---
library_name: transformers
tags:
- SDG
- ' News'
- Articles
- Sustainability
language: ar
widget:
- text: >-
    يواجه العالم اليوم بعضًا من أكبر التحديات التي واجهها منذ عدة أجيال، وهي
    تحديات تهدد ازدهار الناس واستقرارهم في كافة أنحاء العالم. ووباء الفساد في
    معظمها.

    فللفساد آثار سليبة على كل جانب من جوانب المجتمع، حيث يتشابك تشابكا وثيقا مع
    الصراعات والاضطرابات مما يهدد التنمية الاجتماعية والاقتصادية ويقوض أسس
    المؤسسات الديمقراطية وسيادة القانون.

    ولا يتبع الفساد الصراع فحسب، بل هو كذلك أحد أسبابه الجذرية في كثير من
    الأحيان. فهو بتقويضه سيادة القانون يغذي الصراعات ويعيق عمليات إحلال السلام،
    فضلا عن أنه يفاهم الفقر، ويسهل الاستخدام المُجّرم للموارد، وإتاحة التمويل
    للنزاع المسلح.

    إن منع الفساد وتعزيز الشفافية وتقوية المؤسسات أمر بالغ الأهمية إذا أريد
    تحقيق الغايات المتوخاة في أهداف التنمية المستدامة.

    ويُراد من احتفالية اليوم العالمي لمكافحة الفساد لعام 2023 تسليط الضوء على
    الصلة الوثيقة بين مكافحة الفساد والسلام والأمن والتنمية. فجوهر تلك الصلة هو
    فكرة أن التصدي لهذه الجريمة حق للجميع ومسؤوليتهم، وأن التعاون ومشاركة هما ما
    يمكنا الأشخاص والمؤسسات من التغلب على الأثر السلبي لهذه الجريمة. فهناك دور
    للدول وللمسؤولين الحكوميين وللموظفين المدنيين ولموظفي إنفاذ القانون وممثلي
    وسائل الإعلام والقطاع الخاص وللمجتمع المدني وللأوساط الأكاديمية وللجمهور
    العام وللشباب بصورة خاصة في توحيد العالم ضد الفساد.
metrics:
- f1
base_model:
- UBC-NLP/ARBERTv2
pipeline_tag: text-classification
---

# Binary SDG Detection with ArBERTv2

This model is a binary classifier fine-tuned on the ArBERTv2 architecture, designed to detect mentions of Sustainable Development Goals (SDGs) in Arabic text. The model distinguishes between content related to the United Nations SDGs and non-SDG-related text, enabling the classification of Arabic news articles and other textual data.



## Model Details

### Intended Use


The model is intended for use in identifying SDG-related content within large collections of Arabic text, such as news articles, reports, or social media. It can be applied to media analysis, policy research, and academic studies focused on tracking SDG coverage in Arabic-speaking regions.

### How to Use

````python
from transformers import AutoModelForSequenceClassification, AutoTokenizer

# Load the model and tokenizer
tokenizer = AutoTokenizer.from_pretrained("Kamel/AraSDG_Binary")
model = AutoModelForSequenceClassification.from_pretrained("Kamel/AraSDG_Binary")

# Example text input
text = "your Arabic text here"

# Tokenize input
inputs = tokenizer(text, return_tensors="pt")

# Perform inference
with torch.no_grad():
    outputs = model(**inputs)
    logits = outputs.logits

# Convert logits to predicted class (0: non-SDG, 1: SDG)
predicted_class = torch.argmax(logits, dim=-1).item()

# Print the result
if predicted_class == 1:
    print("This text is SDG-related.")
else:
    print("This text is not SDG-related.")
````


### Training Data
The model was fine-tuned on a dataset of Arabic news articles annotated for SDG relevance, augmented with synthetic data generated to balance SDG-related and non-SDG content.

### Performance
The model achieves a macro F1-score of 98% on a test dataset, demonstrating high accuracy in distinguishing SDG-related from non-SDG-related content.

### Limitations
This model only provides binary classification (SDG vs. non-SDG).
It is trained specifically for Modern Standard Arabic (MSA) and may not perform as well on dialectal Arabic.