DialectRO

DialectRO: 罗马尼亚语方言分类

本问题的目的是根据罗马尼亚语的地区特征或标准形式对文本进行识别和分类。数据集包含从不同地区收集的文本片段。

注意：label 列（方言）仅在训练数据 (train.csv) 中提供。三个可能的类别是：româna standard（标准罗马尼亚语）、graiul moldovenesc（摩尔多瓦方言）和 graiul bănățean（巴纳特方言）。

子任务

子任务 1 (5 分)

部分文本提取自 Ion Creangă 的作品 "Cinci pâini"。计算 train.csv 和 test.csv 中单词 "pâni"（单词 "pâini" 的古体形式）出现的总次数。

子任务 2 (10 分)

在 train.csv 中，计算 graiul moldovenesc 和 graiul bănățean 文本的平均标点符号数量。返回这两个值之间差的绝对值，保留两位小数。

子任务 3 (10 分)

对于 test.csv 中的每一行，计算文本中变音符号的数量。被视为变音符号的字符有：ă、â、î、ș、ț（及其大写变体 Ă、Â、Î、Ș、Ț）。

子任务 4 (75 分)

构建一个能够将测试文件中的文本正确分类为 3 个类别之一的模型。

评估

子任务 1 和 2

通过精确核对答案进行评估。答案正确 = 满分，答案错误 = 0 分。

子任务 3

通过 accuracy（准确率）进行评估 —— 即正确答案占总数的比例。分数是成比例的：accuracy 1.0 = 10 分，accuracy 0.0 = 0 分。

子任务 4

使用 F1-Macro 指标进行评估。

• 如果 F1 >= 0.975：获得 75 分
• 如果 F1 < 0.8：获得 0 分
• 对于 0.8 和 0.975 之间的值，分数在 0 到 75 之间按比例计算。

提交文件格式

提交文件必须为 CSV 格式，包含以下列：

• subtaskID：子任务编号（1、2、3 或 4）。
• datapointID：
  • 对于子任务 1 和 2，该值为 1。
  • 对于子任务 3 和 4，该值为 test.csv 中 ID 列的值。
• answer：你的答案。

示例

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

注意： 解决此问题不需要使用 Transformer 架构（例如：RoBERTa）。