本文介绍了在ArabicNLP 2023的ArAIEval挑战中，利用XLM-RoBERTa模型识别阿拉伯语文本中的说服技巧。研究通过微调和特征提取，取得了高达0.865的F1分数，展示了在社交媒体内容中检测宣传技术的有效性，并探讨了训练数据集的平衡性对模型性能的影响。

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。

本文介绍了在阿拉伯语NLP 2023的ArAIEval挑战中，使用XLM-RoBERTa模型识别推特和新闻文章中的说服技巧。通过微调多语言模型，任务1-A和2-A分别获得第8和第7名，微平均F1分数为0.742和0.901。研究表明，检测说服技巧和虚假信息对维护信息真实性至关重要。

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。