PAST-TIDE: Ajuste de Declarações Ancorado em Protótipos com Normalização Invariante ao Tópico para Detecção de Posicionamento

Resumo

Apresentamos o PAST-TIDE, nosso sistema de detecção de posicionamento que aborda ambas as sub-tarefas da Tarefa Compartilhada StanceNakba no NakbaNLP@LREC-COLING 2026. A ideia principal é o ajuste por declarações (statement tuning). Redefinimos a detecção de posicionamento como modelagem de linguagem mascarada do tipo cloze (MLM), permitindo que um verbalizador mapeie palavras-alvo para categorias de posicionamento por meio da cabeça de MLM pré-treinada, em vez de anexar uma cabeça de classificação inicializada aleatoriamente. Complementamos isso com aprendizado contrastivo prototípico, que utiliza protótipos de classe aprendíveis para treinamento contrastivo independente do tamanho do lote, e normalização de camada condicionada ao tópico para detecção de posicionamento em árabe entre tópicos. O PAST-TIDE alcança pontuações macro-F1 de 0,75 para a Sub-tarefa A e 0,74 para a Sub-tarefa B no ranking oficial, indicando que adições arquitetônicas mínimas a um modelo pré-treinado podem permanecer competitivas em cenários de baixos 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.