SemEval-2026 Task 10(PsyCoMark)에서 음모론 마커 추출과 문서 수준 음모론 탐지를 위해 RoBERTa-large 기반의 두 독립 모델을 제안하며, Subtask 1에서는 경계 인식 스팬 표현과 하드 네거티브 샘플링, 포함 기반 NMS를 활용한 다중 레이블 스팬 분류를, Subtask 2에서는 레이블 스무딩을 적용한 시퀀스 분류기를 사용한다. Actor, Victim 등 개체 유사 역할은 강건하게 탐지된 반면 Action, Effect, Evidence 등 추상적 역할은 경계 기준에 민감하였으며, 공식 테스트에서 Subtask 1 7위(macro F1 0.2251), Subtask 2 12위(weighted F1 0.7694)를 기록하였다.
완전 파인튜닝된 RoBERTa만으로도 여러 AI 생성 텍스트 탐지 벤치마크에서 특화된 탐지기와 동등하거나 이를 능가하며, 이는 최근 복잡한 아키텍처 설계가 분포 내 탐지 성능의 핵심이 아님을 시사한다. 분포 이동(distribution shift) 환경에서는 탐지기가 미관측 도메인의 인간 작성 텍스트에 높은 신뢰도로 기계 레이블을 부여하는 핵심 실패 패턴이 나타나며, LoRA 어댑터 기반 K-shot MAML 적응과 신뢰도 가중 앙상블로 이를 부분적으로 완화할 수 있음을 보인다.
중국어 소셜 미디어의 공격적 댓글 탐지 모델을 Weibo, Xiaohongshu, Tieba, Zhihu 등 여러 플랫폼에 크로스 플랫폼 배포할 때 발생하는 성능 저하 문제를 다루며, chinese-roberta-wwm-ext를 COLD 데이터셋에 파인튜닝한 기준 모델의 도메인 이동 취약점을 Jaccard 및 Proxy-A Distance로 정량화하였다. 이를 해결하기 위해 비라벨 코퍼스에서 예측 신뢰도 기반의 이중 임계값 하드 예시 마이닝(dual-threshold hard example mining) 전략을 제안하여 소량의 라벨 데이터만으로 저비용 도메인 적응을 실현하고 네 플랫폼 전반에서 유의미한 성능 향상을 달성하였다.