Improving Spell Checker Performance for Bahasa Indonesia Using Text Preprocessing Techniques with Deep Learning Models
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
Spell checking capabilities, crucial within the domain of natural language processing, often encounter limitations in the context of Bahasa Indonesia due to data irregularities and the scarcity of high-quality training data.This study aims to enhance spell checker performance through the implementation of various text preprocessing techniques, including case folding, tokenization, stemming, and the removal of stop words.A Convolutional Neural Network (CNN), a deep learning model, was employed in this research to facilitate the overall process.The study utilized data gathered from social media communities, comprising a total of 10,000 entries.This data was divided into two subsets; 80% (8,000 entries) was allocated for training and the remaining 20% (2,000 entries) was designated for testing.A series of tests were conducted on datasets subject to different preprocessing approaches: without case folding, without stop words removal, without stemming, and with all text preprocessing stages implemented.The evaluation metrics employed in this study included accuracy, recall, precision, and the F1 score.The results demonstrated notable improvements in spell checker performance with appropriate text preprocessing.Specifically, the accuracy reached 0.86 for the dataset without stemming, 0.74 for the dataset without stop words removal, 0.7 for the dataset without case folding, and 0.89 for the dataset where all preprocessing stages were applied.These findings suggest that a comprehensive text preprocessing approach, paired with deep learning models, can significantly enhance spell checker performance for Bahasa Indonesia.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,009 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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