DialectRO

DialectRO : Classification des Dialectes de la Langue Roumaine

Le but de ce problème est d'identifier et de classer les textes en fonction de leur spécificité régionale ou de la forme standard de la langue roumaine. L'ensemble de données contient des fragments de texte collectés dans diverses régions.

Note : La colonne label (Dialecte) est disponible uniquement dans les données d'entraînement (train.csv). Les trois classes possibles sont : româna standard (roumain standard), graiul moldovenesc (dialecte moldave) et graiul bănățean (dialecte du Banat).

Sous-tâches

Sous-tâche 1 (5 points)

Une partie des textes a été extraite de l'œuvre "Cinci pâini" de Ion Creangă. Calculez le nombre total d'apparitions du mot "pâni" (forme archaïque du mot "pâini") dans train.csv et dans test.csv.

Sous-tâche 2 (10 points)

Dans train.csv, calculez la moyenne du nombre de signes de ponctuation pour les textes en graiul moldovenesc et graiul bănățean. Retournez la valeur absolue (le module) de la différence entre les 2 valeurs, arrondie à 2 décimales.

Sous-tâche 3 (10 points)

Pour chaque ligne de test.csv, calculez le nombre de diacritiques dans le texte. Sont considérés comme diacritiques les caractères : ă, â, î, ș, ț (et leurs variantes majuscules Ă, Â, Î, Ș, Ț).

Sous-tâche 4 (75 points)

Construisez un modèle capable de classer correctement les textes du fichier de test dans l'une des 3 classes.

Évaluation

Sous-tâches 1 et 2

L'évaluation se fait par vérification exacte de la réponse. Réponse correcte = score maximum, réponse incorrecte = 0 points.

Sous-tâche 3

L'évaluation se fait par accuracy — la proportion de réponses correctes par rapport au total. Le score est proportionnel : accuracy 1.0 = 10 points, accuracy 0.0 = 0 points.

Sous-tâche 4

L'évaluation se fait en utilisant la métrique F1-Macro.

• Si F1 >= 0.975 : 75 points sont accordés
• Si F1 < 0.8 : 0 points sont accordés
• Pour les valeurs entre 0.8 et 0.975, le score est calculé proportionnellement entre 0 et 75.

Format du fichier de soumission

Le fichier de soumission doit être au format CSV, contenant les colonnes suivantes :

• subtaskID : le numéro de la sous-tâche (1, 2, 3 ou 4).
• datapointID :
  • pour les sous-tâches 1 et 2, la valeur sera 1.
  • pour les sous-tâches 3 et 4, ce seront les valeurs de la colonne ID de test.csv.
• answer : votre réponse.

Exemple

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

Note : La résolution de ce problème ne nécessite pas l'utilisation d'architectures de type Transformer (ex : RoBERTa).