YEZE at SemEval-2026 Task 9: Detecting Multilingual, Multicultural and Multievent Online Polarization via Heterogeneous Ensembling
O artigo apresenta o YEZE, um sistema para a Tarefa 9 do SemEval-2026 que detecta polarização online em 22 idiomas por meio de um ensemble heterogêneo dos modelos XLM-RoBERTa-large e mDeBERTa-v3-base, onde a modelagem independente de tarefas combinada com ponderação de classes se mostrou mais eficaz para lidar com o desequilíbrio severo de rótulos.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine a internet como uma enorme praça de cidade global onde pessoas de 22 países diferentes estão gritando, sussurrando e discutindo todas ao mesmo tempo. Às vezes, essas discussões esquentam e se transformam em "polarização" — onde as pessoas param de ouvir umas às outras e só ouvem o seu próprio lado.
O artigo que você compartilhou descreve uma equipe de pesquisadores (YEZE) que construiu um conjunto especial de "ouvidos digitais" para ouvir essa praça de cidade e descobrir três coisas:
- Esta discussão está acalorada? (Detecção binária)
- Quem ou o que eles estão discutindo? (Classificação de alvo: política, raça, religião, etc.)
- Como eles estão discutindo? (Manifestação: estão usando insultos, estereótipos ou linguagem desumanizadora?)
Veja como eles fizeram isso, explicado de forma simples:
1. O Problema: Uma Multidão Barulhenta e Desbalanceada
Os pesquisadores enfrentaram dois grandes obstáculos:
- A Barreira Linguística: Eles precisavam entender 22 línguas diferentes, do inglês e espanhol ao amárico e birmanês. É como tentar entender uma conversa onde todos estão falando um dialeto diferente.
- O Problema do "Evento Raro": Nos dados, a maioria dos posts era calma. Apenas alguns estavam realmente polarizados. É como tentar encontrar uma única bolinha vermelha em um balde cheio de bolinhas brancas. Se você apenas chutar "branco" toda vez, estaria certo na maioria das vezes, mas perderia as vermelhas. Isso é chamado de "desequilíbrio de rótulos".
2. A Solução: Uma "Equipe de Detetives de Duas Pessoas"
Em vez de construir um único cérebro gigante para fazer tudo, a equipe construiu um ensemble heterogêneo. Pense nisso como contratar dois tipos diferentes de detetives para resolver o mesmo caso:
- Detetive A (XLM-RoBERTa): Um veterano que leu quase tudo no mundo. Ele é ótimo em entender a vibe geral e o contexto de uma frase em qualquer língua.
- Detetive B (mDeBERTa): Um especialista que presta muita atenção à disposição específica das palavras e como elas se relacionam entre si.
Como eles trabalharam juntos:
Eles não apenas deixaram que votassem; deram a eles uma pontuação ponderada. Se o Detetive A tem 70% de certeza e o Detetive B tem 30% de certeza, a resposta final pende fortemente para o Detetive A. Essa combinação tornou o sistema mais robusto, como ter uma rede de segurança.
3. A Estratégia: Tratar Cada Pista Separadamente
A equipe percebeu que tentar resolver os três mistérios ao mesmo tempo (É polarizado? Sobre quem é? Como foi dito?) era como tentar malabarismo enquanto anda de monociclo. As pistas sobre "quem" e "como" eram tão raras que se perdiam no ruído da pista "é polarizado".
Então, eles decidiram dividir o trabalho:
- Treinaram modelos separados para cada pergunta específica.
- Para as pistas raras (como tipos específicos de discurso de ódio), usaram um truque especial chamado Entropia Cruzada Ponderada. Imagine um professor corrigindo uma prova. Se um aluno acerta uma pergunta rara e difícil, o professor dá pontos extras. Se ele acerta uma pergunta comum, recebe pontos normais. Isso forçou a IA a prestar atenção extra nos casos raros e importantes que ela geralmente ignorava.
4. O Que Eles Encontraram
- A separação funciona: Tentar fazer tudo ao mesmo tempo (Aprendizado Multitarefa) na verdade piorou o sistema porque as pistas raras confundiam as comuns. Manter as tarefas separadas foi a jogada vencedora.
- A Armadilha da "Tradução": Eles tentaram traduzir posts para outras línguas para criar mais dados de prática (Aumento de Dados), mas não ajudou muito. É como traduzir uma piada; as palavras podem estar certas, mas o humor cultural e os nuances se perdem, deixando a IA confusa.
- Os Resultados: O sistema deles foi muito bom em encontrar as "bolinhas vermelhas" (conteúdo polarizado) em todas as 22 línguas. Em muitas línguas, ficaram entre os 10 primeiros de todas as equipes competindo. No entanto, ainda tiveram algumas dificuldades com os tipos mais específicos e raros de insultos (as "manifestações"), mostrando que mesmo a melhor IA tem dificuldade em detectar as formas mais sutis de ódio quando há muito poucos exemplos para aprender.
Em Poucas Palavras
O artigo trata de construir um sistema de segurança inteligente e multilíngue para redes sociais. Em vez de usar um único cérebro gigante e confuso, eles usaram uma equipe de dois modelos de IA especializados trabalhando juntos. Eles ensinaram esses modelos a se importarem mais com os posts perigosos e raros do que com os chatos. Embora não tenham resolvido todos os problemas (especialmente os tipos muito raros de discurso de ódio), provaram que dividir as tarefas e combinar diferentes tipos de cérebros de IA é a melhor maneira de lidar com um mundo bagunçado e multilíngue.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.