Defining personalized concepts for XBRL using iPAD‐drawn fuzzy sets
Notice bibliographique
Résumé
Summary An efficient and effective analysis of business data requires a better understanding of what the data represents, and to what degree. A human‐like way of accomplishing that without being too detailed yet learning more about data content is to summarize and map the data into concepts familiar to a person performing analysis. Processes of summarization help identify the most essential facts that are embedded in the data. All this is of significant importance for analysis of large amounts of business data required to make good and sound financial decisions. There are two aspects enabling more comprehensive yet easier processing of data: a standardized representation format of financial data; and a human‐friendly way of defining concepts and using them for building personalized models representing processing data. The first of the aspects has been addressed by the eXtensible Business Reporting Language (XBRL)—a standardized format of defining, representing and exchanging corporate and financial information. The second aspect is related to providing individuals with the ability to gain understanding of data content via determining a degree of truth of statements summarizing data based on their own perception of concepts they are looking for. In this paper, we introduce a tablet application—Tablet‐based input of Fuzzy Sets (TiFS)—and demonstrate its usefulness for entering personalized definitions of concepts and terms that enable a quick analysis of financial data. Such analysis means utilization of soft queries and operations of aggregation that extract and summarize the data and present it in a form familiar to analysts. The application allows for defining concepts and terms with ‘finger‐made’ drawings representing a person's perception of concepts. Further, these definitions are used to build summarization statements for exploring XBRL data. They are equipped with ‘drawn’ definitions of linguistic terms (e.g. LARGE, SMALL, FAST) and linguistic quantifiers (e.g. ALL, MOSTLY), and enable summarization of data content from the perspective of a user's interests. The ‘drawn’ linguistic terms and quantifiers represent membership functions of fuzzy sets. Utilization of fuzzy sets allows for performing operations of data summarization in a human‐like way. The application of TiFS illustrates ease of inputting personalized definitions of concepts and their influence on the interpretation of data. This introduces aspects of personalization and adaptation of artificial intelligence systems to perceptions and views of individuals. The proposed application is used to perform a basic analysis of an XBRL document.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».