Improved Information Extraction from Bridge Inspection Reports using Fine-tuned Generative Pre-trained Transformers
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
Bridge inspection reports contain a wealth of crucial data on bridge components and their related structural defects.This study introduces a novel method that harnesses the power of Generative Pre-trained Transformers (GPT) for improved information extraction from bridge inspection reports.While most studies in this domain focus solely on data extraction, this study transforms inspection data into a ready-to-use format for better utilization in condition assessment and predictive modeling, enabling better-informed budget allocation and decision-making.It employs (1) a baseline GPT model (BL-GPT), which leverages OpenAI's large language models to process textual inspection data through optimized prompt engineering, and (2) a finetuned GPT model (FT-GPT), which enhances the baseline by incorporating domain-specific training to improve performance.These models capture and evaluate the severity levels of reinforced concrete bridge defects based on textual inspection data.The models are validated on data extracted from 2,255 inspection reports-spanning a period of five years (2018-2022)for a set of bridges in Qubec, Canada.The FT-GPT is found to significantly improve performance, stability, and reliability in detecting and standardizing the severity of different types of concrete defects in bridge decks.In specific, it achieves accuracy rates of 98.79% for rebar corrosion, 99.09% for delamination, and 98.64% for cracking, scaling, and spalling of concrete.This study demonstrates the potential integration of generative AI in asset management, an application that has yet to be realized.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 découle