XNLIeu：巴斯克语的跨语言自然语言推理数据集
内容提要
本文研究了多语言自然语言推断（NLI）数据集的改进与应用，涵盖14种语言的MNLI数据集，探索资源匮乏语言中的模型训练效果。提出了IndicXNLI和SciNLI等新数据集，分析了不同预训练模型的表现，强调了多语言推断的挑战与进展。
延伸解读
多语言NLI数据集的演进
文章梳理了从XNLI到IndicXNLI、IndoNLI、SciNLI、Meta4XNLI等多个数据集的发展脉络。这些数据集针对不同语言和领域，如印度语言、印尼语、科学文本和隐喻检测，反映了多语言自然语言推理研究正从通用领域向更细分、更挑战性的任务扩展。
资源匮乏语言的挑战与进展
文章提到在斯瓦希里语、乌尔都语等资源匮乏语言中训练模型以提高性能。IndoNLI数据集的实验显示，最佳模型XLM-R仍比人类性能低13.4%，表明这些语言上的NLI任务仍具挑战性，需要更多高质量数据和模型改进。
跨语言迁移的关键因素
研究表明，使用英语和高质量单语NLI数据（如OCNLI）训练跨语言模型通常表现最佳，而自动翻译资源可能影响性能。这提示在跨语言迁移中，数据质量比数量更重要，高质量的单语数据能有效提升模型在目标语言上的表现。
科学文本与隐喻推理的难度
SciNLI数据集包含107,412个科学文本句子对，最佳模型仅达到78.18%的Macro F1，表明科学文本的NLI分类更难。Meta4XNLI则关注隐喻检测，探索非字面表达对模型的影响，这些 specialized 数据集推动了NLI在复杂语言现象上的研究。
Q&A
XNLI数据集的主要改进是什么？
XNLI数据集通过重新翻译14种语言的MNLI数据集来改进原始数据集。
IndicXNLI数据集的目的是什么？
IndicXNLI数据集用于分析11种印度语言的跨语言转移技术。
SciNLI数据集包含多少个句子对？
SciNLI数据集包含107,412个句子对。
在资源匮乏语言中提高模型性能的挑战是什么？
在资源匮乏语言中提高模型性能面临数据不足和模型训练效果不佳的挑战。
Meta4XNLI数据集的特点是什么？
Meta4XNLI数据集包含西班牙语和英语的隐喻注释，旨在用于隐喻检测和解释任务。
研究中使用了哪些跨语言学习模型的方法？
研究中提出了无监督和有监督的跨语言学习模型方法。
