Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: MIT
Архитектура: bert · dense
Опубликована: 18 окт 2022

Ссылки

Hugging Face arXiv 2006.00885

COVID-19_Misinformation_Detector

spencer-gable-cook

Классификация текстаТекст → label3 профессии

Модель BERT классифицирует публикации о COVID-19 и вакцинах, отмечая вероятную дезинформацию.

33скачиваний за 30 дней1лайквеса обновлены19 окт 2022

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

COVID-19 Misinformation Detector — модель классификации текста, созданная Spencer Gable на основе bert-base-uncased и дообученная для выявления дезинформации о COVID-19 и вакцинах в публикациях из соцсетей. Она присваивает тексту метку LABEL_0, если дезинформация не обнаружена, и LABEL_1, если публикация классифицирована как дезинформация.

Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает тексты длиной до 512 токенов. Дообучение проводилось на наборах ANTi-Vax и CoAID с твитами, размеченными как дезинформация или достоверная информация экспертами в области здравоохранения. В репозитории доступны форматы PyTorch и ONNX; лицензия — MIT.

Модель предназначена для первичной проверки публикаций о COVID-19, а не для самостоятельной оценки медицинских утверждений. Её предсказания могут быть ошибочными и зависят от тематики, языка и стиля текста, представленных в обучающих данных; метки не заменяют проверку фактов специалистом.

Сценарии применения

проверка твитов о вакцинах против COVID-19 на дезинформацию
предварительная сортировка публикаций о пандемии для проверки фактчекерами
классификация постов о COVID-19 на содержащие и не содержащие дезинформацию

Ограничения

Модель обучена на англоязычных твитах о COVID-19 и вакцинах, поэтому её надёжность на других языках, форматах и темах не установлена. Классификацию следует использовать как предварительный сигнал, а не как медицинскую или фактчекинговую экспертизу.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Welcome to the COVID-19 Misinformation Detector!

There is a lot of misinformation related to the COVID-19 vaccine being posted online from unreliable sources. The COVID-19 Misinformation Detector allows you to check if the information you are reading online (e.g. from Twitter or Facebook) contains misinformation or not!

Enter the text from the online post in the "Hosted inference API" text area to the right to check if it is misinformation. "LABEL_0" means that no misinformation was detected in the post, while "LABEL_1" means that the post is misinformation.

The COVID-19 Misinformation Detector is a modified version of the "bert-base-uncased" transformer model, found here. It is fine-tuned on two datasets containing tweets relating to the COVID-19 pandemic; each tweet is labelled as containing misinformation (1) or not (0), as verified by healthcare experts. The datasets used are:

For a more detailed explanation, check out the technical report here, and check out my literature review on transformers here!

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: 7ce0a45