Компьютерные науки > Расчеты и язык [представлен 15 сентября 2026 года] Название: Zero-Shot Discrimination в социальных сообщениях View PDF HTML (экспериментальный) Резюме: Это исследование изучает нулевую способность крупных языковых моделей (LLM) выявлять и классифицировать скрытые описания в социальных посланиях. Наша исследовательская гипотеза заключается в том, что обширные контекстуальные знания МЛМ позволяют им интерпретировать сообщения на более глубоком, прагматическом уровне, выходя за рамки базового сентиментального или тематического анализа. Эксперименты с наборами данных Dipromats и SemEval показывают, что предоставление моделей с описанием человеческих рассказов значительно повышает эффективность работы без необходимости в учебных примерах. В отличие от этого, автоматически генерируемые описания или использование небольшого числа примеров (выстрелов) часто ухудшают точность из-за тонкой смены подкладки. В исследовании также делается вывод о том, что комбинированные методы, в частности большинство голосов, повышают надежность и что более крупные модели являются наиболее эффективными при одновременном снижении степени чувствительности к оперативным изменениям. Выводы подтверждают, что МЛМ могут эффективно обнаруживать стратегические описания в режиме нулевой скорости и если они сочетаются с простыми деформирующимися и написанные людьми описаниями, то они могут соперничать с системами контроля, предлагая масштабируемое решение для определения описательных…
Обнаружение в социальных сообщениях с нулевой частотой
arXiv:2609.17310v1 Annualce Type: New Humber Brieflow: Это исследование изучает нулевую способность крупных языковых моделей (LMS) выявлять и классифицировать скрытые описания в социальных сообщениях. Наша исследовательская гипотеза заключается в том, что обширные контекстуальные знания МЛМ позволяют им интерпретировать сообщения на более глубоком, прагматическом уровне, выходя за рамки базового сентиментального или тематического анализа. Эксперименты с наборами данных Dipromats и SemEval показывают, что предоставление моделей с описанием человеческих рассказов значительно повышает эффективность работы без необходимости в учебных примерах. В отличие от этого, автоматически генерируемые описания или использование небольшого числа примеров (выстрелов) часто ухудшают точность из-за тонкой смены подкладки. В исследовании также делается вывод о том, что комбинированные методы, в частности большинство голосов, повышают надежность и что более крупные модели являются наиболее эффективными при одновременном снижении степени чувствительности к оперативным изменениям. Выводы подтверждают, что МЛМ могут эффективно выявлять стратегические описательные части в режиме нулевой оценки и когда