PolERo：研究罗马尼亚语中的政治逃避

政治回避是指在回答问题时隐瞒所要求的信息。最近的 NLP 工作将政治逃避作为一种分类任务，使用响应清晰度和细粒度逃避策略的两级分类法。现有的关于响应清晰度和逃避分类的工作仅限于英语，分类法和模型行为是否跨语言和政治背景转移仍悬而未决。我们介绍 PolERo，这是一个从五位罗马尼亚总统的官方笔录中提取的 3,574 个人工注释问答对的数据集。我们在匹配条件下评估两个数据集上的多种分类方法，包括 TF-IDF 基线、微调编码器模型、提出的滑动窗口编码器和零/少样本 LLM 提示。我们通过联合双语训练和基于机器翻译的数据增强来研究跨语言迁移。我们的结果表明，微调编码器具有竞争力，跨语言传输是不对称的，涉及语用线索的矛盾逃避类别仍然是所有模型系列的主要挑战。