Few-Shot Coreference Resolution with Semantic Difficulty Metrics and In-Context Learning

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F26%3AR7ZNZRIS" target="_blank" >RIV/00216208:11320/26:R7ZNZRIS - isvavai.cz</a>

Výsledek na webu

<a href="https://aclanthology.org/2025.crac-1.13/" target="_blank" >https://aclanthology.org/2025.crac-1.13/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.18653/v1/2025.crac-1" target="_blank" >10.18653/v1/2025.crac-1</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Few-Shot Coreference Resolution with Semantic Difficulty Metrics and In-Context Learning

Popis výsledku v původním jazyce

This paper presents our submission to the CRAC 2025 Shared Task on Multilingual Coreference Resolution in the LLM track. We propose a prompt-based few-shot coreference resolution system where the final inference is performed by Grok-3 using in-context learning. The core of our methodology is a difficulty- aware sample selection pipeline that leverages Gemini Flash 2.0 to compute semantic diffi- culty metrics, including mention dissimilarity and pronoun ambiguity. By identifying and selecting the most challenging training sam- ples for each language, we construct highly informative prompts to guide Grok-3 in predict- ing coreference chains and reconstructing zero anaphora. Our approach secured 3rd place in the CRAC 2025 shared task.

Název v anglickém jazyce

Few-Shot Coreference Resolution with Semantic Difficulty Metrics and In-Context Learning

Popis výsledku anglicky

This paper presents our submission to the CRAC 2025 Shared Task on Multilingual Coreference Resolution in the LLM track. We propose a prompt-based few-shot coreference resolution system where the final inference is performed by Grok-3 using in-context learning. The core of our methodology is a difficulty- aware sample selection pipeline that leverages Gemini Flash 2.0 to compute semantic diffi- culty metrics, including mention dissimilarity and pronoun ambiguity. By identifying and selecting the most challenging training sam- ples for each language, we construct highly informative prompts to guide Grok-3 in predict- ing coreference chains and reconstructing zero anaphora. Our approach secured 3rd place in the CRAC 2025 shared task.

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

2025

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the Eighth Workshop on Computational Models of Reference, Anaphora and Coreference

ISBN

979-8-89176-342-5

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

149-153

Název nakladatele

—

Místo vydání

—

Místo konání akce

Suzhou, China

Datum konání akce

1. 1. 2026

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—