Automatic Domain-Specific Corpora Generation from Wikipedia - A Replication Study
Notice bibliographique
Résumé
Replication studies help mature our knowledge and attempt to validate the findings of a prior piece of research. However, these studies are still rare in the Requirements Engineering field. Additionally, the rapidly advancing realm of Natural Language Processing (NLP) is creating new opportunities for efficient, machine-assisted workflows application which can bring new perspectives and results to the forefront. Thus, in this paper, we replicate and extend a previous study (baseline), a tool, WikiDoMiner, which automatically generated domain-specific corpora by crawling Wikipedia. In this study, we investigated and executed the implementation of WikiDoMiner (open-sourced code from the original paper) to recreate the results. This allowed us to strengthen the external validity of the original study. We extended the baseline to evaluate additional data sets and generated nuanced results using state-of-the-art NLP techniques such as Bidirectional Encoder Representations from Transformers (BERT). Results showed that due to the growing content in Wikipedia, the corpus generated for the Railways and Networks domains did not precisely match the results from the baseline. However, utilizing the state-of-the-art KeyBERT library from the Huggingface AI community enhanced the results, eventually generating a meaningful corpus compared to the baseline.
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 | 0,024 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».