YEZE at SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization via Heterogeneous Ensembling
本論文は、XLM-RoBERTa-large と mDeBERTa-v3-base モデルの異種アンサンブルを採用して 22 言語のオンライン分極を検出する SemEval-2026 タスク 9 向けシステム「YEZE」を提示し、その中で独立したタスクモデリングとクラス重み付けの組み合わせが深刻なラベル不均衡に対処する上で最も効果的であることを示している。
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 か国の人々が同時に叫び、ささやき、議論する巨大な世界的な広場だと想像してみてください。時折、これらの議論は過熱し、「分極化」へと発展します。つまり、人々は互いに耳を貸さなくなり、自分たちの側だけを聞くようになるのです。
共有された論文は、この広場に耳を傾け、以下の 3 つのことを明らかにするために特別な「デジタルの耳」を構築した研究者チーム（YEZE）について述べています。
- この議論は過熱しているか？（二値検出）
- 誰、あるいは何について争っているのか？（対象分類：政治、人種、宗教など）
- どのように争っているのか？（顕在化：侮辱、ステレオタイプ、非人間化された言葉を使っているか？）
以下に、彼らがどのように行ったかを簡潔に説明します。
1. 課題：騒がしく、偏った群衆
研究者たちは 2 つの大きな壁に直面しました。
- 言語の壁：英語やスペイン語からアムハラ語、ビルマ語まで、22 の異なる言語を理解する必要がありました。まるで、全員が異なる方言で会話しているのを理解しようとするようなものです。
- 「稀な事象」の問題：データでは、ほとんどの投稿は冷静でした。分極化した投稿はほんの一握りです。まるで、白いビー玉で満たされたバケツの中から、たった一つの赤いビー玉を見つけようとするようなものです。「白」と推測し続ければ、大部分の時間は正解になりますが、赤いビー玉を見逃してしまいます。これを「ラベルの不均衡」と呼びます。
2. 解決策：「二人の探偵チーム」
すべてをこなす一つの巨大な脳を作る代わりに、チームは異種アンサンブルを構築しました。これは、同じ事件を解決するために 2 種類の異なる探偵を雇うようなものです。
- 探偵 A（XLM-RoBERTa）：世界のほぼすべてを読んだベテランです。あらゆる言語の文の全体的な雰囲気や文脈を理解するのが得意です。
- 探偵 B（mDeBERTa）：単語の具体的な配置と、それらが互いにどう関連しているかに非常に注意を払う専門家です。
彼らがどのように協力したか：
単に投票させるのではなく、重み付けスコアを与えました。探偵 A が 70% 確信し、探偵 B が 30% 確信している場合、最終的な答えは探偵 A に大きく傾きます。この組み合わせにより、システムはより堅牢になり、安全網があるようなものになりました。
3. 戦略：各手がかりを個別に扱う
チームは、3 つの謎（分極化しているか？誰についてか？どのように言われているか？）を同時に解決しようとするのは、一輪車に乗ったままジャグリングをするようなものだということに気づきました。「誰についてか」や「どのように」の手がかりはあまりに稀で、「分極化しているか」という手がかりのノイズの中に埋もれてしまいました。
そこで、彼らは作業を分割することにしました。
- 各特定の質問に対して、個別のモデルを訓練しました。
- 稀な手がかり（特定の種類のヘイトスピーチなど）については、重み付き交差エントロピーと呼ばれる特別なトリックを使用しました。これは、教師がテストを採点する様子に例えられます。もし学生が稀で難しい問題を正解すれば、教師は追加の点数を与えます。一般的な問題を正解すれば、通常の点数です。これにより、AI は通常無視しがちな稀で重要なケースに特別な注意を払うように強制されました。
4. 発見
- 分割は機能する：すべてを一度に行おうとすること（マルチタスク学習）は、稀な手がかりが一般的なものを混乱させるため、システムをむしろ悪化させました。タスクを分離することが勝利の一手でした。
- 「翻訳」の罠：より多くの練習データを作成するために投稿を他の言語に翻訳する試み（データ拡張）を行いましたが、あまり役立ちませんでした。これはジョークを翻訳するようなものです。言葉は合っているかもしれませんが、文化的なユーモアやニュアンスが失われ、AI を混乱させます。
- 結果：彼らのシステムは、22 言語すべてにわたって「赤いビー玉」（分極化されたコンテンツ）を見つけるのが非常に得意でした。多くの言語において、競合するすべてのチームの中でトップ 10 に入りました。しかし、最も具体的で稀な種類の侮辱（顕在化）については依然として少し苦労しており、学習例が非常に少ない場合、最も微妙な形態のヘイトを見抜くことさえ、最高の AI にとって難しいことを示しています。
まとめ
この論文は、ソーシャルメディアのための賢く多言語対応のセキュリティシステム構築について述べています。一つの巨大で混乱した脳を使うのではなく、2 つの専門的な AI モデルが協力するチームを使用しました。彼らはこれらのモデルに、退屈な投稿よりも、稀で危険な投稿をより重視することを教えました。すべての問題を解決したわけではありません（特に非常に稀な種類のヘイトスピーチについては）が、タスクを分割し、異なる種類の AI の脳を組み合わせることが、騒がしく多言語な世界を処理する最良の方法であることを証明しました。
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。