BDNEWS: Advance Bengali Sensitivity Corpus and Classifiers
Notice bibliographique
Résumé
The development of natural language processing has been facilitated by introducing numerous high-quality datasets and cutting-edge methodologies. Downstream NLP tasks, including sentiment analysis, are essential for comprehending the context and emotional condition of users. Nonetheless, a comprehensive understanding of the broader aspects of text context remains scarce. To address this gap, we introduce a large-scale dataset BDNEWS that encompasses three dimensions of sensitivity: Worldwide, Countrywise, and Personal which are further categorized into two states-Positive and Negative-resulting in a total of six distinct sentiment categories. We manually curated this dataset from various local Bengali online news portals, comprising 6,989 instances. Additionally, to obtain more effective contextual embeddings, we utilized unsupervised techniques such as FastText and Word2Vec, which were employed to train a bespoke Bidirectional Long Short-Term Memory (BiLSTM) model for precise sensitivity classification. FastText consistently surpasses Word2Vec in all metrics, illustrating its superiority in encapsulating the intricacies of Bengali language semantics. FastText achieves a maximum accuracy of 0.795 together with a recall score of 0.79 and a precision of 0.80. Moreover, its capacity to record sequential dependencies in text considerably improves the sensitivity prediction accuracy. These results give important new perspectives for sensitivity prediction in Bengali language applications and guide the next studies in this field.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,030 |
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 ».