DialectRO

DialectRO: Класификация на диалектите на румънския език

Целта на тази задача е идентифицирането и класифицирането на текстове според регионалните особености или стандартната форма на румънския език. Наборът от данни съдържа текстови фрагменти, събрани от различни региони.

Забележка: Колоната label (Диалектът) е налична само в данните за обучение (train.csv). Трите възможни класа са: româna standard (стандартен румънски), graiul moldovenesc (молдовски говор) и graiul bănățean (банатски говор).

Подзадачи

Подзадача 1 (5 точки)

Част от текстовете са извлечени от произведението "Cinci pâini" на Йон Крянго. Изчислете общия брой срещания на думата "pâni" (архаична форма на думата "pâini") в train.csv и в test.csv.

Подзадача 2 (10 точки)

В train.csv изчислете средния брой препинателни знаци за текстовете от graiul moldovenesc и graiul bănățean. Върнете абсолютната стойност (модула) на разликата между двете стойности, закръглена до 2 знака след десетичната запетая.

Подзадача 3 (10 точки)

За всеки ред от test.csv изчислете броя на диакритичните знаци в текста. За диакритични се считат знаците: ă, â, î, ș, ț (и техните главни варианти Ă, Â, Î, Ș, Ț).

Подзадача 4 (75 точки)

Изградете модел, способен да класифицира правилно текстовете от тестовия файл в един от трите класа.

Оценяване

Подзадачи 1 и 2

Оценяването се извършва чрез точно съвпадение на отговора. Правилен отговор = максимален брой точки, грешен отговор = 0 точки.

Подзадача 3

Оценяването се извършва чрез accuracy — делът на правилните отговори от общия брой. Точките са пропорционални: accuracy 1.0 = 10 точки, accuracy 0.0 = 0 точки.

Подзадача 4

Оценяването се извършва чрез метриката F1-Macro.

• Ако F1 >= 0.975 : присъждат се 75 точки
• Ако F1 < 0.8 : присъждат се 0 точки
• За стойности между 0.8 и 0.975, точките се изчисляват пропорционално между 0 и 75.

Формат на файла за изпращане

Файлът за изпращане трябва да бъде в CSV формат, съдържащ следните колони:

• subtaskID: номерът на подзадачата (1, 2, 3 или 4).
• datapointID:
  • за подзадачи 1 и 2 стойността ще бъде 1.
  • за подзадачи 3 и 4 това ще бъдат стойностите от колона ID в test.csv.
• answer: вашият отговор.

Пример

1subtaskID,datapointID,answer21,1,3232,1,5.0743,101,253,102,463,103,27...84,101,româna standard94,102,graiul moldovenesc104,103,graiul bănățean11...

Забележка: Решаването на тази задача не изисква използването на архитектури от типа Transformer (напр. RoBERTa).