في إطار المنافسة العالمية SemEval-2026، قدم مشروع SG-UniBuc-NLP نظامًا مبتكرًا Unmasking Political Question Evasions، يهدف إلى تصنيف ردود المقابلات السياسية باللغة الإنجليزية. يركز هذا المشروع على تقديم نوعين من التصنيفات: الوضوح الخشن (3 فئات) واستراتيجية المراوغة الدقيقة (9 فئات).

تواجه النماذج الشائعة مثل نماذج المحولات (Transformers) تحديًا كبيرًا، حيث تتجاوز الردود غالبًا الحد الأقصى المسموح به وهو 512 رمزًا. لذلك، اعتمد الفريق على استراتيجية تقسيم مبتكرة، حيث يتم تقسيم النصوص إلى أجزاء متداخلة باستخدام تقنية النوافذ المنزلقات مع تجميع Max-Pooling على تمثيلات الأجزاء.

يتم استخدام نموذج RoBERTa-large كداعم مشترك، حيث يزود النظام برؤوس مختلفة مصممة خصيصًا لكل مهمة، وتم تدريبهم معًا من خلال هدف متعدد المهام. توصل النظام إلى تحقيق دقة Macro-F1 تصل إلى 0.80 في المهمة الفرعية الأولى و0.51 في الثانية، مما يجعله يحتل المرتبة الـ 11 في كلا المهمتين.

تأتي هذه النتائج تتويجًا لجهود مستمرة في تسخير قوة الذكاء الاصطناعي لتحليل النصوص السياسية وتعزيز الشفافية في النقاشات العامة.