本研究针对乌尔都语教育领域命名实体识别（NER）不足的问题，提出了一种新的数据集EDU-NER-2025，专注于教育相关的重要实体。通过详细描述标注过程、规范及挑战，研究分析了乌尔都语正式文本中特有的语言学挑战，为未来的NER研究提供了重要资源和方法论基础。

本研究针对CoMeDi共享任务的分歧排名子任务，提出了一种新方法，利用paraphrase-xlm-r-multilingual-v1模型生成的句子嵌入和深度神经回归模型。优化后的系统在Spearman相关性表现上达到了竞争性水平，强调了在多语言环境中处理判断差异的重要性。

该研究论文探讨了AI-UPV团队在CLEF 2023中进行性别歧视识别的实验，利用大型语言模型和集成策略进行分类。研究比较和优化了多种模型，最终在多个任务中取得了竞争力的F1得分，展示了线性别歧视检测的可解释性和有效性。

我们使用适配器框架基于参数高效的微调开发了一种简单、统一和计算轻量级的方法，应用于古代和历史语言的词嵌入评估，形态标注，POS 标记，词义化和字符和词级别的填充等任务，并在所有任务和 16 种语言上均匀应用了相同的适配器方法。我们的研究结果显示了在现代语言上预训练的语言模型通过适配器训练可以适应历史和古代语言的可行性。