Détection d’émotions multi-étiquettes : L’approche de l’Université d’Indonésie à SemEval-2025

L’Université d’Indonésie a présenté sa méthode pour la tâche 11 de SemEval 2025, axée sur la classification des émotions multi-étiquettes dans 28 langues. Deux stratégies principales ont été explorées : le réglage fin complet des modèles de transformateurs et l’entraînement uniquement du classificateur. Différents paramètres ont été évalués, notamment les stratégies de réglage fin, les architectures de modèles, les fonctions de perte, les encodeurs et les classificateurs.

Leurs résultats suggèrent que l’entraînement d’un classificateur au sommet d’encodeurs basés sur des invites, tels que mE5 et BGE, donne des résultats significativement meilleurs que le réglage fin complet de XLMR et mBERT. Le modèle le plus performant, selon le classement final, est un ensemble combinant plusieurs modèles BGE, où CatBoost sert de classificateur, avec différentes configurations. Cet ensemble atteint un score F1-macro moyen de 56,58 sur toutes les langues. Cela souligne l’importance de la sélection judicieuse des encodeurs et des classificateurs pour optimiser la performance dans la tâche complexe de la détection d’émotions multi-étiquettes.

L’approche de l’Université d’Indonésie met en lumière l’efficacité des méthodes basées sur les invites pour la classification des émotions. Cette recherche contribue significativement au domaine de la PNL et ouvre de nouvelles pistes pour améliorer la compréhension et la classification des émotions dans les textes multilingues. L’utilisation d’un ensemble de modèles et d’un classificateur robuste comme CatBoost est une stratégie efficace pour améliorer la robustesse et la précision du système.

En conclusion, l’étude démontre l’intérêt de combiner des techniques d’apprentissage automatique avancées avec une sélection rigoureuse des paramètres pour obtenir des performances optimales dans la tâche difficile de la détection d’émotions multi-étiquettes. Les résultats ouvrent des perspectives intéressantes pour les applications futures dans divers domaines, tels que l’analyse des sentiments, le traitement du langage naturel et la compréhension de l’interaction homme-machine.