Value Assessment and Linguistic Feature Mining Based on Regression Analysis in Ancient Literary Texts
Notice bibliographique
Résumé
The value assessment of ancient literary texts and the mining of linguistic features are indispensable parts of academic research and ancient cultural inheritance.This paper uses the multiple regression model as a quantitative analysis tool for value assessment to evaluate the value of ancient literary texts.At the same time, for the linguistic features of ancient literary texts, we put forward the quantitative descriptive definitions of words, phrases, sentences and other multi-layer and multi-latitude, and establish the corresponding calculation formulas.After the assessment of the value of ancient literary texts, it can be learned that, except for the artistic law and the breadth of dissemination, the ancient literary texts are positively correlated with other influencing factors such as the writing method and the rhythm and rhyme, and the gap between the predicted value of the value assessment and the real value is small, with an error of 40% or less in 90% of the cases.In the mining analysis of linguistic features using The Peony Pavilion and The West Wing as research objects, the average word length of the former is slightly higher than that of the latter, while the difference in the distribution of long and short sentences of the latter is relatively large.Meanwhile, the average dependency distance of The Peony Pavilion is 2.42, which is higher than that of The Story of the Western Wing by 0.1, making syntactic analysis more difficult.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».