arXiv cs.CL· Ghazal Kalhor, Zahra Jafari, Amirarsalan Shahbazi, Behnam Bahrak·· 3 天前AI 评分15
PERCEPT：首个波斯语-英语语码混合 POS 标注语料库发布
PERCEPT: A Corpus for POS Tagging and Analysis of Persian-English Code-Mixing
AI 导读
研究者发布 PERCEPT，首个公开的大规模波斯语-英语语码混合语料库，为混合词标注 Universal Dependencies POS 标签。
正文 · AI 翻译
摘要：社交媒体已成为多语言交流的主要场所，用户经常在单条话语中混用多种语言。尽管已针对若干语言对构建了语码混合语料库，但波斯语-英语语码混合的研究仍相对不足。现有的波斯语资源缺乏针对语码混合词的通用依存（UD）词性（POS）标注，限制了语言学分析以及句法感知 NLP 模型的开发。为填补这一空白，我们推出 PERCEPT，这是首个公开可用的大规模波斯语-英语语码混合语料库，并为语码混合词标注了通用依存词性标签。该数据集包含从 Twitter（X）、Instagram 和 Digikala 收集的 6,800 条帖子，每条帖子至少包含一个已识别的波斯语-英语语码混合词。我们进一步提出了一种 LLM 辅助标注框架，可自动分配词性标签和文档级主题。人工评估表明，自动生成的标注与黄金标注之间具有高度一致性，证实了标注的可靠性。利用 PERCEPT，我们首次对多个社交媒体平台上的波斯语-英语语码混合进行了全面的语言学分析。我们的分析表明，名词是语码混合词的主要类别，而其他词性类别的分布因平台而异。我们进一步发现，语码混合词的位置分布在各平台间高度一致，而触发效应在 Digikala 中显著更为明显。PERCEPT 已在 此 https URL 公开提供。
| 评论： | 已被 AACL-IJCNLP 2026 学生研究研讨会（SRW）接收并将发表 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2608.10109 [cs.CL] |
| （或 arXiv:2608.10109v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.10109 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ghazal Kalhor [查看电子邮件]
[v1]
2026年8月10日星期一 18:23:54 UTC（2,370 KB）
[v2]
2026年10月14日星期三 09:21:33 UTC（1,830 KB）
来源：arXiv cs.CL · arxiv.org