Finding connections between fundamentally different conceptions of "models"
Notice bibliographique
Résumé
One of the major projects in the DH has been to find meanings in text through digital means—text analysis—and the recent the emergence of Large Language Models has presented a radically new extension to this. In contrast, almost all my professional DH life at KCL (in 25 substantial funded DH projects) has centered not on text analysis but representation through highly structured data (usually in terms of the relational database). Also, my Pliny project has explored how aspects of the more informal process of humanities research which is, at least in good part, about finding new interpretations could be usefully supported digitally. Both Pliny and most of the highly structured projects have text "nestled" within them. Both highly structured data and LLMs create models expressing some the semantics of their material, but LLM's models are very different kind of thing from models represented by graph-oriented highly structured data projects (and in Pliny). Is there any point of connection? To explore this issue we have built mechanisms to extract the textual bits from Record of Early English Drama's (U of Toronto) EMLoT resource, and from the Pliny dataset of a significant Pliny user. Text analysis techniques have then been applied to uncover structure. We have begun this work with Voyant, and continued by applying basic LLM models and examined how these language Models might characterize these texts. Text operating semantically can be found in highly structured data, and particularly in Pliny. Hence, part of the semantic significance of these projects is not found only in their object structure, but also in the text in these structures, and the semantic meaning between the text and the data structure is likely to be complementary. This poster reveals some initial ways in which points of contact can be found in these data structure and text visualizations. Do they enable a fuller vision of what our materials represent than either do by themselves?
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 | 0,019 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,028 |
| Communication savante | 0,023 | 0,053 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,006 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».