README.md

---
language: uk
tags:
- text-classification
- roberta
- ukraine
- binary-classification
- question-detection
datasets:
- squad_v2
- SDSJ-uk
widget:
  - text: "Це питання чи ні?"
---

# 🇺🇦 Ukrainian Question vs Statement Classifier

Це модель на базі `xlm-roberta-base`, натренована для класифікації українських фраз на:
- **Питання** (`1`)
- **Твердження** (`0`)

Модель підходить для використання в чат-ботах, LLM-фільтрах, обробці коментарів, автоматичних відповідях тощо.

## demo

🧪 [click here for testing](https://huggingface.co/spaces/Serhii228/ukr-question-classifier-ui)


## 📊 Архітектура
- `TFAutoModelForSequenceClassification`
- 1 вихідний нейрон із `sigmoid`

## 📦 Використання

```python
from transformers import TFAutoModelForSequenceClassification, AutoTokenizer

model = TFAutoModelForSequenceClassification.from_pretrained("Serhii228/ukr_quest-statement-classifier")
tokenizer = AutoTokenizer.from_pretrained("Serhii228/ukr_quest-statement-classifier")

text = "Чи буде доступно завтра?"
inputs = tokenizer(text, return_tensors="tf", truncation=True, padding=True)
outputs = model(**inputs)
prob = tf.nn.sigmoid(outputs.logits)
label = int(prob > 0.5)
```

# 🇬🇧 English

This model is based on xlm-roberta-base and is fine-tuned to classify Ukrainian sentences into:

    Questions (1)

    Statements (0)

It is suitable for use in chatbots, LLM pre-filtering, comment analysis, and automatic response systems.
## 📊 Architecture

    TFAutoModelForSequenceClassification

    1 output neuron with sigmoid activation

## 📦 Usage
```python
from transformers import TFAutoModelForSequenceClassification, AutoTokenizer

model = TFAutoModelForSequenceClassification.from_pretrained("Serhii228/ukr_quest-statement-classifier")
tokenizer = AutoTokenizer.from_pretrained("Serhii228/ukr_quest-statement-classifier")

text = "Чи буде доступно завтра?"
inputs = tokenizer(text, return_tensors="tf", truncation=True, padding=True)
outputs = model(**inputs)
prob = tf.nn.sigmoid(outputs.logits)
label = int(prob > 0.5)
```

## 🧠 Training

The model was trained on a combination of SQuAD v2, SDSJ-uk, and additional manually annotated Ukrainian examples.


## 🔒 License

MIT