Nostra Domina at EvaLatin 2024: Improving Latin Polarity Detection through Data Augmentation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F25%3AGQ8FT4KA" target="_blank" >RIV/00216208:11320/25:GQ8FT4KA - isvavai.cz</a>

Výsledek na webu

<a href="https://www.scopus.com/inward/record.uri?eid=2-s2.0-85195205724&partnerID=40&md5=bc16136cb13a2241bf1ac80d5041051b" target="_blank" >https://www.scopus.com/inward/record.uri?eid=2-s2.0-85195205724&partnerID=40&md5=bc16136cb13a2241bf1ac80d5041051b</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Nostra Domina at EvaLatin 2024: Improving Latin Polarity Detection through Data Augmentation

Popis výsledku v původním jazyce

This paper describes submissions from the team Nostra Domina to the EvaLatin 2024 shared task of emotion polarity detection. Given the low-resource environment of Latin and the complexity of sentiment in rhetorical genres like poetry, we augmented the available data through automatic polarity annotation. We present two methods for doing so on the basis of the k-means algorithm, and we employ a variety of Latin large language models (LLMs) in a neural architecture to better capture the underlying contextual sentiment representations. Our best approach achieved the second highest macro-averaged Macro-F1 score on the shared task’s test set. © 2024 ELRA Language Resources Association: CC BY-NC 4.0.

Název v anglickém jazyce

Nostra Domina at EvaLatin 2024: Improving Latin Polarity Detection through Data Augmentation

Popis výsledku anglicky

This paper describes submissions from the team Nostra Domina to the EvaLatin 2024 shared task of emotion polarity detection. Given the low-resource environment of Latin and the complexity of sentiment in rhetorical genres like poetry, we augmented the available data through automatic polarity annotation. We present two methods for doing so on the basis of the k-means algorithm, and we employ a variety of Latin large language models (LLMs) in a neural architecture to better capture the underlying contextual sentiment representations. Our best approach achieved the second highest macro-averaged Macro-F1 score on the shared task’s test set. © 2024 ELRA Language Resources Association: CC BY-NC 4.0.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

—

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Workshop Lang. Technol. Hist. Anc. Lang., LT4HALA LREC-COLING - Workshop Proc.

ISBN

978-249381446-3

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

215-222

Název nakladatele

European Language Resources Association (ELRA)

Místo vydání

—

Místo konání akce

Torino, Italia

Datum konání akce

1. 1. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—