An Integration of Fine-Tuned RoBERTa, Support Vector Machine, and Differential Evolution in Enhancing Multi-Label Text Classification for Academic Publications
Notice bibliographique
Résumé
Two important challenges in multi-label classification are dataset imbalance and overlapping features shared among two or more class labels. This study addresses both challenges as a problem of classifying multi-labels in academic publications by proposing an integration of three main techniques: Robustly Optimized BERT Approach (RoBERTa), Support Vector Machine (SVM), and Differential Evolution (DE) algorithm. In a nutshell, a fine-tuned RoBERTa captures domain-specific semantic features of academic papers; SVM performs initial multi-label classification; and DE optimizes the label-specific threshold combination for each label improving the accuracy of classification decisions. This integration jointly addresses dataset imbalance, overlapping features, and threshold selection issues, which are rarely considered together in prior studies. The experiments were performed on academic papers, collected from arXiv repository with five core subfields of Computer Science. Experimental results showed that the Macro-F1 score of the proposed approach that integrates the fine-tuned RoBERTa model, SVM classifier and DE achieved 0.8018 while the best performance of benchmark methods achieved 0.7218. The significant performance improvement highlights the effectiveness of integrating semantic feature extraction, robust classification, and adaptive threshold optimization to overcome the challenges of dataset imbalance and feature overlap in multi-label classification of academic publications.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».