PAST-TIDE: Prototyp-verankertes Statement-Tuning mit themeninvarianter Normalisierung zur Standpunkterkennung

Zusammenfassung

Wir stellen PAST-TIDE vor, unser Stance-Detection-System, das beide Teilaufgaben der StanceNakba Shared Task bei NakbaNLP@LREC-COLING 2026 bearbeitet. Die grundlegende Idee ist das Statement-Tuning. Wir definieren Stance als Cloze-Style-Masked-Language-Modelling (MLM) neu, wobei ein Verbalizer die Beschriftungswörter über den vortrainierten MLM-Head anstelle eines zufällig initialisierten Klassifikationsheads auf Stance-Kategorien abbildet. Dies ergänzen wir durch prototypisches kontrastives Lernen, das lernbare Klassenprototypen für ein batchgrößenunabhängiges kontrastives Training nutzt, sowie durch themenbedingte Layer-Normalisierung für themenübergreifende arabische Stance-Detection. PAST-TIDE erreicht auf der offiziellen Rangliste Macro-F1-Werte von 0,75 für Subtask A und 0,74 für Subtask B, was zeigt, dass minimale architektonische Ergänzungen eines vortrainierten Modells in ressourcenarmen Umgebungen wettbewerbsfähig bleiben können.

English

We introduce PAST-TIDE, our stance detection system addressing both subtasks of the StanceNakba Shared Task at NakbaNLP@LREC-COLING 2026. The main idea is statement tuning. We redefine stance as cloze-style masked language modeling (MLM), letting a verbalizer map label words to stance categories through the pre-trained MLM head rather than appending a randomly initialized classification head. We complement this with prototypical contrastive learning, which uses learnable class prototypes for batch-size independent contrastive training, and topic-conditional layer normalization for cross-topic Arabic stance detection. PAST-TIDE achieves macro-F1 scores of 0.75 for Subtask A and 0.74 for Subtask B on the official leaderboard, indicating that minimal architectural additions to a pre-trained model can remain competitive in low-resource settings.