Copertina

Is a Document Educational or Just Wikipedia-Style? -- Pitfalls of Classifier-Based Quality Filtering

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Klimaszewski, Mateusz, Andruszkiewicz, Piotr
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Computation and Language
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Is Modularity Transferable? A Case Study through the Lens of Knowledge Distillation
di: Klimaszewski, Mateusz, et al.
Pubblicazione: (2024)

No Train but Gain: Language Arithmetic for training-free Language Adapters enhancement
di: Klimaszewski, Mateusz, et al.
Pubblicazione: (2024)

The Data-Quality Illusion: Rethinking Classifier-Based Quality Filtering for LLM Pretraining
di: Saada, Thiziri Nait, et al.
Pubblicazione: (2025)

Large Language Models on Wikipedia-Style Survey Generation: an Evaluation in NLP Concepts
di: Gao, Fan, et al.
Pubblicazione: (2023)

The Promises and Pitfalls of Using Language Models to Measure Instruction Quality in Education
di: Xu, Paiheng, et al.
Pubblicazione: (2024)

EuroGEST: Investigating gender stereotypes in multilingual language models
di: Rowe, Jacqueline, et al.
Pubblicazione: (2025)

WikiSQE: A Large-Scale Dataset for Sentence Quality Estimation in Wikipedia
di: Ando, Kenichiro, et al.
Pubblicazione: (2023)

A Survey of Text Style Transfer: Applications and Ethical Implications
di: Mukherjee, Sourabrata, et al.
Pubblicazione: (2024)

How Good is Your Wikipedia? Auditing Data Quality for Low-resource and Multilingual NLP
di: Tatariya, Kushal, et al.
Pubblicazione: (2024)

Position: On the Methodological Pitfalls of Evaluating Base LLMs for Reasoning
di: Chan, Jason, et al.
Pubblicazione: (2025)

The Pitfalls of Defining Hallucination
di: van Deemter, Kees
Pubblicazione: (2024)

Team "better_call_claude": Style Change Detection using a Sequential Sentence Pair Classifier
di: Schmidt, Gleb, et al.
Pubblicazione: (2025)

The Rise of AI-Generated Content in Wikipedia
di: Brooks, Creston, et al.
Pubblicazione: (2024)

Pitfalls and Outlooks in Using COMET
di: Zouhar, Vilém, et al.
Pubblicazione: (2024)

Utilize Transformers for translating Wikipedia category names
di: Ta, Hoang-Thang, et al.
Pubblicazione: (2024)

Edisum: Summarizing and Explaining Wikipedia Edits at Scale
di: Šakota, Marija, et al.
Pubblicazione: (2024)

ViWikiFC: Fact-Checking for Vietnamese Wikipedia-Based Textual Knowledge Source
di: Le, Hung Tuan, et al.
Pubblicazione: (2024)

LLM with Relation Classifier for Document-Level Relation Extraction
di: Li, Xingzuo, et al.
Pubblicazione: (2024)

Multilingual Reference Need Assessment System for Wikipedia
di: Baigutanova, Aitolkyn, et al.
Pubblicazione: (2026)

Capturing Style in Author and Document Representation
di: Terreau, Enzo, et al.
Pubblicazione: (2024)

It is Too Many Options: Pitfalls of Multiple-Choice Questions in Generative AI and Medical Education
di: Singh, Shrutika, et al.
Pubblicazione: (2025)

WINELL: Wikipedia Never-Ending Updating with LLM Agents
di: Reddy, Revanth Gangi, et al.
Pubblicazione: (2025)

Toxic comments reduce the activity of volunteer editors on Wikipedia
di: Smirnov, Ivan, et al.
Pubblicazione: (2023)

Hierarchical Memory Organization for Wikipedia Generation
di: Yu, Eugene J., et al.
Pubblicazione: (2025)

Bias in News Summarization: Measures, Pitfalls and Corpora
di: Steen, Julius, et al.
Pubblicazione: (2023)

Pitfalls of Evaluating Language Models with Open Benchmarks
di: Hasan, Md. Najib, et al.
Pubblicazione: (2025)

Characterizing Knowledge Manipulation in a Russian Wikipedia Fork
di: Trokhymovych, Mykola, et al.
Pubblicazione: (2025)

Train a Unified Multimodal Data Quality Classifier with Synthetic Data
di: Wang, Weizhi, et al.
Pubblicazione: (2025)

Uncovering Differences in Persuasive Language in Russian versus English Wikipedia
di: Li, Bryan, et al.
Pubblicazione: (2024)

Proper Noun Diacritization for Arabic Wikipedia: A Benchmark Dataset
di: Bondok, Rawan, et al.
Pubblicazione: (2025)

Automatic Construction of a Large-Scale Corpus for Geoparsing Using Wikipedia Hyperlinks
di: Ohno, Keyaki, et al.
Pubblicazione: (2024)

Talking to oneself in CMC: a study of self replies in Wikipedia talk pages
di: Tanguy, Ludovic, et al.
Pubblicazione: (2024)

Style-Compress: An LLM-Based Prompt Compression Framework Considering Task-Specific Styles
di: Pu, Xiao, et al.
Pubblicazione: (2024)

Attribution Quality in AI-Generated Content:Benchmarking Style Embeddings and LLM Judges
di: Abbas, Misam
Pubblicazione: (2025)

Detecting Sockpuppetry on Wikipedia Using Meta-Learning
di: Raszewski, Luc, et al.
Pubblicazione: (2025)

An Open Multilingual System for Scoring Readability of Wikipedia
di: Trokhymovych, Mykola, et al.
Pubblicazione: (2024)

How Grounded is Wikipedia? A Study on Structured Evidential Support and Retrieval
di: Walden, William, et al.
Pubblicazione: (2025)

Detecting Corpus-Level Knowledge Inconsistencies in Wikipedia with Large Language Models
di: Semnani, Sina J., et al.
Pubblicazione: (2025)

Wikipedia in the Era of LLMs: Evolution and Risks
di: Huang, Siming, et al.
Pubblicazione: (2025)

Analysing the Safety Pitfalls of Steering Vectors
di: Li, Yuxiao, et al.
Pubblicazione: (2026)