/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
CC BY 4.0
Архитектура
roberta · dense
Базовая модель
roberta-base
Библиотека
transformers
Опубликована
15 июн 2026

disco-se-classifier

Классификация текстаТекст → label3 профессии

Модель на основе RoBERTa классифицирует английские клаузы по 18 типам ситуаций для лингвистического и дискурсивного анализа.

31скачиваний за 30 дней0лайковвеса обновлены15 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DiSCo Situation-Entity Classifier — модель классификации предложений на основе RoBERTa-base, разработанная для компонента классификации DiSCo. Она присваивает английской дискурсивной единице элементарного уровня, примерно соответствующей придаточной или самостоятельной клаузе, одну из 18 категорий ситуации (Situation Entity). Категории отражают тип ситуации и могут быть разложены на признаки обобщённости референта, событийности глагольной конструкции и ограниченности или привычности ситуации.

Модель предназначена для лингвистического анализа текста после сегментации на клаузы, например для изучения повествовательных режимов и анализа распределения типов ситуаций. Она содержит около 151,8 млн параметров, работает с текстом и имеет контекст до 514 токенов. Обучение включало предварительное обучение на корпусе SitEnt и дообучение на DiSCo: англоязычных текстах смешанных жанров, преимущественно о легализации марихуаны.

На валидационной выборке во время обучения точность классификации 18 категорий составила 0,737, а macro-F1 — 0,514; для отдельных трёхклассовых признаков macro-F1 составил 0,852 для обобщённости и 0,879 для событийности. Редкие классы представлены существенно меньше частых, а оценки относятся к обучающей валидации; качество на других жанрах может отличаться. Модель распространяется по лицензии CC BY 4.0.

Сценарии применения

  • классификация английских клауз по типам ситуаций
  • анализ обобщённости референтов в тексте
  • определение событийности клауз
  • анализ ограниченных, длительных и привычных ситуаций
  • изучение дискурсивных режимов в новостях и обсуждениях

Ограничения

Англоязычная модель обучена на преимущественно энциклопедическом SitEnt и дообучена на смешанных жанрах, главным образом по одной спорной теме; качество на других жанрах может отличаться. Данные метрик относятся к валидации во время обучения, а дисбаланс классов снижает macro-F1 для 18-классовой задачи.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DiSCo Situation-Entity Classifier (18-way)

A roberta-base model pre-trained on the SitEnt corpus (Friedrich, 2016) and then fine-tuned on the DiSCo corpus (Hemmatian, 2022; fortchoming) to label an English Elementary Discourse Unit (roughly a clause) with one of 18 Situation Entity (SE) types. The labels are an extension of Smith's (2003) discourse-mode framework with Grisot (2018) boundedness (see Hemmatian, 2022, for details). Each SE label decomposes into three content-agnostic attributes used in downstream analyses:

  • Genericity of the main referent: specific / generic
  • Eventivity of the main verb constellation: dynamic / stative
  • Boundedness/Habituality of the eventuality: static / episodic / habitual

This is the SE-classification component of the DiSCo pipeline (the precursor companion model is BabakScrapes/disco-clause-segmenter, which splits raw text into clauses first).

See the demos.

Label set

The model outputs 18 classes. The mapping to (genericity, eventivity, boundedness) is:

idSE labelgenericityeventivityboundedness
0BOUNDED EVENT (SPECIFIC)specificdynamicepisodic
1BOUNDED EVENT (GENERIC)genericdynamicepisodic
2UNBOUNDED EVENT (SPECIFIC)specificdynamicstatic
3UNBOUNDED EVENT (GENERIC)genericdynamicstatic
4BASIC STATEspecificstativestatic
5COERCED STATE (SPECIFIC)specificdynamicstatic
6COERCED STATE (GENERIC)genericdynamicstatic
7PERFECT COERCED STATE (SPECIFIC)specificdynamicepisodic
8PERFECT COERCED STATE (GENERIC)genericdynamicepisodic
9GENERIC SENTENCE (DYNAMIC)genericdynamichabitual
10GENERIC SENTENCE (STATIC)genericstativestatic
11GENERIC SENTENCE (HABITUAL)genericstativehabitual
12GENERALIZING SENTENCE (DYNAMIC)specificdynamichabitual
13GENERALIZING SENTENCE (STATIVE)specificstativehabitual
14QUESTIONNANANA
15IMPERATIVENANANA
16NONSENSENANANA
17OTHERNANANA

Classes 14–17 carry no attribute decomposition per the definitions of the linguistic attributes and are excluded from attribute-share calculations in the DiSCo analyses.

Usage

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

tok = AutoTokenizer.from_pretrained("roberta-base", add_prefix_space=True)
model = AutoModelForSequenceClassification.from_pretrained("BabakScrapes/disco-se-classifier").eval()

clause = "my friend smoked marijuana daily"
enc = tok(clause, return_tensors="pt", truncation=True, max_length=128)
with torch.inference_mode():
    pred_id = model(**enc).logits.argmax(-1).item()
print(model.config.id2label[pred_id])   

Training data

Pre-trained on the SitEnt corpus, then fine-tuned on the DiSCo corpus clause annotations: opinionated, mixed-register English text (news from four outlets across the political spectrum, Reddit, and AI-generated text) primarily on the topic of marijuana legalization. This domain is deliberately harder and more varied than the Wikipedia-dominated SitEnt corpus on which prior SE classifiers were trained.

Performance

Training-time validation performance (seed 42, random 10% validation):

TaskAccuracyMacro-F1Micro-F1
18-way SE label.737.514.689
Genericity (3-class).860.852.841
Eventivity (3-class).894.879.873
Boundedness/habituality (4-class).850.804.860

The 18-way macro-F1 is depressed by severe class imbalance (the most frequent labels are ~10× more common than the rarest); the per-attribute metrics better reflect what downstream analyses consume.

Note on evaluation. These are training-time validation numbers. The released weights and corpus let you re-train and re-evaluate under any split you prefer.

Limitations

  • English only
  • pre-trained on largely encyclopedic texts then tuned for opinionated, mixed-register text on one controversial policy topic. Performance on other genres may differ. However, as the features are formal and content-agnostic by design, good cross-genre generalization is expected.

Citation

Hemmatian, B. (2022). Taking the High Road: A Big Data Investigation of Natural Discourse in the Emerging U.S. Consensus about Marijuana Legalization. Brown University. And the DiSCo corpus paper (forthcoming, Behavior Research Methods). See the DiSCo demos.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForSequenceClassification
Ревизия весов
672ea02

0 моделей