混合模型策略：AfroXLMR-Social与DeBERTa在极化内容检测中的协同应用

随着网络极化现象的快速蔓延，开发能够跨语言有效运作的自动化检测系统变得日益重要。这项研究针对POLAR Shared Task 2026任务，提出了一种创新的混合建模策略。在英语二元检测任务中，研究团队利用了DeBERTa模型的单语言优势；而对于豪萨语及所有细粒度子任务（包括极化类型和表现形式检测），则采用了经过社交媒体领域适配的多语言模型AfroXLMR-Social。该模型特别针对社交媒体文本中的极化表达细微差别进行了优化。

为应对计算资源限制和数据稀缺问题，研究还引入了低秩适配（LoRA）技术和基于nlpaug的文本数据增强方法。实验结果显示，该混合策略在所有三个子任务中都取得了具有竞争力的表现。研究表明，根据具体任务需求定制模型选择方案，能够在性能平衡方面获得最佳效果。这项工作不仅为多语言极化检测提供了实用解决方案，也为资源受限环境下的自然语言处理任务提供了有价值的参考框架。