Detection of Banglish Slang in Social Media Comments Using a Hybrid Bidirectional Long Short-Term Memory (Bi-LSTM) Model
Notice bibliographique
Résumé
Abstract Banglish slang is a distinctive mashup of Bengali and English terms that is widely used in messaging applications, social media, and other casual contexts. It has grown to be an essential component of Bangladesh's linguistic landscape. The use of Banglish slang in social media comments has become more common among young people from Bangladesh in recent years. Yet, because traditional language processing methods are not appropriate for managing such linguistic complexity, automated text analysis systems find it difficult to handle this informal communication style. Our proposed model captures the unique components of Banglish slang, such as slang phrases, misspellings, and abbreviations, by combining character-level and word-level properties since it is the most common form of communication and improves user interaction and content moderation. We remove special characters from the dataset and transform all test results to lowercase. After then, the stop words are removed from the dataset. Furthermore, we do tokenization using a pad sequence prior to classification. Stack Bidirectional Long Short-Term Memory (Bi-LSTM) model, a neural network architecture used in Natural Language Processing (NLP), is a state-of-the-art model utilized in this research to classify slang in Banglish words. On the training set with an outstanding 99% accuracy and a strong 79.8% validation accuracy, the suggested model beats traditional approaches. The Mendeley dataset was used to analyze social media comments to detect instances of Banglish slang. To carry out the work, approximately five thousand comments are considered overall. The experimental findings show how well our recommended approach works to identify Banglish slang. This method can be useful in monitoring content and language learning, among other real-world applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».