library_name: transformers
tags: []
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.
Multiclass SDG Detection with ArBERTv2
This model is a multiclass classifier fine-tuned on the ArBERTv2 architecture, designed to identify specific Sustainable Development Goals (SDGs) mentioned in Arabic text. It classifies text into multiple SDG categories once it has been identified as SDG-related.
Prerequisite
Before running this model, input texts must first be classified as SDG-related using the binary classifier Kamel/AraSDG_Binary. This model only applies to articles that are confirmed to mention SDGs.
Model Details
Intended Use
This model is intended for use in detecting specific SDGs within Arabic text that has already been identified as SDG-related. It can be applied to large collections of articles, reports, or social media texts for content classification across multiple SDG categories.
How to Use
Step 1: Use the Binary SDG Classifier
Ensure that articles are first passed through the binary SDG classifier to determine if they are SDG-related. Only proceed with articles where the binary classifier predicts an SDG-related output.
Step 2: Use the Multiclass Model
Once an article is classified as SDG-related, use the following code to predict the specific SDG category.
from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch
# Load the model and tokenizer
tokenizer = AutoTokenizer.from_pretrained("Kamel/AraSDG_MultiClass")
model = AutoModelForSequenceClassification.from_pretrained("Kamel/AraSDG_MultiClass")
# Example text input (only use if the binary classifier predicts SDG-related)
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
# Get the predicted class (specific SDG class)
predicted_class = torch.argmax(logits, dim=-1).item()
# Print the result (you can map this to specific SDG labels as needed)
print(f"Predicted SDG class: {predicted_class}")
Training Data
The model was fine-tuned on a dataset of Arabic news articles, each labeled with a specific SDG category (e.g., SDG 1, SDG 2, etc.). The training data was augmented with synthetic content to ensure balanced representation across different SDGs.
Performance
The model achieves an average macro F1-score of 87%, performing well across a range of SDG categories.
Limitations
- Prerequisite: This model assumes the input text has already been classified as SDG-related by a binary classifier.
- The model is trained on Modern Standard Arabic (MSA) and may not perform as well on dialectal variations.
- Some SDGs may have more training data than others, leading to potential bias in predictions.