An Intelligent Class: The Development Of A Novel Context Capturing Method For The Functional Auto Classification Of Records
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
The need to accurately classify records is a core problem in many domains. Historically, the classification of records was done manually, with those records "read" as they were received and categorized. Unfortunately, due to a significant growth in the volume of records, the need for robust auto-classification methods that can effectively "read" and classify records, is high. Today, significant challenges remain in the literature and practice relating to the development of effective, auto-classification processes. This is because the functional classification process is a challenge for both humans and machines, with little research on the steps needed to effectively functionally classify a record. In order to move research forward, this paper will address both challenges. Firstly, this paper, will seek to evaluate the efficacy of manual classifiers on a classification task, using knowledge from this process to articulate a process for functional classification that utilizes a record’s archival diplomatic context. Secondly, this paper will compare the efficacy of manual versus auto-classification using a record set with over 500,000 records, using a novel auto-classification approach that leverages a record’s archival diplomatic context, and not just its content, to improve classification accuracy. As this paper will discuss, there is significant variance between records managers during the manual classification process, with statistically significant differences in their ability to accurately classify both administrative and operational records. Moreover, this paper will demonstrate that an auto-classifier, when trained using key elements of archival diplomatic context, can statistically outperform a group of expert manual classifiers on a classification task.
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 | 0,001 | 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 | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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