Notice bibliographique
Résumé
Purpose Stemming is a critical preprocessing phase in information retrieval (IR) and natural language processing (NLP) tasks, aimed at reducing words to their root forms to improve query matching and retrieval performance. While effective stemming algorithms exist for high-resource languages, low-resource languages such as Gujarati lack a robust solution. Existing rule-based, dictionary-based and hybrid stemming techniques for the Gujarati language struggle to handle morphological variations, contextual understanding and out-of-vocabulary words, which limits their effectiveness in search engines and text-processing applications. Design/methodology/approach This research study proposes two distinct stemming techniques for Gujarati: (1) an IndoWordNet-based method and (2) a novel large language model (LLM)-based approach comprising three variants: word-level (LLM-WL), sentence-level (LLM-SL) and part of speech-sentence-level (LLM-POS-SL). For LLM implementation, we used the GPT-4-0613 model. These methods were evaluated on a curated Gujarati corpus of 20,849 words using standard metrics: precision, recall and F-score. The impact of stemming on IR performance was assessed using Gujarati Wikipedia search queries, with evaluation metrics including mean average precision (MAP) and Precision@10. Findings The LLM-POS-SL variant achieved the best results, with an average precision of 96.7%, a recall of 91.95% and an F-score of 94.26%. IR experiments further confirmed that LLM-POS-SL enhances search relevance and ranking with superior MAP and Precision@10. Practical implications These findings underscore the potential of LLM-based stemming in enhancing Gujarati NLP tools, improving the effectiveness of digital search systems. This research advances socio-technical development in regional-language IR and promotes more equitable access to information. Future work will focus on optimizing efficiency, scalability and domain-specific adaptations to further improve stemming accuracy. Originality/value To the best of our knowledge, this is the first reported study to leverage an LLM for the stemming task in Gujarati or any other Indian language.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».