dmytro_ushatenko/pages/students/2021/vladimir_ferko/README.md

title	published	taxonomy
Vladimír Ferko	true	category tag author bp2024 dialog nlp Daniel Hladek

rok začiatku štúdia: 2021

študent KPI, pracovník DTSS

Bakalárska práca 2024

• Projekt HateSpeech
• Pokyny KPI ku záverečným prácam
• Spolupráca: Eduard Matovka
• Nadväzuje Martin Jancura

Názov: Anotácia a vyhodnotenie slovenskej databázy nenávistnej reči

1. Napíšte prehľad existujúcich dátových zdrojov pre úlohu rozpoznávania sentimentu a nenávistnej reči v diskusiách.
2. Pripravte korpus diskusií v slovenskom jazyku. Vyberte vhodný zdroj diskusí a pripravte ho do podoby vhodnej na anotáciu.
3. Modifikujte existujúcu aplikáciu pre úlohu anotácie nenávistnej reči v diskusiách. Napíšte návod pre anotáciu.
4. Anotujte čo najväčšie množstvo dát pre výskyt nenávistnej reči.
5. Štatisticky analyzujte výskyt anotovanej nenávistnej reči v diskusiách.

Predbežné zadanie - úlohy na semester:

• Vytvoriť slovenskú databázu diskusií. Databáza by mala byť prezentovateľná na konferencii a použiteľná pre rozpoznávanie nenávistnej reči.
• zobrazte štatistiky získaných dát.
• Anotovať sentiment diskusných príspevkov.
• Možno anotovať nenávistnú reč. Toto konzultovať s p. Sokolovou.
• Z nazbieraných dát zostavte a vyhodnoťte model

Stretnutie 8.2.2024

Stav:

• Práca na identifikácii podobných príspevkov pomocou embeddingov. V matici sa vyhľadá každý dokument, ktorého kosínusová podobnosť je väčšia ako konštanta.

Úlohy:

• Získajte dáta z íných zdrojov, vhodné na anotáciu. Kritériá sú: miera výskytu nenávistnej reči, druh nenávistnej reči a legálne nástrahy (osobné dáta, licencia).

Momentálne máme:

• Facebook, rôzne profily. Problém je výskyt spamu - tématicky podobných príspevkov.

Iné možné zdroje:

• Reddit-Slovakia.
• Diskusie pod článkami.

Stretnutie 23.1.2024

Stav:

• Práca iba na textovej časti.

Úlohy:

• Pripravte dátovú množinu na anotovanie. Vyberte také dáta, ktoré obsahujú málo spamu a primerané množstvo "hatespeech". Môžete "nascrapovať" nové zdroje, také ktoré sú vhodnejšie.
• Pripravte aplikáciu na anotovanie a skúste anotovať pár jednotiek. Zaznamenajte chyby anotačnej aplikácie.
• Ak bude aplikácia v poriadku, anotujte viac.
• Pokračujte v práci na textovej časti podľa inštrukcií nižšie.
• Pokračujte v otvorených úlohách.

Zásobník úloh:

• Prečistenie databázy na výskyt spamu: Pomocou modelu slovak-bert-mnlr identifikujte sémanticky podobné dokumenty. Ak má jeden dokument príliš veľa podobných, označte ho ako spam. Konzultovať s Stromko alebo Sopkovič. Asi bude treba použiť vektorový index.
• Z anotovaných dát natrénujte model.

Stretnutie 27.10.2023

Stav:

• Podarilo sa rozbehať anotačnú aplikáciu a pripraviť dáta.

Úlohy:

• Pripravte aplikáciu na nasadenie. Pripravte dockerfile, pridajte CSS. Vyskúšajte aplikáciu a identifikujte chyby.
• Pokračujte v teoretickej príprave podľa pokynov nižšie. Sústredte sa na anotáciu a automatické rozpznávanie nenávistnej reči. Môžete vyjadriť aj súvis medzi rozpoznávaním sentimentu a nenávistnej reči. Na vyhľadávanie článkov použite Google scholar. Do práce si poznačte bibliografický odkaz na článok ktorý preštudujete. Ku každému článku si napíšte poznámky čo ste sa dozvedeli.
• Oboznámte sa so skriptom https://github.com/huggingface/transformers/tree/main/examples/pytorch/text-classification skúste ho rozbehať aj na iných vlastných dátach.
• Prečítajte si knižku https://d2l.ai/

Zásobník úloh:

• Analyzujte anotované dáta. Výsledky zobrazte do tabuľky.
• Natrénujte a vyhodnoťte model.

Stretnutie 13.10.2023

Stav:

• Rozbehané Prodigy anotácie
• Vyskúšaný model https://huggingface.co/kinit/slovakbert-sentiment-twitter

Úlohy:

• Vykonať prieskum literatúry. Aké sú existujúce anglické a slovenské databázy na analýzu sentimentu? Ako sa klasifikuje sentiment pomocou neurónových sietí? Prieskum by mal mať niekoľko strán a mal by obsahovať odkazy na odbornú literatúru a iné zdroje. https://github.com/slovak-nlp/resources Tu pozrite zoznam modelov a datasetov pre sentiment. Nájdite aj niekoľko článkov na tému "crowdsourcing dataset for sentiment classification". Robte si písomné poznámky, použije sa to do BP.
• Vytvorte KEMT GIT repo. Nastavte tam synchronizáciu s KPI Git tak aby som mal prístup k zdrojovým kódom na stiahnutie a na tvorbu modelov.
• Preštudujte si zdrojové kódy https://github.com/hladek/hate-annot a skúste ich rozbehať na svojom počítači s Vašimi dátami.

Zásobník úloh:

• Čím skôr rozbehať anotácie sentimentu alebo hate speech medzi študentami.
• Zozbierané dáta využiť na natrénovanie modelu.
• Oboznámte sa so skriptom https://github.com/huggingface/transformers/tree/main/examples/pytorch/text-classification skúste ho rozbehať aj na iných vlastných dátach.
• Prečítajte si knižku https://d2l.ai/

Stretnutie 8.8.

Stav:

• vypracovaný skript pre získanie dát z Reditt

Úlohy:

• Rozbehajte u seba jednoduché anotácie pomocou Prodigy. V texte označujte časti, ktoré sú urážlivé. Môžete to urobiť podľa skritpov v https://git.kemt.fei.tuke.sk/dano/annotation . Dáta anotujete podobne ako "named entities".

Zásobník úloh:

• Finalizovať dátovú množinu (facebook alebo reddit) a anotačnú schému.
• Pripraviť návod pre anotátorov
• Pripraviť webovú appku na sledovanie anotácií.
• Natrénovať model.

Stretnutie 29.6.2023

Stav:

• Je hotový skript pre zber diskusií z Facebooku. Skript je Python, Selenium a BS4.

Úlohy:

• Vykonať prieskum literatúry. Aké sú existujúce anglické a slovenské databázy na analýzu sentimentu? Ako sa klasifikuje sentiment pomocou neurónových sietí? Prieskum by mal mať niekoľko strán a mal by obsahovať odkazy na odbornú literatúru a iné zdroje. https://github.com/slovak-nlp/resources Tu pozrite zoznam modelov a datasetov pre sentiment.
• Skript na stiahnutie s krátkym komentárom dajte na KEMT GIT. Repo nazvite BP2024
• Vyskúšajte rozpoznávanie sentimentu pre slovenčinu pomocou existujúceho modelu Huggingface Transformers. https://huggingface.co/kinit/slovakbert-sentiment-twitter Vyskúšajte tento model.
• V prípade potreby Vám viem prideliť prístup na školský server s GPU.