Resumen de Overview of HOPE at IberLEF 2024: Approaching Hope Speech Detection in Social Media from Two Perspectives, for Equality, Diversity and Inclusion and as Expectations

Daniel García Baena, Fazlourrahman Balouchzahi, Sabur Butt, Miguel Ángel García Cumbreras , Atnafu Lambebo Tonja, José Antonio García Díaz, Selen Bozkurt, Bharathi Raja Chakravarthi, Hector G. Ceballos, Rafael Valencia García , Grigori Sidorov, Luis Alfonso Ureña López , Alexander F. Gelbukh, Salud M. Jiménez Zafra

• español

  Este articulo presenta la segunda edición de la tarea compartida internacional sobre detección multilingüe del discurso de la esperanza, HOPE 2024, desarrollada como parte del taller IberLEF durante el congreso SEPLN 2024. Esta tarea estuvo compuesta por dos subtareas distintas: la primera de ellas se centró en la detección del discurso esperanzador en el ámbito de la Igualdad, Diversidad e Inclusión, mientras que la segunda se enfocó en las expectativas del discurso esperanzador atendiendo a dos niveles, binario y multiclase. Diecinueve equipos participaron en la competición y dieciséis enviaron sus notas de trabajo. En la primera subtarea, el equipo mejor clasificado logró una puntuación Macro F1 media de 71,61. En la segunda subtarea, los equipos líderes demostraron un rendimiento sólido con puntuaciones F1 superiores a 80,00 para la clasificación binaria y 78,00 para los entornos de clasificación multiclase.

• English

  This paper presents the second edition of the international shared task on multilingual hope speech detection, HOPE 2024, conducted as part of the IberLEF workshop during the SEPLN 2024 conference. This shared task encompassed two distinct subtasks: the detection of hope speech within Equality, Diversity, and Inclusion texts and the identification of hope speech focusing on expectations in two-level, binary, and multiclass classification settings. Nineteen teams participated in the competition, and sixteen submitted their working notes. In the first subtask, the top-ranking team achieved an average Macro F1-score of 71.61. In the second subtask, leading teams demonstrated robust performance with F1 scores exceeding 80.00 for binary classification and 78.00 for multiclass classification settings.