D3.7 Technical report on information extraction from heterogeneous data using TDM
Notice bibliographique
Résumé
This deliverable summarises the activities within Task 3.3. that were led by CLARIN ERIC with the main partners CLARIN/Athena, CLARIN/CUNI, and DARIAH/UGOE, and additional collaboration with SciencesPo. Over the course of M1-M38 the partners developed three demonstration scenarios that highlight the value of NLP (Natural Language Processing) technologies for the SSH field and investigated which aspects of the outcomes of T3.3. and in which form can be shared via SSH Open Marketplace. Three types of scenarios include: (1) Application of TDM (Text Data Mining) to large bodies of multilingual texts on the use case of processing Collective Bargaining Agreements (CBAs); (2) Integration of linguistic analysis for information extraction into SSH tasks on the use case of verbal aggression detection in the context of social media. (3) TDM handling of heterogeneous data on the use case of processing the intertextuality phenomena in European drama history. All use cases work with data in multiple languages, and created pipelines take this multilinguality into account. The outcome of the demonstrations are stored to be accessed after the end of the project as online code notebooks and a workflow on SSH Open Marketplace (use case 1), service in the EOSC portal (use case 2), and a set of python scripts on the publicly accessible GitHub pages and a workflow on SSH Open Marketplace (use case 3).
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 | 0,016 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,056 | 0,085 |
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 ».