DialectRO

DialectRO: Klasifikacija dijalekata rumunjskog jezika

Cilj ovog problema je identifikacija i klasifikacija tekstova prema regionalnim specifičnostima ili standardnom obliku rumunjskog jezika. Skup podataka sadrži fragmente teksta prikupljene iz različitih regija.

Napomena: Stupac label (Dijalekt) dostupan je samo u podacima za treniranje (train.csv). Tri moguće klase su: româna standard (standardni rumunjski), graiul moldovenesc (moldavski govor) i graiul bănățean (banatski govor).

Podzadaci

Podzadatak 1 (5 bodova)

Dio tekstova izvučen je iz djela "Cinci pâini" autora Iona Creange. Izračunajte ukupni broj pojavljivanja riječi "pâni" (arhaični oblik riječi "pâini") u train.csv i test.csv.

Podzadatak 2 (10 bodova)

U train.csv izračunajte prosječan broj znakova interpunkcije za tekstove na moldavskom govoru i banatskom govoru. Vratite apsolutnu vrijednost razlike između te dvije vrijednosti, zaokruženu na 2 decimale.

Podzadatak 3 (10 bodova)

Za svaki redak u test.csv izračunajte broj dijakritičkih znakova u tekstu. Dijakriticima se smatraju znakovi: ă, â, î, ș, ț (i njihove varijante velikih slova Ă, Â, Î, Ș, Ț).

Podzadatak 4 (75 bodova)

Izgradite model sposoban ispravno klasificirati tekstove iz testne datoteke u jednu od 3 klase.

Evaluacija

Podzadaci 1 i 2

Evaluacija se vrši točnom provjerom odgovora. Točan odgovor = maksimalni bodovi, pogrešan odgovor = 0 bodova.

Podzadatak 3

Evaluacija se vrši putem accuracy — udjela točnih odgovora u ukupnom broju. Bodovanje je proporcionalno: accuracy 1.0 = 10 bodova, accuracy 0.0 = 0 bodova.

Podzadatak 4

Evaluacija se vrši pomoću metrike F1-Macro.

• Ako je F1 >= 0.975 : dodjeljuje se 75 bodova
• Ako je F1 < 0.8 : dodjeljuje se 0 bodova
• Za vrijednosti između 0.8 i 0.975, bodovi se računaju proporcionalno između 0 i 75.

Format datoteke za slanje

Datoteka za slanje mora biti u CSV formatu i sadržavati sljedeće stupce:

• subtaskID: broj podzadatka (1, 2, 3 ili 4).
• datapointID:
  • za podzadatke 1 i 2 vrijednost će biti 1.
  • za podzadatke 3 i 4 to će biti vrijednosti iz stupca ID u test.csv.
• answer: vaš odgovor.

Primjer

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

Napomena: Rješavanje ovog problema ne zahtijeva korištenje arhitektura tipa Transformer (npr. RoBERTa).