仅发现错误不够：实体级情感分析的选择性模型升级

选择性纠错策略的实际增益远低于理想纠错上限。

资讯摘要

论文研究文档级实体级情感分析（ELSA）中的资源分配决策，主要使用南斯拉夫语新闻数据。作者比较了数据采集顺序，并利用不确定性选择需要复核的预测、处理数量以及能否由替代编码器或本地 LLM 纠正，最后在开发集上选择完整路由策略用于留出评估。结果显示，少数类优先采集仅在极小训练规模下有效；在 SentiCoref 上，理想纠错可提升 9.14 Macro-F1，但最佳实际动作仅提升 0.90。

要点速读

1. 论文比较不同数据采集顺序，发现少数类优先采集只在部分极小训练规模下有益，之后并不稳定。
2. 在 SentiCoref 上，若理想地纠正最不确定 10% 中的全部错误且不损害正确预测，可提升 9.14 Macro-F1，但最佳评估动作仅提升 0.90。
3. 编码器平均在 AspectBench 和 NewsMTSC 上有帮助，却损害 SentiCoref；两种开发集选出的策略都将 30% 记录路由至编码器辅助的 LLM，SentiCoref 观测增益 1.02 点（区间含零），NewsMTSC 为 1.71 点，推理成本差异显著。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。