Характеристики

Лицензия: CC BY 4.0
Базовая модель: xlm-roberta-large
Библиотека: transformers
Опубликована: 26 июн 2026

Ссылки

xlm-roberta-large-spine-proselytism-v1

Классификация текстаТекст → label3 профессии

Дообученная XLM-RoBERTa классифицирует тексты по категориям пропагандистских стратегий для сравнительного анализа политической коммуникации.

26скачиваний за 30 дней0лайковвеса обновлены26 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

poltextlab разработала эту модель для классификации текстов по категориям политической коммуникации, связанным с пропагандистскими стратегиями. Она дообучена на базе FacebookAI/xlm-roberta-large и предназначена для использования в исследовательском инструменте CAP Babel Machine для сравнительного анализа. В карточке приведены метрики на тестовых данных: точность 85%, macro F1 0,85; для классов Threat inflation, Us vs. them и Counter-evidence rejection указаны отдельные значения F1 от 0,78 до 0,93.

Модель принимает текст и возвращает метки классов. В карточке показаны английские метки и языковой тег en; мультиязычность базовой XLM-RoBERTa не подтверждает сама по себе, что эта дообученная модель одинаково эффективна на других языках. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

Сценарии применения

Классификация политических текстов по стратегиям пропагандистской риторики
Поиск риторики раздувания угроз в корпусе текстов
Выявление противопоставления «мы — они» в политических сообщениях
Обнаружение отвержения контраргументов в текстах
Сравнительный анализ политических корпусов с помощью CAP Babel Machine

Ограничения

Карточка сообщает точность 85% и macro F1 0,85, но не приводит подробностей о составе и репрезентативности тестовых данных. Наиболее низкий из приведённых показателей F1 — 0,78 для класса Counter-evidence rejection.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

xlm-roberta-large-spine-proselytism-v1

How to use the model

from transformers import AutoTokenizer, pipeline

tokenizer = AutoTokenizer.from_pretrained("xlm-roberta-large")
pipe = pipeline(
    model="poltextlab/xlm-roberta-large-spine-proselytism-v1",
    task="text-classification",
    tokenizer=tokenizer,
    use_fast=False,
    token="<your_hf_read_only_token>"
)

text = "<text_to_classify>"
pipe(text)

Classification Report

Overall Performance:

Accuracy: 85%
Macro Avg: Precision: 0.86, Recall: 0.85, F1-score: 0.85
Weighted Avg: Precision: 0.86, Recall: 0.85, F1-score: 0.85

Per-Class Metrics:

Label	Precision	Recall	F1-score	Support
(P1) Threat inflation	0.9	0.97	0.93	58
(P2) Us vs. them	0.89	0.94	0.91	62
(P3) Counter-evidence rejection	0.72	0.86	0.78	42
(P4) Moral urgency to act and spread	0.95	0.82	0.88	22
(P5) Appeal to divine order	0.87	0.89	0.88	53
(P6) Purity vs. contamination	0.88	0.75	0.81	28
(P7) False revelation	0.87	0.89	0.88	61
(P99) None of them	0.8	0.68	0.74	66

Inference platform

This model is used by the CAP Babel Machine, an open-source and free natural language processing tool, designed to simplify and speed up projects for comparative research.

Cooperation

Model performance can be significantly improved by extending our training sets. We appreciate every submission of CAP-coded corpora (of any domain and language) at poltextlab{at}poltextlab{dot}com or by using the CAP Babel Machine.

Debugging and issues

This architecture uses the sentencepiece tokenizer. In order to run the model before transformers==4.27 you need to install it manually.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов: d3174ec