MétaCan
Menu
Retour à la cohorte
Enregistrement W4285160596 · doi:10.18653/v1/2022.acl-tutorials

Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics: Tutorial Abstracts

2022· paratext· en· W4285160596 sur OpenAlexaff

Notice bibliographique

Revuenon disponible
Typeparatext
Langueen
DomaineComputer Science
ThématiqueNatural Language Processing Techniques
Établissements canadiensMcGill University
Organismes subventionnairesNIH Office of the DirectorNational Science FoundationOffice of the Director of National IntelligenceAdvanced Research Projects AgencyDefense Advanced Research Projects AgencyIntelligence Advanced Research Projects Activity
Mots-clésAssociation (psychology)Computational linguisticsComputer scienceCognitive scienceNatural language processingLinguisticsPsychologyPhilosophyEpistemology

Résumé

récupéré en direct d'OpenAlex

This year, as has been the tradition over the past few years, the call, submission, reviewing and selection of tutorials were coordinated jointly for multiple conferences: ACL, NAACL, COLING and EMNLP.We formed a review committee of 34 members, including the ACL tutorial chairs (Luciana Benotti (then), Naoaki Okazaki, and Marcos Zampieri), the NAACL tutorial chairs (Cecilia O. Alm, Yulia Tsetkov, and Miguel Ballesteros), the COLING tutorial chairs (Heng Ji, Hsin-Hsi Chen, and Lucia Donatelli), the EMNLP tutorial chairs (Samhaa R. El-Beltagy and Xipeng Qiu), and 23 external reviewers (see Program Committee for the full list).A reviewing process was organised so that each proposal received 3 reviews.The selection criteria included clarity and preparedness, novelty or timely character of the topic, instructors' experience, likely audience interest, open access of the tutorial instructional material, and diversity and inclusion.A total of 47 tutorial submissions were received, of which 8 were selected for presentation at ACL.We solicited two types of tutorials, namely cutting-edge themes and introductory themes.The 8 tutorials for ACL include 2 introductory tutorials and 6 cutting-edge tutorials.The introductory tutorials are dedicated to deep neural networks and reproducibility in NLP.The cutting-edge discussions address knowledge-augmented methods, non-autoregressive sequence generation, learning with limited data, zero-and few-shot learning with pretrained language models, vision-language pretraining, and multilingual task-oriented dialogue.We would like to thank the tutorial authors for their contributions and flexibility while organising the conference in the hybrid mode.We are also grateful to the 23 external reviewers for their generous help in the decision process.Our thanks go to the conference organizers for effective collaboration, and in particular to the general chair Bernardo Magnini, the publication chair Danilo Croce, the handbook chair Marco Polignano, and the authors of aclpub2.Finally, special thanks go to Luciana Benotti, who worked hard as a tutorial chair of ACL especially maintaining the reviewing process (including the administrative work with OpenReview) but later resigned from this position when she was elected to the NAACL executive board as the NAACL chair for 2022.We hope you enjoy the tutorials.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,162
Score d'incertitude au seuil0,544

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,021
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0050,003
Études des sciences et des technologies0,0020,002
Communication savante0,0070,008
Science ouverte0,0030,004
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,1620,136

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,270
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNatural Language Processing TechniquesTravaux en français237 207