借词还是语码转换？标注边界，而非模型，决定哈萨克语—俄语语码转换识别

发生了什么

原始事实： 论文研究哈萨克语—俄语社交文本中的语言识别与语码转换识别，并发布文档级金标准语言识别数据集。其标注指南把已融入哈萨克语的俄语借词保留为哈萨克语，把分句级语言切换标记为混合。

原始事实： 实验比较 FastText、Lingua、原始 HeLI、窗口化 HeLI、字符三元组朴素贝叶斯和 XLM-R。论文还提出过滤优先的级联流程：先进行语言识别，再把混合文本交给专门的情感分析池。

分析： 这套设计把语言边界判断与下游任务解耦，减少将单个借词误判为整段混合文本的风险。

原始事实： 在共享语言识别测试集上，所比较的方法表现从较弱到较强不等。摘要没有提供各模型的具体分数，也没有在给定信息中说明数据集规模，因此不能据此量化模型之间的差距。

分析： 对共享字母表的低资源语言而言，标签定义本身会决定模型学习到的任务。若训练集把词汇借用和句法层面的切换混在一起，模型能力、数据质量和评测协议就难以区分。

分析： 构建哈萨克语、俄语或其他接触语言系统时，应在数据卡和评测报告中明确借词、短语切换、分句切换及文档级混合的边界。过滤优先级联也可用于只对真正混合的样本调用更昂贵的下游模型。

原始事实： 给定摘要未说明标注者数量、一致性指标、数据集规模、领域分布、具体分数或跨数据集泛化结果。论文结论目前主要支持其定义的标注协议和测试集。

未验证推断： 该边界在其他哈萨克语方言、平台、代码混用形式或口语转写中是否同样有效，仍需独立复现。文中不同模型的优势也可能受训练语料覆盖和文本分布影响。