現有評價數據集存在數據量小、領域單壹、參考答案少的缺陷。針對上述問題，蘇州大學與阿裏巴巴達摩院聯合發布了MUC GEC (Multi-reference多源中文語法糾錯評測數據集)多源多參考中文語法糾錯評測數據集，並基於CCL2022會議進行評測。
競賽鏈接:/competitions/567
文本事件抽取旨在結構化非結構化文本中的事件信息，是自然語言處理的壹個重要研究領域。作為事件抽取的子任務之壹，事件檢測旨在從給定的文本中識別事件觸發器，並將其分類為正確的事件類型。觸發詞是指標記事件發生的核心詞或短語，事件類型在數據集中是預定義的。
近年來，雖然基於深度神經網絡的模型在事件檢測方面取得了較好的效果，但也受限於深度學習方法對訓練數據集的高質量要求。當數據集存在樣本分布不均勻、數據標註質量差、抗數據汙染等問題時，模型的有效性往往難以得到保證，缺乏魯棒性。
為解決上述問題，本次大賽將基於中文領域事件檢測新聞(FNED)發布具有高魯棒性的領域事件檢測挑戰賽，旨在推動領域事件檢測模型的魯棒性研究，支持事件抽取相關技術的落地，促進相關領域人工智能應用的發展。
本次大賽的任務是基於FNED新聞文本數據集實現咕魯的領域事件檢測，通過機器學習、深度學習等模型開發事件檢測算法，使模型在樣本分布不均勻、數據標註質量差、存在數據汙染的情況下仍然具有良好的性能。
輸入:帶有事件信息的句子。
輸出:事件觸發器和事件類型的句子。
示例:
投入
“除了無人機，無人戰車的爆炸式展示也是今年珠海航展的最大亮點之壹？在今年的珠海航展上，各大軍工集團都推出了多款世界壹流的無人戰車，讓人目不暇接？珠海航展展示的無人戰車炮塔上有機槍？反坦克導彈和煙幕彈發射器？”
輸出
"事件提及":{
" event_type": "Exhibit "，
"觸發器":{
"文本":"顯示"，
"偏移":[12，13]
}
}
/比賽/561
評價6-12年級學生議論文寫作要素的效度。
/競賽/反饋-獎勵-效果/數據
論證是人類智慧的重要技能，在許多人類活動中起著不可或缺的作用。計算辯論技術側重於機器對人類辯論過程的理解和模仿，廣泛應用於決策輔助、寫作支持和邏輯評論。近年來，它逐漸成為人工智能研究的壹個新的重要分支。本次評測重點關註中英文辯論比賽中的辯論挖掘任務，鼓勵參賽者使用計算辯論相關技術識別或生成演講中的辯論點等成分，旨在推動計算辯論相關研究的發展，試圖為學術界和工業界的研究者以及相關行業的從業者提供壹個良好的交流平臺。在本次大會上，我們將舉辦第二屆智力辯論賽評估項目。
給定壹個論點和壹個候選句子，競爭模型必須判斷當前句子是否是支持當前論點的論點。我們還將提供辯論作為輔助參考。輸出有兩個標簽:1表示參數，0表示非參數。
提供壹對交互的正反單鏈接自變量。對於壹方的論點，從五個候選論點中選擇壹個與給定結論點有直接互動的論點。候選集由1個人工標記的交互自變量和從同壹自變量中采樣的4個不相關自變量組成。其中，壹個論點可能包含1個或更多的句子。
–評估指標:最高預測的平均準確度(a)和平均倒數排名(m)。
根據既定的辯論題目，由參賽模型自動生成符合辯論題目的五個論點。
–評價指數:迷茫，藍色，胭脂。
–評價指數:論證類F1。
/shared task/aide bater 22/index . html