PAST-TIDE: Ajuste de declaraciones anclado en prototipos con normalización invariante al tema para la detección de postura

Resumen

Presentamos PAST-TIDE, nuestro sistema de detección de postura diseñado para abordar ambas subtareas de la Tarea Compartida StanceNakba en NakbaNLP@LREC-COLING 2026. La idea principal es el ajuste de enunciados. Redefinimos la postura como modelado de lenguaje enmascarado estilo cloze, permitiendo que un verbalizador asigne palabras de etiqueta a categorías de postura a través de la cabeza de MLM preentrenada, en lugar de añadir una cabeza de clasificación inicializada aleatoriamente. Complementamos esto con aprendizaje contrastivo prototípico, que utiliza prototipos de clase aprendibles para un entrenamiento contrastivo independiente del tamaño del lote, y normalización de capas condicionada al tema para la detección de postura en árabe multitemática. PAST-TIDE obtiene puntuaciones macro-F1 de 0,75 para la Subtarea A y 0,74 para la Subtarea B en la tabla de clasificación oficial, lo que indica que adiciones arquitectónicas mínimas a un modelo preentrenado pueden seguir siendo competitivas en entornos con pocos recursos.

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.