DialectRO

DialectRO: Rumāņu valodas dialektu klasifikācija

Šī uzdevuma mērķis ir identificēt un klasificēt tekstus atkarībā no reģionālajām īpatnībām vai rumāņu valodas standarta formas. Datu kopa satur teksta fragmentus, kas savākti no dažādiem reģioniem.

Piezīme: Kolonna label (Dialekts) ir pieejama tikai apmācības datos (train.csv). Trīs iespējamās klases ir: româna standard (standarta rumāņu), graiul moldovenesc (moldāvu izloksne) un graiul bănățean (Banātas izloksne).

Apakšuzdevumi

1. apakšuzdevums (5 punkti)

Daļa tekstu ir ņemti no Jona Kreanges darba "Cinci pâini". Aprēķiniet vārda "pâni" (vārda "pâini" arhaiskā forma) kopējo parādīšanās skaitu failos train.csv un test.csv.

2. apakšuzdevums (10 punkti)

Failā train.csv aprēķiniet vidējo pieturzīmju skaitu tekstiem graiul moldovenesc un graiul bănățean klasēs. Atgrieziet starpības absolūto vērtību (moduli) starp šīm divām vērtībām, noapaļotu līdz 2 zīmēm aiz komata.

3. apakšuzdevums (10 punkti)

Katrai rindai failā test.csv aprēķiniet diakritisko zīmju skaitu tekstā. Par diakritiskajām zīmēm tiek uzskatītas rakstzīmes: ă, â, î, ș, ț (un to lielie burti Ă, Â, Î, Ș, Ț).

4. apakšuzdevums (75 punkti)

Izveidojiet modeli, kas spēj pareizi klasificēt testa faila tekstus vienā no 3 klasēm.

Vērtēšana

1. un 2. apakšuzdevums

Vērtēšana tiek veikta, precīzi pārbaudot atbildi. Pareiza atbilde = maksimālais punktu skaits, nepareiza atbilde = 0 punkti.

3. apakšuzdevums

Vērtēšana tiek veikta, izmantojot accuracy — pareizo atbilžu proporciju pret kopējo skaitu. Punktu skaits ir proporcionāls: accuracy 1.0 = 10 punkti, accuracy 0.0 = 0 punkti.

4. apakšuzdevums

Vērtēšana tiek veikta, izmantojot F1-Macro metriku.

• Ja F1 >= 0.975 : tiek piešķirti 75 punkti
• Ja F1 < 0.8 : tiek piešķirti 0 punkti
• Vērtībām starp 0.8 un 0.975 punktu skaits tiek aprēķināts proporcionāli no 0 līdz 75.

Iesniegšanas faila formāts

Iesniegšanas failam jābūt CSV formātā ar šādām kolonnām:

• subtaskID: apakšuzdevuma numurs (1, 2, 3 vai 4).
• datapointID:
  • 1. un 2. apakšuzdevumam vērtība būs 1.
  • 3. un 4. apakšuzdevumam tās būs vērtības no kolonnas ID failā test.csv.
• answer: jūsu atbilde.

Piemērs

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

Piezīme: Šī uzdevuma risināšanai nav nepieciešams izmantot Transformer tipa arhitektūras (piemēram: RoBERTa).