/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Лицензия
CC BY-NC 4.0
Архитектура
bert · dense
Базовая модель
bert-base-multilingual-cased
Опубликована
4 июл 2026

tsektxt-mbert

Классификация текстаТекст → label3 профессии

Дообученная мультиязычная BERT-модель для классификации Taglish-текстов как подозрительных или неподозрительных на предмет дезинформации.

11скачиваний за 30 дней0лайковвеса обновлены4 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

hansjio/tsektxt-mbert — модель Hans Jio Arca, созданная в рамках проекта TsekTxt и дообученная на основе bert-base-multilingual-cased. Это трансформерный кодировщик BERT с классификационной головой для двух меток: Suspicious и Not Suspicious. Модель предназначена для выявления подозрительной или потенциально вводящей в заблуждение информации в коротких и средних сообщениях на тагальском, английском и смешанном Taglish; она служит мультиязычной базовой моделью в сравнении с другими моделями проекта.

Модель обучена на примерно 25 400 размеченных примерах из Fake News Filipino Dataset и Philippine Fake News Corpus. По README, на отложенной выборке из 2 540 примеров точность составила 0,97. Максимальный контекст — 512 токенов, размер — 205,1 млн параметров. Лицензия CC-BY-NC-4.0 допускает некоммерческое использование с указанием авторства.

Модель рассчитана на посты в соцсетях в филиппинском языковом контексте. Данные смещены в сторону развлекательной и политической тематики; модель не оценивалась на длинных документах, формальных новостных статьях или текстах вне филиппинского контекста. Её результаты не следует использовать как окончательный фактчекинг или как единственное основание для решений с юридическими либо репутационными последствиями; в таких случаях требуется проверка человеком.

Сценарии применения

  • выявление потенциальных фейковых новостей в постах на Taglish
  • классификация сообщений в соцсетях как подозрительных или неподозрительных
  • предварительная проверка публикаций на тагальском и английском
  • выделение подозрительных сообщений для последующей проверки человеком

Ограничения

Обучающие данные преимущественно отражают развлекательную и политическую тематику; модель не оценивалась на длинных документах, формальных новостях и контекстах вне Филиппин. Она не предназначена для автономного фактчекинга или решений с серьёзными юридическими и репутационными последствиями без проверки человеком.

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

TsekTxt — mBERT Taglish Misinformation Classifier

This model is one of three transformer models fine-tuned and evaluated side-by-side as part of TsekTxt, a thesis and capstone project on detecting misinformation in Taglish (Tagalog-English code-switched) social media text.

Part of the TsekTxt model family:

ModelBase ArchitectureHugging Face Repo
XLM-RoBERTaMultilingual, 100 languageschimsio/tsektxt-xlmr
RoBERTa-TagalogFilipino-specific pretrainingchimsio/tsektxt-roberta-tagalog
mBERT (this model)Multilingual BERT baselinechimsio/tsektxt-mbert

Live application: TsekTxt web app — this model family is served via a FastAPI backend and used to classify user-submitted Taglish text/screenshots as Suspicious or Not Suspicious.

Training pipeline / research repo: tsektxt-model-training — full data preprocessing, training, and comparative evaluation code for all three models.


Model Details

Model Description

This model is a fine-tuned version of bert-base-multilingual-cased for binary text classification, distinguishing Suspicious (potentially fake/misinformation) from Not Suspicious (credible) Taglish text. It serves as the multilingual BERT baseline in a three-way architectural comparison against XLM-RoBERTa (a newer multilingual model) and RoBERTa-Tagalog (a Filipino-specific model), testing how an older multilingual architecture performs on code-switched misinformation detection relative to more modern or more specialized alternatives.

  • Developed by: Hans Jio Arca, as part of a capstone/thesis project
  • Model type: Transformer encoder, sequence classification (2 labels)
  • Language(s): Tagalog, English, and Taglish code-switched text
  • License: CC-BY-NC-4.0 (academic/research use; update if your institution requires otherwise)
  • Finetuned from model: bert-base-multilingual-cased

Model Sources


Uses

Direct Use

Classifying short-to-medium Taglish social media text as Suspicious or Not Suspicious, as part of the TsekTxt credibility-checking pipeline, alongside Integrated Gradients token attributions for explainability.

Out-of-Scope Use

  • Not intended as a sole/automated fact-checking authority.
  • Not evaluated on formal news articles, long-form documents, or non-Filipino contexts.
  • Not intended for moderation decisions with legal or reputational consequences without human review.

Bias, Risks, and Limitations

Same underlying training data as its sibling models, so shares the same domain skew present in the source datasets (entertainment/political content overrepresented). As an older, general-purpose multilingual architecture (vs. XLM-RoBERTa's more recent pretraining or RoBERTa-Tagalog's language-specific pretraining), this model is expected to serve primarily as a baseline for comparison — see the comparative analysis notebook for how its performance and attribution patterns differ from the other two.


How to Get Started with the Model

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model_id = "chimsio/tsektxt-mbert"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(model_id)
model.eval()

def predict(text):
    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=256)
    with torch.no_grad():
        outputs = model(**inputs)
    probs = torch.softmax(outputs.logits, dim=-1)
    label = torch.argmax(probs).item()
    # NOTE: confirm label convention (0 = Suspicious, 1 = Not Suspicious) against your dataset
    return {
        "label": "Not Suspicious" if label == 1 else "Suspicious",
        "confidence": round(probs[0][label].item() * 100, 2)
    }

print(predict("Napatunayan na ang bakuna ay nagdudulot ng microchip sa katawan!"))

Training Details

Training Data

Identical dataset, cleaning, and stratified 80/10/10 split (fixed seed 42) as used for the sibling XLM-RoBERTa and RoBERTa-Tagalog models, ensuring a fair three-way comparison. Combined dataset of ~25,400 labeled Taglish samples from the Fake News Filipino Dataset (Cruz, Tan & Cheng) and Philippine Fake News Corpus (Fernandez).

Training Procedure

  • Preprocessing: Deduplicated, null-dropped, tokenized with mBERT's native WordPiece tokenizer, max sequence length 256.
  • Class imbalance handling: Weighted cross-entropy loss.

Training Hyperparameters

  • Learning rate: 2e-5
  • Batch size: 16 (train), 32 (eval)
  • Epochs: 4
  • Weight decay: 0.01
  • Hardware: NVIDIA T4 GPU (Google Colab)

Evaluation

Testing Data

Held-out stratified test split (2,540 samples), identical to the split used for sibling models.

Results

ClassPrecisionRecallF1-scoreSupport
Not Suspicious0.960.950.95909
Suspicious0.970.980.971,631
Accuracy0.972,540
Macro avg0.970.960.962,540
Weighted avg0.970.970.972,540

See the training repo's comparative analysis notebook for the full three-model comparison.


Environmental Impact

  • Hardware Type: NVIDIA T4 GPU
  • Hours used: ~1 hour
  • Cloud Provider: Google (Colab)
  • Compute Region: Unknown (Colab-assigned)

Technical Specifications

  • Model Architecture: BERT-base-multilingual-cased, sequence classification head (2 labels)
  • Compute Infrastructure: Google Colab, single T4 GPU
  • Software: transformers, datasets, accelerate, PyTorch

Citation

@article{devlin2018bert,
  title={BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding},
  author={Devlin, Jacob and Chang, Ming-Wei and Lee, Kenton and Toutanova, Kristina},
  year={2018}
}

Dataset citations: Cruz, Tan & Cheng (Fake News Filipino Dataset); Fernandez (Philippine Fake News Corpus).


Model Card Contact

Hans Jio Arca — https://github.com/hansjio

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForSequenceClassification
Ревизия весов
7988424

0 моделей