本研究使用预训练语言模型对阿拉伯社交媒体内容进行研究，发现微调方法在分类任务上取得了最高结果，f1-micro分数为0.865，f1-weighted分数为0.861。少样本学习技术可以提高GPT模型结果达20％。

该研究概述了 ArAIEval 共享任务的第二版，任务包括检测推特和新闻文章中带有说服技巧的宣传文本，以及区分宣传性和非宣传性的表情包，参与的系统主要采用了 AraBERT 等细调的变压器模型。

本文介绍了针对《2023年阿拉伯语AI任务评估》的方法，包括说服技巧检测和虚假信息检测。使用多种体裁的推文和新闻文章进行二元分类问题，采用预训练的Transformer模型和集成方法，任务1-A和任务2-A分别获得了0.742和0.901的微平均F1分数。

该文介绍了 SemEval 2023 任务 3 的子任务 3 中检测说服技巧的最佳解决方案，使用基于 Transformer 的语言模型处理多语言输入数据和多个预测标签，并使用大型的跨语言模型在所有输入数据上联合训练，最终在 9 种语言中的 6 种语言上表现最优秀。

本文讨论了作者参与阿拉伯语环境下 ArAIEval 共享任务的情况，获得了第9和第10名。实验包括对转换器模型进行微调，使用GPT-4进行零样本和少样本学习。