PAST-TIDE: Настройка утверждений на основе прототипов с тематически инвариантной нормализацией для определения позиции

Аннотация

Мы представляем PAST-TIDE — нашу систему определения позиции, решающую обе подзадачи общей задачи StanceNakba на NakbaNLP@LREC-COLING 2026. Основная идея заключается в настройке высказываний (statement tuning). Мы переопределяем понятие позиции как маскированное языковое моделирование (MLM) по типу клоз-теста, позволяя вербализатору сопоставлять слова-метки с категориями позиции через предварительно обученную голову MLM, а не добавлять случайно инициализированную классификационную голову. Мы дополняем это прототипическим контрастивным обучением, которое использует обучаемые прототипы классов для контрастивного обучения, независимого от размера пакета, и тематически-условной нормализацией слоев для кросс-тематического определения позиции в арабском языке. PAST-TIDE достигает макро-F1 показателей 0,75 для подзадачи A и 0,74 для подзадачи B в официальной таблице лидеров, что указывает на то, что минимальные архитектурные дополнения к предварительно обученной модели могут оставаться конкурентоспособными в условиях ограниченных ресурсов.

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.