BanglaSarc3: Un conjunto de datos de referencia para la detección de sarcasmo en Bangla desde las redes sociales para...

Área de la Ciencia:

• Lingüística computacional
• Procesamiento del lenguaje natural (PNL)
• Análisis del sentimiento

Sus antecedentes:

• El sarcasmo, una forma común de humor, a menudo se interpreta mal en bengalí, lo que lleva a problemas de comunicación.
• Detectar el sarcasmo en la lengua bengalí presenta desafíos significativos para los modelos actuales de procesamiento del lenguaje natural (PNL).
• La necesidad de conjuntos de datos especializados es crucial para avanzar en la investigación de la PNL en idiomas subrepresentados como el bengalí.

Objetivo del estudio:

• Para presentar BanglaSarc3, un nuevo conjunto de datos de clase ternaria para la detección del sarcasmo bengalí.
• Proporcionar un conjunto de datos de referencia para evaluar y mejorar los modelos de PNL para la clasificación del sarcasmo bengalí.
• Fomentar la diversidad lingüística y apoyar el desarrollo de modelos lingüísticos inclusivos y conscientes del contexto.

Principales métodos:

• Compilación de 12.089 comentarios de Facebook, categorizados en las categorías sarcástico, neutral y no sarcástico.
• Implementación de mejoras en la calidad de los datos, incluida la anonimización y la eliminación de duplicados.
• Validación de la fiabilidad del conjunto de datos a través de una evaluación independiente por parte de tres hablantes nativos de bengalí.

Principales resultados:

• Creación de BanglaSarc3, un conjunto de datos equilibrado con 4012 ejemplos sarcásticos, 4056 neutros y 4021 no sarcásticos.
• Establecimiento de un punto de referencia para evaluar el rendimiento del modelo de PNL en la detección del sarcasmo bengalí.
• Disponibilidad abierta del conjunto de datos para promover la colaboración en la investigación y la innovación en PNL bengalí.

Conclusiones:

• BanglaSarc3 es un recurso valioso para avanzar en la investigación de la PNL en bengalí, particularmente en la detección y clasificación del sarcasmo.
• El conjunto de datos apoya el desarrollo de modelos de PNL más precisos y conscientes del contexto para la lengua bengalí.
• La disponibilidad de BanglaSarc3 fomenta una mayor investigación y desarrollo dentro de la comunidad bengalí de PNL.