Bibliometric Analysis of Rural Economic Development: Convergence between Sustainable Agriculture, Digital Technology, and Community Engagement for Village Self-Reliance
Notice bibliographique
Résumé
Sentiment analysis, often known as opinion mining, determines how people feel about any subject. Sarcasm is the expression of irony or mocking through the use of derogatory language. These phrases change the polarity of a positive feeling into a bad one or the other way around. The focus of the proposed research is to implement a domain-oriented sarcasm detection model with a XAI approach to justify classification results. This strategy emphasizes on bringing value to domain-specific text using an explainable approach. The research referred to political domain content from Reddit platform to get insights in the area. It identifies sarcastic context from textual information present on social media. As a part of sentiment analysis and sarcasm detection natural language processing (NLP) plays important role. The suggested methodology is identifying sarcasm using weighted average approach of long short term memory (LSTM) and support vector classifier (SVC). implemented system has a fresh strategy to identify such sarcastic terms from sentences or forecast such sarcastic sentences. The suggested strategy used an Explainable Artificial Intelligence (XAI) approach to identify sarcasm in a specific political domain text. As a part of XAI, counterfactual explanation is implemented to identify the sarcastic words from given text which is given with more weightage by model while training the model. The system has generated 75.75% F1 score as result of weighted average approach.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,026 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».