DIPROMATS 2023: Fine-grained propaganda characterization

La tarea tiene como objetivo encontrar las mejores técnicas para identificar y categorizar tuits propagandísticos de fuentes gubernamentales y diplomáticas sobre un conjunto de datos de 9501 tuits en español, publicados por autoridades de China, Rusia, Estados Unidos y la Unión Europea. La tarea consiste en clasificar los tuits propagandísticos en 15 técnicas propagandísticas.

 

Publicación
Pablo Moral, Guillermo Marco, Julio Gonzalo, Jorge Carrillo-de-Albornoz, Iván Gonzalo-Verdugo (2023) Overview of DIPROMATS 2023: automatic detection and characterization of propaganda techniques in messages from diplomats and authorities of world powers. Procesamiento del Lenguaje Natural, Revista nº 71, septiembre de 2023, pp. 397-407.
Idioma
Español
URL Tarea
https://sites.google.com/view/dipromats2023
NLP topic
clasificación de textos
Tarea abstracta
Clasificación
Dataset
DIPROMATS 2023
Año
2023
Enlace publicación
http://journal.sepln.org/sepl…
Métrica Ranking
F1

Mejores resultados para la tarea

Sistema F1 Accuracy MacroF1 Pearson correlation ICM
XLM-RoBERTa-large 0.4581 0.4581 0.4581 0.4581 0.46
XLM-RoBERTa-large-2 0.4581 0.4581 0.4581 0.4581 0.46
XLM-RoBERTa-large-v3 0.4581 0.4581 0.4581 0.4581 0.46
Xlm roberta large 0.4527 0.4527 0.4527 0.4527 0.45
PlanTL GOB ES roberta large bne 0.3894 0.3894 0.3894 0.3894 0.39
PlanTL GOB ES roberta base bne 0.2944 0.2944 0.2944 0.2944 0.29
Dccuchile bert base spanish wwm cased 0.2931 0.2931 0.2931 0.2931 0.29
Xlm roberta base 0.2668 0.2668 0.2668 0.2668 0.27
Bert base multilingual cased 0.2562 0.2562 0.2562 0.2562 0.26
Bertin roberta base spanish 0.2500 0.1782 0.2500 0.2500 0.25