DialectRO

DialectRO: Klasifikacija dijalekata rumunskog jezika

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

Napomena: Kolona label (Dijalekt) dostupna je samo u podacima za obuku (train.csv). Tri moguće klase su: româna standard (standardni rumunski), graiul moldovenesc (moldavski govor) i graiul bănățean (banatski govor).

Podzadaci

Podzadatak 1 (5 poena)

Deo tekstova je izvučen iz dela "Cinci pâini" Jona Kreange. Izračunajte ukupan broj pojavljivanja reči "pâni" (arhaični oblik reči "pâini") u train.csv i test.csv.

Podzadatak 2 (10 poena)

U train.csv izračunajte prosečan broj znakova interpunkcije za tekstove na moldavskom govoru i banatskom govoru. Vratite apsolutnu vrednost (modul) razlike između ove dve vrednosti, zaokruženu na 2 decimale.

Podzadatak 3 (10 poena)

Za svaki red u test.csv izračunajte broj dijakritičkih znakova u tekstu. Dijakriticima se smatraju karakteri: ă, â, î, ș, ț (i njihove varijante sa velikim slovima Ă, Â, Î, Ș, Ț).

Podzadatak 4 (75 poena)

Konsturišite model sposoban da ispravno klasifikuje tekstove iz test datoteke u jednu od 3 klase.

Evaluacija

Podzadaci 1 i 2

Evaluacija se vrši tačnom proverom odgovora. Tačan odgovor = maksimalan broj poena, pogrešan odgovor = 0 poena.

Podzadatak 3

Evaluacija se vrši putem accuracy — proporcije tačnih odgovora u odnosu na ukupan broj. Bodovanje je proporcionalno: accuracy 1.0 = 10 poena, accuracy 0.0 = 0 poena.

Podzadatak 4

Evaluacija se vrši korišćenjem F1-Macro metrike.

• Ako je F1 >= 0.975 : dodeljuje se 75 poena
• Ako je F1 < 0.8 : dodeljuje se 0 poena
• Za vrednosti između 0.8 i 0.975, broj poena se računa proporcionalno između 0 i 75.

Format datoteke za slanje

Datoteka za slanje mora biti u CSV formatu i sadržati sledeće kolone:

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

Primer

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: Rešavanje ovog problema ne zahteva korišćenje arhitektura tipa Transformer (npr. RoBERTa).