{"id":"a5d7451a-b624-4f59-82d9-14daa602f1d4","authors":[],"concepts":[],"publisher_name":null,"publisher_website_url":null,"publisher_info":null,"bib_extra":[],"journal_info":null,"raw_data":{"abstract_tr":"Tıbbi metin sınıflandırması, sağlık NLP'sinde önemli bir görevdir, ancak Arapça tıbbi metinler dilsel karmaşıklık ve sınırlı açıklamalı veriler nedeniyle henüz yeterince araştırılmamıştır. Bu makalede, önceden eğitilmiş AraBERT bir Arapça transformatör modelinin Arapça tıbbi metin sınıflandırması için etkinliğini inceliyoruz. AraBERT'i etiketlenmiş bir tıbbi veri setinde ince ayar yapıyoruz ve performansını standart sınıflandırma metrikleri kullanarak değerlendiriyoruz. Deneysel sonuçlar, ince ayarlanmış AraBERT modelimizin 0.4076 özel liderlik tablosu puanı elde ettiğini ve katılımcı ekipler arasında 13. sırada yer aldığını, klasik makine öğrenimi temel çizgileri ve diğer transformator varyantlarını geride bıraktığını gösteriyor. Bu bulgular, Arap tıbbi NLP için transformator tabanlı yaklaşımların potansiyelini vurguluyor ve daha fazla araştırmayı teşvik ediyor.","title_en":"Supachoke at AbjadMed: Enhancing Arabic Medical Text Classification Using Fine-Tuned AraBERT","abstract_source":"harvest"},"openalex_id":"lens:108_034_412_643_70x","doi":"10.18653/v1/2026.abjadnlp-1.18","title":"Supachoke at AbjadMed: Enhancing Arabic Medical Text Classification Using Fine-Tuned AraBERT","publication_year":2026,"type":"article","cited_by_count":0,"is_open_access":true,"pdf_url":null,"abstract":"Medical text classification is an important task in healthcare NLP, yet Arabic medical texts remain underexplored due to linguistic complexity and limited annotated data.In this paper, we study the effectiveness of AraBERT, a pre-trained Arabic transformer model, for Arabic medical text classification.We fine-tune AraBERT on a labeled medical dataset and evaluate its performance using standard classification metrics.Experimental results show that our fine-tuned AraBERT model achieves a private leaderboard score of 0.4076 and ranks 13th among participating teams, outperforming classical machine learning baselines and other transformer variants.These findings highlight the potential of transformer-based approaches for Arabic medical NLP and motivate further research.","source_name":"Proceedings of the 2nd Workshop on NLP for Languages Using Arabic Script","source_issn":null,"volume":null,"issue":null,"first_page":null,"last_page":null,"language":"en","url":null,"is_relevant":true,"thesis_level":null,"title_tr":"AbjadMed'de Supachoke: İnce Ayarlanmış AraBERT Kullanarak Arapça Tıbbi Metin Sınıflandırmasının Geliştirilmesi","license_code":"CC-BY","license_url":null,"doi_status":"unknown","doi_last_checked":null,"merged_at":null,"lens_id":"108-034-412-643-70X","patent_cited_by_count":null,"oa_colour":"Gold","created_at":"2026-05-15T01:57:50.875503+03:00","updated_at":"2026-05-15T01:57:50.875778+03:00","publisher":null,"merged_into":null}