Text classification using labels derived from structured knowledge representations
Bibliographic record
Abstract
ABR G Les reprsentations de savoir structures telles que Wikipedia sont devenues un lment important dans le domaine des sciences de l'information.Les compagnies d'engins de recherche ont dit que construire un rseau d'entits est pour eux la cl pour faire la classification de leurs normes bases de donnes remplies de documents.Notre document prsente WikiLabel, une approche nouvelle la classification de texte en utilisant du savoir obtenu de ces sources de savoir structures.Elle reconnat les entits de Wikipedia dans un document et utilise, parmi d'autres mesures, la mesure de la plus courte distance entre chaque entit et des catgories de Wikipedia.Ceci permet de dterminer quelle catgorie est davantage associe avec le document sous observation.La deuxime partie de notre travail utilise les classifications obtenues en utilisant WikiLabel et entrane une intelligence artificielle pour classifier des documents, une approche appele SuperWikiLabel.Nous obtenons des articles de nouvelles ainsi que des classements de haute qualit effectues par des humains pour valuer la performance de WikiLabel et SuperWikiLabel.Nous trouvons que la performance de WikiLabel est comparable d'autres mesures, et que celle de SuperWikiLabel est aussi comparable une approche traditionnelle d'intelligence artificielle, o les documents sont classs par des humains plutt que par WikiLabel.Notre travail indique qu'il pourrait tre possible d'liminer en grande partie le classement de documents par des humains, et nous croyons que notre approche est beaucoup plus flexible et pratique que les mthodes habituelles qui doivent obtenir v un groupe de documents classs par des humains, qui est parfois coteux en termes de ressources.vi
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".