Analysis and Insights from the PARSEME Shared Task dataset
Notice bibliographique
Résumé
The PARSEME Shared Task on the automatic identification of verbal multiword\nexpressions (VMWEs) was the first collaborative study on the subject to cover a\nwide and diverse range of languages. One observation that emerged from the official\nresults is that participating systems performed similarly on each language but\ndifferently across languages. That is, intra-language evaluation scores are relatively\nsimilar whereas inter-language scores are quite different. We hypothesise that this\npattern cannot be attributed solely to the intrinsic linguistic properties in each language\ncorpus, but also to more practical aspects such as the evaluation framework,\ncharacteristics of the test and training sets as well as metrics used for measuring\nperformance. This chapter takes a close look at the shared task dataset and the systems’\noutput to explain this pattern. In this process, we produce evaluation results\nfor the systems on VMWEs that only appear in the test set and contrast them with\nthe official evaluation results, which include VMWEs that also occur in the training\nset. Additionally, we conduct an analysis aimed at estimating the relative difficulty\nof VMWE detection for each language. This analysis consists of a) assessing the\nimpact on performance of the ability, or lack-thereof, of systems to handle discontinuous\nand overlapped VMWEs, b) measuring the relative sparsity of sentences\nwith at least one VMWE, and c) interpreting the performance of each system with\nrespect to two baseline systems: a system that simply tags every verb as a VMWE,\nand a dictionary lookup system. Based on our data analysis, we assess the suitability\nof the official evaluation methods, specifically the token-based method, and\npropose to use Cohen’s kappa score as an additional evaluation method.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».