DialectRO

DialectRO: რუმინული ენის დიალექტების კლასიფიკაცია

ამ ამოცანის მიზანია ტექსტების იდენტიფიცირება და კლასიფიკაცია რეგიონალური თავისებურებების ან რუმინული ენის სტანდარტული ფორმის მიხედვით. მონაცემთა ნაკრები შეიცავს სხვადასხვა რეგიონიდან შეგროვებულ ტექსტურ ფრაგმენტებს.

შენიშვნა: სვეტი label (დიალექტი) ხელმისაწვდომია მხოლოდ საწვრთნელ მონაცემებში (train.csv). სამი შესაძლო კლასია: româna standard (სტანდარტული რუმინული), graiul moldovenesc (მოლდოვური კილო) და graiul bănățean (ბანატური კილო).

ქვედავალებები

ქვედავალება 1 (5 ქულა)

ტექსტების ნაწილი ამოღებულია იონ კრეანგას ნაწარმოებიდან "Cinci pâini". დათვალეთ სიტყვა "pâni"-ს (სიტყვა "pâini"-ს არქაული ფორმა) გამოჩენის ჯამური რაოდენობა train.csv და test.csv ფაილებში.

ქვედავალება 2 (10 ქულა)

train.csv-ში გამოთვალეთ სასვენი ნიშნების საშუალო რაოდენობა graiul moldovenesc და graiul bănățean დიალექტების ტექსტებისთვის. დააბრუნეთ ამ ორ მნიშვნელობას შორის სხვაობის აბსოლუტური მნიშვნელობა (მოდული), დამრგვალებული 2 მეათედამდე.

ქვედავალება 3 (10 ქულა)

test.csv-ის თითოეული სტრიქონისთვის დათვალეთ დიაკრიტიკული ნიშნების რაოდენობა ტექსტში. დიაკრიტიკულ ნიშნებად ითვლება სიმბოლოები: ă, â, î, ș, ț (და მათი შესაბამისი მთავრული ვარიანტები Ă, Â, Î, Ș, Ț).

ქვედავალება 4 (75 ქულა)

ააგეთ მოდელი, რომელსაც შეეძლება სატესტო ფაილის ტექსტების სწორად კლასიფიცირება 3 კლასიდან ერთ-ერთში.

შეფასება

ქვედავალება 1 და 2

შეფასება ხდება პასუხის ზუსტი შემოწმებით. სწორი პასუხი = მაქსიმალური ქულა, არასწორი პასუხი = 0 ქულა.

ქვედავალება 3

შეფასება ხდება accuracy-ს მეშვეობით — სწორი პასუხების წილი მთლიან რაოდენობაში. ქულა პროპორციულია: accuracy 1.0 = 10 ქულა, accuracy 0.0 = 0 ქულა.

ქვედავალება 4

შეფასება ხდება F1-Macro მეტრიკის გამოყენებით.

• თუ F1 >= 0.975 : იწერება 75 ქულა
• თუ F1 < 0.8 : იწერება 0 ქულა
• 0.8-დან 0.975-მდე მნიშვნელობებისთვის, ქულა გამოითვლება პროპორციულად 0-დან 75-მდე.

წარსადგენი ფაილის ფორმატი

წარსადგენი ფაილი უნდა იყოს CSV ფორმატში და შეიცავდეს შემდეგ სვეტებს:

• subtaskID: ქვედავალების ნომერი (1, 2, 3 ან 4).
• datapointID:
  • 1 და 2 ქვედავალებებისთვის მნიშვნელობა იქნება 1.
  • 3 და 4 ქვედავალებებისთვის იქნება ID სვეტის მნიშვნელობები test.csv-დან.
• answer: თქვენი პასუხი.

მაგალითი

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

შენიშვნა: ამ ამოცანის გადასაჭრელად არ არის აუცილებელი Transformer-ის ტიპის არქიტექტურების გამოყენება (მაგ: RoBERTa).