Reconnaissance d’entités nommées inuktitut pour la traduction automatique neuronale
Bibliographic record
Abstract
La reconnaissance des entités nommées (REN) est une étape cruciale pour garantir une bonne qualité des performances de plusieurs applications et outils du traitement automatique du langage naturel (TALN), notamment la traduction automatique et la recherche d’information. Dans ce projet, nous visons à construire un système REN dans la langue inuktitut, l’une des principales langues inuites du Canada. Étant une langue peu dotée, pauvre en ressources linguistiques et en données labellisées, ceci représente un défi majeur pour le développement de notre système. De ce fait, en considérant que les données labellisées sont disponibles principalement en anglais, nous proposons un modèle capable de détecter les entités nommées dans la langue inuktitut en faisant le transfert des caractéristiques linguistiques de l’anglais vers l’inuktitut. Nous proposons deux modèles, le premier basé sur des règles et le deuxième basé sur les plongements des mots bilingues. Par la suite, nous évaluons les deux approches et nous fairons une étude comparative entre les deux méthodes d’extraction des EN. Les résultats d’évaluation montrent une amélioration des performances de la traduction automatique neuronale par rapport à notre modèle de base. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Traitement automatique des langues naturelles, reconnaissance des entités nommées, plongements des mots, alignement des mots, inuktitut.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".