مجموعه‌دادهٔ ALTO برای شناسایی خشونت جنسیتی آنلاین در سه زبان آفریقایی و خاورمیانه‌ای

پژوهشگران در پیش‌چاپی در arXiv از مجموعه‌دادهٔ ALTO رونمایی کرده‌اند؛ داده‌ای برای بهبود شناسایی خشونت جنسیتی تسهیل‌شده با فناوری (TFGBV) در عربی شامی، فرانسوی آفریقایی و سواحیلی. این حوزه تاکنون عمدتاً به داده‌ها و مدل‌های زبان‌های کشورهای شمال جهانی متکی بوده است.

این مجموعه با همکاری سازمان‌های جامعهٔ مدنی در اردن، غرب آفریقای فرانسوی‌زبان و کنیا و با رویکردی جامعه‌محور تهیه شده است. پژوهشگران با روش active learning، ۳٬۰۲۲ نمونه را برچسب‌گذاری کردند. در آزمایش‌های ارزیابی و fine-tuning، مدل‌های موجود در شناسایی TFGBV در داده‌های ALTO بازخوانی ضعیفی داشتند، اما پس از تنظیم دقیق عملکردشان بهتر شد.

بااین‌حال، مدل‌ها در هر سه زبان اغلب آسیب‌های پنهان را از دست می‌دهند و نرخ خطا در سواحیلی به‌مراتب بالاتر است. نویسندگان می‌گویند رده‌بندی برچسب‌ها، مجموعه‌داده و مدل‌های آموزش‌دیده را منتشر می‌کنند.