Vaičiūnienė, Vilhelmina

Medijų ir informacinis raštingumas (MIR) apima labai svarbius žmogaus gebėjimus, kurie šiandienos giliai technologizuotame ir mediatizuotame pasaulyje suteikia atsparumą dezinformacijai ir netikrų naujienų poveikiui, nes, be kritinio mąstymo, apima ir pačių medijų prigimties, jų veikimo principų ir tikslų suvokimą. Informacija mus pasiekia sudėtingais pavidalais: mokslininkai pastebi, kad multimodalumas tampa vis svarbesnis, o linijinio teksto kiekis mažėja. Todėl jau nepakanka tik pateikti MIR apibrėžimus ir išgryninti bei suklasifikuoti su MIR siejamus gebėjimus. Šio projekto naujumas kyla iš to, kad šiandien būtina tirti giliau, kaip mediatizuotame multimodalios informacijos pasaulyje veikia ir kinta kalba, kaip lingvistiniai pokyčiai susiję su informacijos pateikimu socialinėse medijose, t. y., kaip, pvz., populistams, trumpomis žinutėmis socialinėse medijose ir viešoje erdvėje pavyksta perteikti jų pasaulio matymą ir juo įtikinti daugybę žmonių. Projektui keliamas toks tikslas: Moksliškai ištirti ir aprašyti, kaip MIR samprata ir įgūdžiai siejasi su SFL teoriniu pagrindu ir praktinėmis SFL taikymo tekstų analizei prielaidomis informacijos pertekliaus, dezinformacijos ir propagandos keliamų pavojų bei gilios žmogaus veiklų mediatizacijos ir technologizacijos kontekste. Tikslui pasiekti numatytos šios veiklos: diskusinio straipsnio, atlikus ankstesnių mokslo publikacijų ir naujausios mokslinės literatūros ir duomenų analizę, parengimas publikavimui; technologinių įrankių, leidžiančių moksliškai sistemiškai ištirti tekstinių duomenų masyvus, panaudojimas sukauptiems tekstiniams duomenims tirti; mokslo monografijos anglų k. parengimas. Planuojami mokslinio tyrimo rezultatai apima parengtus 2 straipsnius publikuotus kokybiškuose mokslo leidiniuose, 2 pranešimus tarptautiniuose mokslo renginiuose, publikuotas pranešimų tezes ir parengtą monografiją anglų kalba.

Multi3Generation aims to foster an interdisciplinary network of research groups working on different aspects of language generation (LG). We frame LG broadly as the set of tasks where the ultimate goal involves generating language. In contrast to the more classical definition of NLG, this also includes tasks not concerned with LG in an immediate sense, but that could obviously inform or improve LG models. The Action will focus on the four core challenges: 1) Data and information representations: in modern applications, inputs can be different sources such as images, videos, KBs and graphs. 2) Machine Learning (ML): modern ML approaches face additional challenges when applied to LG; inputs should be mapped to different correct outputs, i.e. challenges involve e.g. structured prediction and representation learning. 3) Interaction: Applications of LG, e.g. Dialogue Systems, Conversational Search Interfaces and Human-Robot Interaction pose additional challenges to LG due to uncertainty derived from the changing environment and the non-deterministic fashion of interaction. 4) KB exploitation: structured knowledge is key to many NLP tasks, including NLG, supporting ML methods that require expansion, filtering, disambiguation or user adaptation of generated content. This Action aims to address these challenges by answering the following questions: How can we efficiently exploit common-sense, world knowledge and multi-modal information from various inputs such as knowledge bases, images and videos to address LG tasks such as multi-modal machine translation (MT), video description and summarisation? How can modern ML methods such as multi-task learning (MTL), representation learning and structured prediction be leveraged for LG? How can the models from (1) and (2) be exploited to develop dialogue-based, conversational Human-Computer and Human-Robot interaction methods?