TL;DR
- چکیده:.
- تنظیم خطمشی در ایالات متحده آمریکا بر اساس مدل «سطل زباله» بین فرآیندهای متمرکز بر «مشکل» و «راهحل».
- تفاوت قائل میشود.
چه اتفاقی افتاد
چکیده:. تنظیم خطمشی در ایالات متحده آمریکا بر اساس مدل «سطل زباله» بین فرآیندهای متمرکز بر «مشکل» و «راهحل».
تفاوت قائل میشود. در این مقاله، مجموعه داده بزرگی از پستهای سناتور ایالات متحده در توییتر (مجموعاً 1.
68 میلیون توییت) را مطالعه میکنیم. هدف ما ایجاد یک روش خودکار برای برچسب گذاری پستهای سناتوری بهعنوان جریانهای مشکل یا راه.
حل است. دو کارشناس سیاست آکادمیک زیرمجموعهای از 3967 توییت را بهعنوان مشکل،.
راهحل یا موارد دیگر (هر چیزی که مشکل یا راهحل نیست) برچسب گذاری کردند. ما زیرمجموعهای از 500 توییت را به یک مجموعه آزمایشی تقسیم کردیم و 3467 توییت باقی مانده برای.
آموزش استفاده شد. در طول توسعه، این مجموعه آموزشی با نسبتهای 60/20/20 برای برازش، اعتبارسنجی و مجموعههای تست توسعه تقسیم شد.
ما روشهای یادگیری تحت نظارت را برای ساختن طبقهبندیکنندههای مسئله/راهحل مستقیماً روی مجموعه آموزشی بررسی کردیم و عملکرد. آنها را ارزیابی کردیم.
از نظر امتیاز F1 در مجموعه اعتبار سنجی،. به ما امکان میدهد به سرعت مدلها و فراپارامترها را تکرار کنیم و به میانگین وزنی.
امتیاز F1 بالای 0. 8 در اعتبارسنجی متقاطع در سه دسته با استفاده از مدل پایه BERTweet دست یابیم.
کامپیوتر و جامعه (cs. CY)؛ هوش مصنوعی (cs.
AI)؛ محاسبات و زبان (cs. CL); شبکههای اجتماعی و اطلاعاتی (cs.
SI) استناد بهعنوان: (یا v1 [cs. CY] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite تاریخچه ارسال از:. Jesse Hoey [مشاهده ایمیل] [v1] سه شنبه،.
10 مارس 2026،. 14:.
06:. 11 UTC (2,.
191 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.