PAST-TIDE : Réglage d'énoncés ancré sur des prototypes avec normalisation invariante au sujet pour la détection de position

Résumé

Nous présentons PAST-TIDE, notre système de détection de position qui répond aux deux sous-tâches de la tâche partagée StanceNakba lors de NakbaNLP@LREC-COLING 2026. L'idée principale est l'ajustement des énoncés. Nous redéfinissons la position comme une modélisation de langue masquée de type cloze, en laissant un verbaliseur mapper les mots d'étiquette aux catégories de position via la tête MLM pré-entraînée plutôt que d'ajouter une tête de classification initialisée aléatoirement. Nous complétons cela avec un apprentissage contrastif prototypique, qui utilise des prototypes de classe apprenables pour un entraînement contrastif indépendant de la taille du lot, et une normalisation de couche conditionnée par le thème pour la détection de position arabe inter-thèmes. PAST-TIDE obtient des scores macro-F1 de 0,75 pour la sous-tâche A et 0,74 pour la sous-tâche B sur le classement officiel, ce qui indique que des ajouts architecturaux minimes à un modèle pré-entraîné peuvent rester compétitifs dans des contextes à faibles ressources.

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.