Acceso usuarios
Sabur Butt, Fazlourrahman Balouchzahi, Maaz Amjad, Salud M. Jiménez Zafra 
, Hector G. Ceballos, Grigori Sidorov
El discurso de esperanza incluye mensajes que expresan optimismo, ánimo o el deseo de un futuro mejor. Este artículo presenta una visión general de la tarea compartida PolyHope en IberLEF 2025. Esta tarea tiene como objetivo detectar discursos de esperanza en publicaciones de redes sociales escritas en inglés y español. La tarea PolyHope se divide en dos partes. La primera es una clasificación binaria, donde los sistemas deben decidir si una publicación expresa esperanza o no. La segunda parte es una clasificación más detallada en cinco categorías: esperanza generalizada, esperanza realista, esperanza irrealista, sarcasmo y no esperanza. Para apoyar esta tarea, se creó un nuevo conjunto de datos llamado PolyHope V2. Una característica clave de este conjunto de datos es que incluye la esperanza sarcástica como una categoría separada. Esto permite que los modelos detecten mejor cuándo se utiliza un lenguaje esperanzador de forma sarcástica o engañosa. Varios equipos de investigación participaron en la tarea y probaron diferentes modelos, incluidos aprendizaje automático tradicional, aprendizaje profundo y sistemas basados en transformadores. El artículo presenta los hallazgos de la tarea compartida, incluyendo los métodos con mejor desempeño y los desafíos comunes a los que se enfrentaron los equipos, como el desbalance de datos, la mezcla de idiomas y las diferencias culturales en la forma en que las personas expresan emociones.
Hope speech includes messages that express optimism, encouragement, or the desire for a better future. This paper provides an overview of the PolyHope shared task at IberLEF 2025. This task aims to detect hope speech in social media posts written in English and Spanish. The PolyHope task is divided into two parts. The first part is binary classification, where systems decide if a post expresses hope or not. The second part is a more detailed classification into five categories: Generalized Hope, Realistic Hope, Unrealistic Hope, Sarcasm, and Not Hope. To support this task, a new dataset called PolyHope V2 was created. A key feature of the dataset is that it includes sarcastic hope as a separate category. This allows models to better detect when hopeful language is used in a sarcastic or misleading way. Several research teams joined the task and tested different models, including traditional machine learning, deep learning, and transformer-based systems. The paper presents findings from the shared task, including best-performing methods and common challenges faced by teams such as imbalanced data, language mixing, and cultural differences in how people express emotions.
