A Hybrid Semantic Networks Construction Framework for Engineering Design
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This paper proposes a novel framework for building semantic networks from a seed design statement using Recursive Object Modeling (ROM), Word2Vec language modeling, and vector semantic-based method. Semantic Scholar API was used to retrieve abstracts of scientific papers to build ROM-based Semantic Networks to address the design problem implied in the seed design statement, following Environment Analysis from Environment-Based Design (EBD) methodology. The proposed framework was applied to construct the semantic network for a project to design aircraft braking systems, which demonstrates the framework's efficiency. The presented research makes two major contributions: a ROM-based phrase extractor and a domain-specific language model, which is trained on the automatically collected literature abstracts. Using a manually created and assessed truth set containing 100 pairs of abstract-key phrases, the phrase extractor was evaluated by benchmarking it with two existing off-the-shelf key phrase extraction algorithms: TextRank and Rake. The ROM-based phrase extractor extracted most key phrases from target domains and showed higher precision, recall, and F-1 scores than other methods. Meanwhile, the trained project-specific language model was evaluated using the NASA thesaurus. We randomly sampled 457 pairs of connected domain-specific terms related to aircraft braking and landing knowledge. Our Skip-gram model was compared with Google's pre-trained word2vec model and a baseline word2vec model. The results demonstrated that our language model could detect the most pairs of concepts from the NASA thesaurus. The generated semantic network can be applied to design information retrieval, computer-aided design idea generation, cross-domain communication support system, and designer training tool.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle