语言:

• 英语 评估指标:
• 精确率
• 准确率
• F1值
• 召回率 示例输入:
• 文本: "架子上有五本书。" 示例标题: "示例1"
• 文本: "两位男士正竞选成为纽约市下一任市长。" 示例标题: "示例2"
• 文本: "时光飞逝。" 示例标题: "示例3"
• 文本: "坚守信念，永不放弃。" 示例标题: "示例4"
• 文本: "我们的关系坚如磐石。" 示例标题: "示例5"
• 文本: "他充满欢笑。" 示例标题: "示例6" 许可证: AFL-3.0

BERTIS模型卡片

本说明文档概述了BERTIS模型的用途及使用方法。该模型在论文《META4：利用自监督文本与语音表征生成语义对齐的隐喻性手势》中提出（论文链接：https://arxiv.org/abs/2311.05481）。

若本工作对您有所帮助，请考虑引用我们的论文。

Bibtex引用格式：

@article{fares2023META4,
  title={META4: 利用自监督文本与语音表征生成语义对齐的隐喻性手势},
  author={法雷斯, 米雷耶 and 佩拉绍, 凯瑟琳 and 奥宾, 尼古拉斯},
  journal={arXiv预印本 arXiv:2311.05481},
  year={2023}
}

BERTIS模型描述

BERTIS（基于BERT的意象图式模型）是一个专为文本分类设计的计算模型，可将输入文本归类至特定意象图式类别。意象图式是塑造人类语言概念化与推理过程的基础认知模式。该模型基于BERT架构构建，并采用Wachowiak等人(2022)创建的专用语料库进行微调。

BERTIS意象图式分类体系

BERTIS核心功能是将输入文本自动归类至14种预定义的意象图式类别（各类别示例源自Wachowiak等人2022年研究）：

• 中心-边缘：她拂去了这个念头
• 接触：那件事让我震惊不已
• 容器：把它留在脑海深处
• 覆盖：他的判断被蒙蔽了
• 力量：他们彼此吸引
• 连接：打破社会纽带
• 物体：抓住机遇
• 部分-整体：他们拼凑出一个理论
• 量级：这个班级比那个大
• 源径-目标：行动的时刻已至
• 分裂：区分成熟与稚嫩的关键？
• 物质：情感中浸透着忧郁
• 垂直性：已知语言中时间概念均不采用横轴表达
• 支撑：我国的贫困群体需要扶持

训练与测试细节

训练数据源自： https://github.com/lwachowiak/Systematic-Analysis-of-Image-Schemas-through-Explainable-Multilingual-Language-Models/blob/main/Data/Image%20Schemas%20English%20and%20German.csv

数据划分比例为：80%训练集，10%验证集，10%测试集。

评估指标

核心指标

• 精确率：衡量预测为正例的样本中实际为正例的比例
• 召回率：衡量实际正例被正确预测的比例
• F1值：精确率与召回率的调和平均数

性能表现

整体准确率：0.93

所有意象图式类别的F1值介于0.77至1之间，表明BERTIS在准确预测（精确率）和全面捕捉（召回率）方面表现优异。具体而言，各类别的精确率均高于0.74，召回率除一个类别为0.67外均超过0.74。模型整体准确率达0.93，展现出卓越的文本分类能力。

开发者：米雷耶·法雷斯

支持语言：英语（可泛化至德语等其他语言）

许可证：学术自由许可证

基础模型：BERT Base Cased模型