PAST-TIDE: Prototype-verankerde statement-tuning met topic-invariante normalisatie voor standpuntdetectie

Samenvatting

We introduceren PAST-TIDE, ons standpuntdetectiesysteem dat beide deeltaken van de StanceNakba Shared Task op NakbaNLP@LREC-COLING 2026 aanpakt. Het centrale idee is statement tuning. We herdefiniëren standpunt als cloze-stijl gemaskeerde taalmodellering (MLM), waarbij een verbalisator labelwoorden aan standpuntcategorieën koppelt via de voorgetrainde MLM-kop in plaats van een willekeurig geïnitialiseerde classificatiekop toe te voegen. We vullen dit aan met prototypisch contrastief leren, dat leerbare klasseprototypen gebruikt voor batch-grootte-onafhankelijke contrastieve training, en onderwerp-conditionele laagnormalisatie voor cross-topic Arabische standpuntdetectie. PAST-TIDE behaalt macro-F1-scores van 0,75 voor Deeltaak A en 0,74 voor Deeltaak B op het officiële klassement, wat aangeeft dat minimale architecturale toevoegingen aan een voorgetraind model concurrerend kunnen blijven in laag-bronomgevingen.

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.