置き換えました。これにより、AI は「誰が」話しているかを無視し、「何を」話しているかに集中することを学びました。 - 大小文字シフト: 彼らはテキストをすべて小文字またはすべて大文字に変換しました。これにより、AI は叫び声（大文字）やささやき（小文字）が議論の意味を変えないことを学びました。
- ホモグリフのトリック: これが最も創造的な部分でした。彼らは、他の文字体系からの似たような文字に文字を置き換えました（例えば、ラテン文字の 'a' をキリル文字の 'а' に置き換えるなど）。これは、コンピュータを欺くために悪意のある行為者がよく使う手口です。「偽の」バージョンで AI を訓練することで、彼らは AI にその仮面を見抜き、その下にある分極化を特定することを教えました。
3. 3 つの検出レベル
コンテストには 3 つのレベルがあり、チームは犯罪を解決する探偵のようにそれらに取り組みました。
- レベル 1（アラート）: このテキストは分極化していますか、そうでないですか？（はい/いいえ）。システムはこの点で非常に優れており、信頼できる煙探知機のように機能しました。
- レベル 2（動機）: 分極化は何についてですか？政治的、人種的、宗教的、または性別に基づくものですか？これは犯罪者の動機を推測するような、より難しい課題でした。
- レベル 3（方法）: 分極化はどのように表現されていますか？非人間的な言語、極端な侮辱、または共感の欠如を使用していますか？これは犯罪で使用された特定の武器を分析するような、最も難しいレベルでした。
4. 結果：入り混じった結果
チームのシステムは、いくつかのスポーツでは卓越するが、他のスポーツでは苦労する、力強いアスリートのようでした。
- 勝利: 「分極化していますか？」というゲーム（レベル 1）において、システムはチャンピオンであり、多くの言語で上位 20% にランクインしました。正常な議論と危険な分極化を成功裏に区別しました。
- 苦戦: 「どのように表現されていますか？」というゲーム（レベル 3）において、システムはつまずきました。それはしばしば異なる種類の悪い行動を混同し、「共感の欠如」と「無効化」を混同するなどしました。
- 言語の隔たり: システムは中国語やネパール語のような言語では非常にうまく機能しましたが、ハウサ語のような他の言語では苦労しました。これは、フランス語とスペイン語に堪能だが、スワヒリ語で混乱する通訳者のようなものです。
5. 副次的な実験：「感情レーダー」
チームはアプリーアル理論と呼ばれる異なるアプローチも試みました。これは単に言葉を読むだけでなく、人が出来事についてどのように感じているか（例：「この人は制御されていると感じているか？これは心地よいものか？」）を理解しようとする「感情レーダー」と想像してください。
- 彼らはこれをより小さなデータセットでテストしました。
- 結果は有望でしたが完璧ではありませんでした。それは、感情の背後にある認知的な理由（なぜ誰かが怒っているのか）を理解することが、今回の主たる勝者ではありませんでしたが、将来の分極化検出のための秘密兵器となり得ることを示しました。
結論
mdok-styleチームは、多くの言語にわたるオンライン上の分極化を特定できる、1 つの柔軟な多言語 AI 警備員を構築できることを証明しました。訓練中にテキストのねじれたバージョンで AI を「だます」ことで、彼らはそれをより頑丈で信頼性の高いものにしました。まだ完璧ではありません—特に分極化の正確な種類を特定しようとする場合—しかし、叫び声が暴力へと変わる前に、私たちのデジタル広場をより安全に保つための確かな一歩です。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。