/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
15 фев 2026

RooseBERT-scr-uncased

Заполнение пропусковТекст → текст3 профессии

Англоязычная BERT-модель, обученная с нуля на политических дебатах и парламентских речах для заполнения масок и последующего дообучения на задачах анализа политического дискурса.

163скачиваний за 30 дней0лайковвеса обновлены9 июл 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

RooseBERT-scr-uncased — англоязычная BERT-модель для политического дискурса, разработанная авторами RooseBERT и обученная с нуля на парламентских речах и политических дебатах. Это энкодерная архитектура BERT-base с 136,7 млн параметров, пользовательским uncased WordPiece-токенизатором на 30 522 токена и контекстом до 512 токенов; модель приводит входной текст к нижнему регистру.

Модель предназначена прежде всего для последующего дообучения на анализе политических текстов: классификации тональности и позиции, выделения и классификации компонентов аргументации, определения отношений между аргументами, классификации политических инициатив и распознавания именованных сущностей. В качестве masked language model она также выполняет заполнение маски. Предобучение проведено на корпусе английских парламентских выступлений и дебатов; в описанной оценке вариант превзошёл BERT-base-uncased в 8 из 10 задач.

Модель рассчитана на английский язык и не поддерживает кросс-языковое применение. Uncased-токенизация теряет различия регистра, что может ухудшить задачи с именами собственными и акронимами; для общих категорий NER доменное предобучение может не давать выигрыша. Как энкодер, модель лучше подходит для классификации и разметки, чем для генерации. Лицензия — Apache-2.0.

Сценарии применения

  • заполнение пропусков в текстах парламентских выступлений
  • классификация тональности политических речей
  • определение поддержки или оппозиции политическому предложению
  • выделение утверждений и предпосылок в аргументах
  • классификация отношений поддержки и атаки между аргументами
  • распознавание именованных сущностей в политических текстах

Ограничения

Обучена только на английских политических дебатах, поэтому кросс-языковое применение не поддерживается. Uncased-токенизация теряет регистр, что может мешать распознаванию имен и акронимов; модель также может отражать перекосы исходных политических речей.

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

RooseBERT-scr-uncased

RooseBERT is a domain-specific BERT-based language model pre-trained on English political debates and parliamentary speeches. It is designed to capture the distinctive features of political discourse, including domain-specific terminology, implicit argumentation, and strategic communication patterns.

This variant — scr-uncased — was trained from scratch (SCR) with a custom uncased WordPiece tokenizer built from the political debate corpus, giving it a vocabulary better suited to political language than standard BERT. The uncased variant lowercases all input text before tokenization, making it more robust to capitalisation variation across debate transcripts.

📄 Paper: RooseBERT: A New Deal For Political Language Modelling
💻 GitHub: https://github.com/deborahdore/RooseBERT


Model Details

PropertyValue
ArchitectureBERT-base (encoder-only)
Training approachFrom scratch (SCR)
VocabularyCustom uncased WordPiece (30,522 tokens)
Hidden size768
Attention heads12
Hidden layers12
Max position embeddings512
Training steps250K
Batch size2048
Learning rate3e-4 (linear warmup + decay)
Training objectiveMasked Language Modelling (MLM, 15% mask rate)
Hardware8× NVIDIA A100 GPUs
FrameworksHuggingFace Transformers, DeepSpeed ZeRO-2, FP16

The SCR approach trains BERT entirely from scratch on domain-specific data, using a custom tokenizer. This allows political terms like deterrent, endorse, bureaucrat, statutorily, and consequential to be represented as single tokens — whereas standard BERT would split them into multiple sub-tokens. The custom vocabulary shares only ~56% of its tokens with bert-base-uncased.


Training Data

RooseBERT was pre-trained on 11GB of English political debate transcripts spanning 1919–2025, drawn from:

SourceCoverageSize
African Parliamentary Debates (Ghana & South Africa)1999–2024573 MB
Australian Parliamentary Debates1998–20251 GB
Canadian Parliamentary Debates1994–20251.1 GB
European Parliamentary Debates (EUSpeech)2007–2015110 MB
Irish Parliamentary Debates1919–2019~3.4 GB
New Zealand Parliamentary Debates (ParlSpeech)1987–2019791 MB
Scottish Parliamentary Debates (ParlScot)–2021443 MB
UK House of Commons Debates1979–20192.6 GB
UN General Debate Corpus (UNGDC)1946–2023186 MB
UN Security Council Debates (UNSC)1992–2023387 MB
US Presidential & Primary Debates1960–202416 MB

All datasets were sourced from authoritative, official political settings. Pre-processing removed hyperlinks, markup tags, and collapsed whitespace.


Intended Use

RooseBERT is intended as a base model for fine-tuning on downstream NLP tasks related to political discourse analysis. It is especially well-suited for:

  • Sentiment Analysis of parliamentary speeches and debates
  • Stance Detection (support/oppose classification)
  • Argument Component Detection and Classification (claims and premises)
  • Argument Relation Prediction and Classification (support/attack/no-relation)
  • Motion Policy Classification
  • Named Entity Recognition in political texts

The uncased variant is recommended when capitalisation is inconsistent across your data, or when your task does not rely on case distinctions (e.g., proper nouns vs. common nouns).


How to Use

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("ddore14/RooseBERT-scr-uncased")
model = AutoModelForMaskedLM.from_pretrained("ddore14/RooseBERT-scr-uncased")

For fine-tuning on a downstream classification task:

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("ddore14/RooseBERT-scr-uncased")
model = AutoModelForSequenceClassification.from_pretrained(
    "ddore14/RooseBERT-scr-uncased",
    num_labels=2
)

# Recommended fine-tuning hyperparameters (from paper):
# learning_rate ∈ {2e-5, 3e-5, 5e-5}
# batch_size ∈ {8, 16, 32}
# epochs ∈ {2, 3, 4}

Note: This model uses an uncased tokenizer. Make sure not to pass do_lower_case=False when loading — lowercasing is applied automatically.


Evaluation Results

RooseBERT was evaluated across 10 datasets covering 6 downstream tasks. Results below are for RooseBERT-scr-uncased (Macro F1 unless noted).

TaskDatasetMetricRooseBERT-scr-uncasedBERT-base-uncased
Sentiment AnalysisParlVoteAccuracy0.780.67
Sentiment AnalysisHanDeSeTAccuracy0.690.66
Stance DetectionConVoteAccuracy0.750.73
Stance DetectionAusHansardAccuracy0.590.55
Arg. Component Det. & Class.ElecDeb60to20Macro F10.630.61
Arg. Component Det. & Class.ArgUNSCMacro F10.610.60
Arg. Relation Pred. & Class.ElecDeb60to20Macro F10.620.58
Arg. Relation Pred. & Class.ArgUNSCMacro F10.650.64
Motion Policy ClassificationParlVote+Macro F10.580.55
NERNERExMacro F10.880.90

RooseBERT-scr-uncased outperforms BERT-base-uncased on 8 out of 10 tasks. Results are averaged over 5 runs with different random seeds. For tasks where capitalisation carries semantic weight (e.g., proper noun-heavy NER), the cased variant may perform better.

Perplexity on held-out political debate data:

ModelPerplexity (uncased)
BERT-base-uncased9.60
ConfliBERT-cont-uncased5.00
ConfliBERT-scr-uncased4.68
RooseBERT-cont-uncased2.71
RooseBERT-scr-uncased3.09

Available Variants

ModelTrainingCasingHuggingFace ID
RooseBERT-cont-casedContinued pre-trainingCasedddore14/RooseBERT-cont-cased
RooseBERT-cont-uncasedContinued pre-trainingUncasedddore14/RooseBERT-cont-uncased
RooseBERT-scr-casedFrom scratchCasedddore14/RooseBERT-scr-cased
RooseBERT-scr-uncased (this model)From scratchUncasedddore14/RooseBERT-scr-uncased

SCR (from scratch) models use a custom political vocabulary; CONT (continued pre-training) models are initialised from the original BERT weights and vocabulary. Cased models preserve capitalisation; uncased models lowercase all input.


Limitations

  • RooseBERT is trained exclusively on English political debates. Cross-lingual use is not supported.
  • The model may reflect biases present in official political speech, including over-representation of certain geopolitical perspectives.
  • Performance on NER tasks does not benefit from domain-specific pre-training when entity categories are general rather than politically specific.
  • As an uncased model, it loses information from capitalisation, which may matter for tasks involving proper nouns or acronyms.
  • As with all encoder-only models, RooseBERT is best suited to classification and labelling tasks rather than generation.

Citation

If you use RooseBERT in your research, please cite:

@article{dore2025roosebert,
  title={RooseBERT: A New Deal For Political Language Modelling},
  author={Dore, Deborah and Cabrio, Elena and Villata, Serena},
  journal={arXiv preprint arXiv:2508.03250},
  year={2025}
}

Acknowledgements

This work was supported by the French government through the 3IA Côte d'Azur programme (ANR-23-IACL-0001). Computing resources were provided by GENCI at IDRIS (grant 2026-AD011016047R1) on the Jean Zay supercomputer.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
cc95e64

0 моделей