Quantifying the distribution of materials data types in scientific literature across text, tables, and figures
Notice bibliographique
Résumé
Materials science research is a multifaceted field, with valuable data scattered across the pages of research papers in various formats. The efficient extraction of data from these papers is of paramount importance for further analysis and research. This study aims to shed light on the distribution of data in materials science papers and their interconnections. In this preliminary analysis, we systematically examined 10 random materials science papers to discern where key data types—composition, processing conditions, characterization, and performance properties—reside within the textual content, tables, and figures. Our findings reveal intriguing patterns in the presentation of data, ranging from conventional text-based descriptions to detailed tabular presentations and visually informative figures. The analysis encompasses diverse materials and highlights cases where data types are isolated or interconnected across different sources. We also address the challenges and limitations faced during the annotation process. This investigation underscores the importance of understanding data distribution within materials science papers, as it has profound implications for data accessibility and integration in the field. Furthermore, these insights pave the way for future research, particularly in the development of advanced NLP models tailored to the unique characteristics of materials science research papers and other machine learning techniques for more efficient data extraction and analysis in materials science research.
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 | 0,028 | 0,200 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,057 | 0,059 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».