{"subject":"演算法助長同溫層 多語言模型辨識網路極化言論","dataClassName":"科學","pubUnitName":null,"posterDate":"115-08-12","updateDate":null,"detailContent":"
\r\n
\"演算法推薦助長同溫層
\r\n\r\n
圖說:得獎學生
\r\n陽明交大多語模型國際競賽獲佳績
\r\n\r\n

\r\n文/公關組、圖/研究團隊
\r\n
\r\n演算法推薦讓社群媒體使用者更有效率地接收感興趣的資訊，卻也使人長期置身資訊同溫層；情緒化言論因更容易獲得關注，使網路討論逐漸走向兩極化發展。
\r\n
\r\n由智能系統研究所李龍豪副教授領軍的自然語言處理研究團隊（NYCU-NLP）成員林鼎翔、褚柏均運用三個開源大型語言模型，開發出可辨識22種語言的網路極化言論模型，這套模型在國際語意評測競賽任務9奪下第二名佳績，第一名為日本東京大學。
\r\n
\r\nSemEval是自然語言處理領域重要的國際語意評測競賽，今年任務9主題是網路極性言論分析，聚焦多語言、多文化及不同事件下的網路極化現象，涵蓋中文、英文、德文、西班牙文、阿拉伯文及緬甸文等22種語言，吸引多所國際知名大學參賽。
\r\n
\r\n李龍豪副教授表示，部分參賽語言屬於使用人口或數位資料較少的低資源語言，不僅可供模型學習的資料有限，不同國家、文化及事件脈絡也各有差異，增加AI判讀的難度。因此，團隊的策略並非只追求特定語言或單項任務的最佳成績，而是尋找能適用不同語言及任務、維持穩定表現的通用方法。
\r\n
\r\n在開發過程中，團隊比較了10個近期表現較佳的開源大型語言模型，最後依據實驗結果，選用Google釋出的Gemma-3、法國AI新創公司Mistral AI開發的Mistral-small-3.2，以及微軟釋出的Phi-4。透過模型堆疊方式整合判斷結果，如同讓具備不同專長的成員共同解題，提升系統面對多語言及多類型任務時的整體穩定性。最終團隊在中文、西班牙文及德文等語言項目表現尤其突出，整體成績排名第二。
\r\n
\r\n李龍豪副教授指出，網路極化可能使民眾接收到片面資訊，加劇社會群體對立，壓縮理性討論空間，已成為國際自然語言處理研究的新課題。相關技術未來可應用於跨語言網路輿情分析、社群風險觀測及公共議題研究，協助掌握不同文化與事件中的網路對立現象。
\r\n
","liaisonper":null,"liaisontel":null,"liaisonfax":null,"liaisonemail":null,"docs":[],"images":[{"fileurl":"https://www.nycu.edu.tw/nycu/ch/app/news/image?module=headnews&detailNo=1537001376029085696&init=Y","expFile":"左至右為陽明交大智能所褚柏均、林鼎翔、李龍豪副教授"},{"fileurl":"https://www.nycu.edu.tw/nycu/ch/app/news/image?module=headnews&detailNo=1537001376192663552&init=Y","expFile":"陽明交大奪下第二名佳績，第一名為日本東京大學。"}],"videos":[],"audios":[],"resources":[]}