Update README.md

README.md

@@ -7,8 +7,8 @@ tags:
 - text-classification
 - natural-language-inference
 - indonesian
-- roberta
 - perturbation-robustness
+- bert
 datasets:
 - fabhiansan/XSUM-Indonesia-AMR-NLI
 pipeline_tag: text-classification
@@ -40,21 +40,18 @@ Model ini menghasilkan salah satu dari dua label (0 untuk non-entailment/kontrad
 
 
 
-## Penggunaan yang Ditujukan & Batasan
-
 ### Penggunaan yang Ditujukan
 Model ini ditujukan untuk digunakan dalam tugas klasifikasi teks NLI biner dalam bahasa Indonesia. Dapat digunakan untuk:
 * Memverifikasi apakah suatu klaim (hipotesis) didukung oleh teks sumber (premis).
-* Menganalisis hubungan logis antara dua kalimat.
-* Sebagai komponen dalam sistem yang lebih besar yang membutuhkan pemahaman hubungan tekstual, terutama yang sensitif terhadap jenis perturbasi data yang spesifik.
-
-### Faktor di Luar Cakupan & Batasan
-* **Bahasa:** Model ini dilatih khusus untuk bahasa Indonesia. Kinerjanya pada bahasa lain tidak diketahui dan kemungkinan buruk.
-* **Domain Data:** Kinerja model sangat bergantung pada kesamaan antara data input dan data pelatihan. Data pelatihan berasal dari `New/data/NEGFILTERED_xsum_indonesia_train_entailment_score_filtered_GEN_perturbed2_FULL_BSCORE_entprobs_sentsim.json`, yang tampaknya merupakan data yang diproses dan mungkin diperturbasi dari dataset XSUM versi Indonesia. Kinerja pada domain yang sangat berbeda mungkin menurun.
-* **Jenis Perturbasi:** Meskipun dilatih untuk menangani jenis perturbasi tertentu yang ada dalam data pelatihan, model mungkin tidak tangguh terhadap jenis perturbasi baru atau yang tidak terlihat.
-* **Jumlah Label:** Model ini dilatih untuk klasifikasi biner (`num_labels: 2`). Tidak cocok untuk tugas NLI multi-kelas (misalnya, entailment, contradiction, neutral) tanpa modifikasi dan pelatihan ulang.
-* **Interpretasi:** Seperti kebanyakan model deep learning, keputusan model mungkin sulit untuk diinterpretasikan sepenuhnya.
-
+* Menganalisis hubungan logis antara beberapa kalimat teks sumber dan kalimat ringkasannya.
+* Model akan menganggap ringkasan tidak entails ketika terjadi halusinasi.
+* Halusinasi yang dapat dideteksi oleh model ini adalah (Pagnoni dkk., 2021):
+  * Predicate error
+  * Discourse link error
+  * Entity Error
+  * Circumstance Error
+  * Out of Article Error
+  
 ## Cara Menggunakan
 
 Anda dapat menggunakan model ini dengan pustaka `transformers` dari Hugging Face: