論文の概要、ライセンス

# (参考訳) 定義の定義:革新的技術分野の定義のためのテキストマイニングアプローチ [全文訳有]

Defining definition: a Text mining Approach to Define Innovative Technological Fields ( http://arxiv.org/abs/2106.04210v1 )

ライセンス: CC BY 4.0
Vito Giordano, Filippo Chiarello, Elena Cervelli(参考訳) 革新的なプロジェクトの最初の課題の1つは、プロジェクト自体のスコープや開発対象の製品/サービスを明確にすることである。 間違ったスコープ定義で(最悪の場合)プロジェクトの失敗を判断できます。 優れたスコープ定義は、技術集約的なイノベーションプロジェクトでさらに重要になり、近年は、高度にダイナミックな多分野の、乱気流、不確定な環境が特徴となっている。 このような場合、プロジェクトのバウンダリは容易に検出できず、スコープ内とスコープ外を判断することは困難である。 本研究は,革新的技術分野や新しい技術を自動的に定義する,スコープ記述プロセスのためのツールを提案する。 このツールはテキストマイニングアルゴリズムに基づいており、elsevierのscopusの抽象を活用し、関連するデータを抽出して技術的スコープを定義する。 自動定義ツールは、人工知能とデータサイエンスの4つのケーススタディに適用される。 その結果,技術分野の定義プロセスにおいて,ツールが重要な情報を提供する方法が示された。 特に、ターゲット技術分野(または技術)において、ターゲットに関する定義やその他の要素を提供する。

One of the first task of an innovative project is delineating the scope of the project itself or of the product/service to be developed. A wrong scope definition can determine (in the worst case) project failure. A good scope definition become even more relevant in technological intensive innovation projects, nowadays characterized by a highly dynamic multidisciplinary, turbulent and uncertain environment. In these cases, the boundaries of the project are not easily detectable and it is difficult to decide what it is in-scope and out-of-scope. The present work proposes a tool for the scope delineation process, that automatically define an innovative technological field or a new technology. The tool is based on Text Mining algorithm that exploits Elsevier's Scopus abstracts in order to the extract relevant data to define a technological scope. The automatic definition tool is then applied on four case studies: Artificial Intelligence and Data Science. The results show how the tool can provide many crucial information in the definition process of a technological field. In particular for the target technological field (or technology), it provides the definition and other elements related to the target.
公開日: Tue, 8 Jun 2021 09:42:05 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Defining definition: a Text mining Approach to 定義を定義する: テキストマイニングアプローチ 0.72
Define Innovative Technological Fields 革新的技術分野の定義 0.68
Giordano V.a, Cervelli E.a, Chiarello F.a Giordano V.a, Cervelli E.a, Chiarello F.a 0.71
giordano.vito94@gami l.com elenacervelli2@gmail .com giordano.vito94@gami l.com elenacervelli2@gmail .com 0.55
filippochiarello.90@ gmail.com filippochiarello.90@ gmail.com 0.59
a Department of Energy, Systems, Territory and Construction Engineering, University of Pisa あ ピサ大学 エネルギー・システム・領域・建設工学科 0.51
R&D MANAGEMENT CONFERENCE 2019 - DATA SCIENCE FOR INNOVATION R&D管理会議2019 - インノベーションのためのデータセッション 0.65
Abstract One of the first task of an innovative project is delineating the scope of the project itself or of 概要 イノベーティブなプロジェクトの最初のタスクの1つは、プロジェクト自体またはそのスコープを並べることである。 0.61
the product/service to be developed. 開発すべき製品/サービス。 0.78
A wrong scope definition can determine (in the worst case) 間違ったスコープ定義が決定できる(最悪の場合) 0.73
project failure. A good scope definition become even more relevant in technological intensive プロジェクト失敗。 優れたスコープ定義が技術的集約性にさらに関係する 0.74
innovation projects, nowadays characterized by a highly dynamic multidisciplinary, turbulent 現代において,高度にダイナミックな多分野の乱流によって特徴づけられるイノベーションプロジェクト 0.53
and uncertain environment. In these cases, the boundaries of the project are not easily 不確定な環境です このような場合、プロジェクトのバウンダリは簡単ではありません。 0.58
detectable and it’s difficult to decide what it is in-scope and out-of-scope. 検出可能で、顕微鏡内とスコープ外が何であるかを決定するのは難しい。 0.58
The present work proposes a tool for the scope delineation process, that automatically define 本研究は、自動的に定義するスコープ記述プロセスのためのツールを提案する。 0.64
an innovative technological field or a new technology. 革新的な技術分野や新しい技術です 0.64
The tool is based on Text Mining このツールはテキストマイニングに基づいています 0.71
algorithm that exploits Elsevier's Scopus abstracts in order to the extract relevant data to define Elsevier's ScopusAbstractsを利用して関連するデータを抽出して定義するアルゴリズム 0.84
a technological scope. The automatic definition tool is then applied on four case studies: 技術の範囲です 自動定義ツールは4つのケーススタディに適用される。 0.70
Artificial Intelligence and Data Science. 人工知能とデータサイエンス。 0.65
The results show how the tool can provide many crucial information in the definition process 結果は、ツールが定義プロセスにおいて重要な情報を提供する方法を示している。 0.71
of a technological field. In particular for the target technological field (or technology), it 技術分野のことです 特にターゲット技術分野(または技術)については、 0.69
provides the definition and other elements related to the target. ターゲットに関する定義やその他の要素を提供する。 0.83
1 1 0.85
英語(論文から抽出)日本語訳スコア
1 Introduction According to Bryce [3] the project scope is used to define the business problem and the はじめに Bryce [3] 氏によれば、プロジェクトのスコープはビジネス問題とプロジェクトを定義するのに使われます。 0.58
opportunity to be. The scope should be clear and has to remain the same for the whole project. チャンスだ スコープは明確で、プロジェクト全体で同じままでいなければなりません。 0.49
As C. Cho define [4], a poor scope definition is recognized by industry practitioners as one of c. cho が [4] と定義しているように、業界の実践者はスコープ定義が不十分であると認識している。 0.56
the leading causes of project failure, adversely affecting projects in the areas of cost, schedule, コスト、スケジュール、計画の分野でプロジェクトに悪影響を及ぼす、プロジェクトの失敗の主な原因 0.81
and operational characteristics. For these reasons a well-defined scope is fundamental in project 運用上の特性です これらの理由から、明確に定義されたスコープはプロジェクトの基本である 0.61
and it becomes very important in innovation process. イノベーションの過程において非常に重要です 0.65
Innovative projects are characterized by an high degree of uncertainty. 革新的プロジェクトは高い不確実性によって特徴づけられる。 0.62
The risk linked to uncertainty (in terms of both probability and magnitude) become even more relevant in 関連したリスク 不確実性(確率と大きさの両方の観点で)はさらに関連性が増す 0.71
innovative projects in technological fields, characterized by a highly dynamic environment: 技術分野における革新的なプロジェクト 非常にダイナミックな環境が特徴です 0.75
multidisciplinarity, turbulence and uncertainty. 多分野間、乱気流、不確実性 0.52
[5] In these cases, the boundaries are not easily [5]これらの場合、境界は容易ではない 0.81
detectable and it’s difficult to decide what it is in-scope and out-of-scope. 検出可能で、顕微鏡内とスコープ外が何であるかを決定するのは難しい。 0.58
The present work demonstrates that it is possible to define new technological fields or 本研究は,新しい技術分野を定義できることを実証する。 0.68
technologies using text mining tools, in order to support the innovators and researchers in scope テキストマイニングツールを用いた技術は、イノベーターや研究者を支援するために 0.76
definition process within innovative projects. 革新的なプロジェクトの定義プロセスです 0.74
To construct a definition of a target innovative 目標の定義を革新的に構築する 0.81
tech field, text mining techniques are applied to Elsevier's Scopus abstracts for extract relevant テク分野、テキストマイニング技術はエルゼビエのスコプスの抽象に応用され、関連する抽出に使われる 0.64
information that is useful in the scope definition process of target technological field: 対象技術分野の範囲定義プロセスにおいて有用な情報 0.64
1. definitions: A definition is a statement of the meaning of the term; 1.定義:定義とは、その用語の意味の言明である。 0.81
2. hyponyms: A hyponym of a term x is a term y included in a semantic field of term x. 2.低調: 項 x の低調は、項 x の意味分野に含まれる項 y である。 0.60
3. hypernyms: A hypernym of a term x is a term y that includes in a its semantic field the 3.ハイパーニム: 項 x のハイパーニムは、その意味体 the に含まれる項 y である。
訳抜け防止モード: 3 . hypernyms : 項 x のハイパーニムは、その意味体 the に含まれる項 y である。
0.70
term x. x" という用語です 0.51
The present work is structured as follow. 現在の作品は以下の通り構成されている。 0.49
In section 2 the relevant literature to understand our 第2節で,我々を理解するための関連文献について 0.57
work is reported, in particular an explanation of what a definition is. 作業、特に定義が何であるかの説明は報告される。 0.78
In section 3 the developed methodology to develop a tool that aims to automatically define a tech field is presented. 第3節 発展途上 技術分野を自動定義するツールを開発するための方法論が提示される。 0.70
In section 4 the automatic definition tool is applied on two case studies: Artificial Intelligence and 院 第4節 自動定義ツールは、人工知能と2つのケーススタディに適用される。 0.56
Data Science. Finally, in section 5 we discuss about the conclusion and the next steps of our データサイエンス。 最後に、第5節では、結論と次のステップについて論じます。 0.68
work. 2 Literature in Brief 2 仕事だ 略して2冊 2 0.67
英語(論文から抽出)日本語訳スコア
2.1 Defining Definitions The purpose of a definition is to map the meaning of a term in order to provide the user with 2.1定義 定義の目的は、ユーザに提供するために、用語の意味をマッピングすることである。 0.84
an understanding on what the term is about. 言葉の意味を 理解することです 0.56
John, L. (1977) [6] classifies the definitions in two John, L. (1977) [6] は2つの定義を分類する 0.88
large categories: intensional definitions and extensional definitions. 大きなカテゴリ: 強迫的定義と拡張的定義。 0.77
Roy T. Cook (2009) Roy T. Cook (2009) 0.97
explains the differences between these two types of definition [7] as: これら2つの定義の違いを説明します [7] 0.77
● “An intensional definition gives the meaning of a term by specifying all the properties intensional definition は、すべてのプロパティを指定して用語の意味を与える。 0.66
required to come to that definition, that is, the necessary and sufficient conditions for その定義、つまり、必要かつ十分な条件を満たさなければならない 0.69
belonging to the set being defined”. 定義されている集合に属する。 0.64
● “An extensional definition defines by listing everything that falls under that definition”. 拡張定義は、その定義に従うすべてのものをリストすることで定義します。 0.71
In new technological fields, both categories of definitions are required to understand 新しい技術分野では、両方の定義のカテゴリが理解する必要がある 0.79
completely the field, but this work is focused on intensional definition, because this definition 完全にフィールドですが、この定義はインテンテンション定義に焦点を合わせています。 0.82
form can help to develop a set of rules for mining definitions from texts. フォームはテキストから定義をマイニングするための一連のルールを開発するのに役立つ。 0.57
Also, a list of elements また要素のリストもある。 0.85
under the meaning of technological field is provided, for attempt to give an extensional 技術分野の意味のもとに 拡張性を持たせるために 0.61
definition of tech field. A type of intensional definition is the Genus differentia definition, 技術分野の定義。 intensional definition の一種は、Genus differentia definition である。 0.74
defined by Parry, W. T., & Hacker. parry、w.t.、hacker.による定義。 0.65
In [8] is reported “Aristotle recognized only one method In [8] is reported “Aristotle recognize only one method” 0.90
of real definition, namely, the method of genus and differentia, applied to defining real things, 実の定義、すなわち、属と微分の方法が実物を定義するのに適用される 0.70
not words.” In this section a Genus differentia model is discussed, based on Parry, W. T., & 本項では、Parry, W. T., &に基づいて、種分化モデルについて論じる。 0.61
Hacker, E. A. (1991) book [8]. ハッカー、e.a. (1991年) 書評 [8] 0.64
Our work is focused on Genus differentia definition. 我々の研究は種差の定義に焦点を当てている。 0.45
Based on genus differentia model, the definition, from a more technical point of view, is an 種分化モデルに基づいて、より技術的な観点からの定義は、あるものである。 0.70
equivalence relation between two element definiendum and definiens: 2つの要素definiendumとdefiniensの等価関係 0.75
𝑥 = 𝑦 + 𝑧 𝑥 ← 𝑑𝑒𝑓𝑖𝑛𝑖𝑒𝑛𝑑𝑢𝑚 𝑥 = 𝑦 + 𝑧 𝑥 ← 𝑑𝑒𝑓𝑖𝑛𝑖𝑒𝑛𝑑𝑢𝑚 0.85
= ← 𝑑𝑒𝑓𝑖𝑛𝑖𝑡𝑜𝑟 = ← 𝑑𝑒𝑓𝑖𝑛𝑖𝑡𝑜𝑟 0.85
(𝑦 + 𝑧) ← 𝑑𝑒𝑓𝑖𝑛𝑖𝑒𝑛𝑠 (𝑦 + 𝑧) ← 𝑑𝑒𝑓𝑖𝑛𝑖𝑒𝑛𝑠 0.85
Definiendum is the term, that we will be defined. Definiendumは私たちが定義する用語です。 0.68
Definitor is a part of definition that relate in Definitorは定義の一部であり 0.62
an equivalence relation definiendum and definiens. definiendum と definiens の等価関係です 0.65
Definiens is an expression that defines Definiensは定義する式です 0.77
definiendum. definiendum. 0.85
A definiens is composed by a principal concept and by the enunciation of the デフェニエンは、主観的概念と、その啓蒙によって構成される 0.53
features that distinguish the definiendum from the principal concept. デディニエンダムと主観的概念を区別する特徴です 0.62
The concept is a hypernym of the definiendum and it identifies the class of concept which includes the コンセプトは definiendumのhypernymとそれを含む概念のクラスを識別する 0.58
3 3 0.85
英語(論文から抽出)日本語訳スコア
definiendum. definiendum. 0.85
Hypernyms are called genera. 頭字語は属と呼ばれる。 0.40
Distinctive features must allow to differentiate 独特な特徴は区別を許さなければならない 0.54
definiendum from genus and other cohyponym. definiendum (countable かつ uncountable, 複数形 definiendums) 0.37
Thus, 𝑥 = 𝑦 + 𝑧 したがって 𝑥 = 𝑦 + 𝑧 0.78
𝑦 ← 𝑔𝑒𝑛𝑢𝑠 𝑧 ← 𝑠𝑒𝑡 𝑜𝑓 𝑑𝑖𝑠𝑡𝑖𝑛𝑐𝑡𝑖𝑣𝑒 𝑓𝑒𝑎𝑡𝑢𝑟𝑒𝑠 𝑦 ← 𝑔𝑒𝑛𝑢𝑠 𝑧 ← 𝑠𝑒𝑡 𝑜𝑓 𝑑𝑖𝑠𝑡𝑖𝑛𝑐𝑡𝑖𝑣𝑒 𝑓𝑒𝑎𝑡𝑢𝑟𝑒𝑠 0.85
z is a summation of more component, each of one represent a single distinctive feature. z はよりコンポーネントの総和であり、それぞれが1つの特異な特徴を表す。 0.78
This type of definition is called Genus differentia definition because it starts from part genus (y) and これ 定義のタイプは、部分的な属(y)から始まり、そして、その定義を「種分化の定義」と呼ぶ。
訳抜け防止モード: これ 定義のタイプは「種差の定義」と呼ばれます 部分種 (y) から始まり
0.70
adds the features to y to differentiates x from other terms. x を他の用語と区別するために y に機能を追加する。 0.68
Genus differentia model is useful to 種分化モデルは有用である 0.72
define the relation and properties among terms in a mathematical way. 数学的方法で用語間の関係と特性を定義する。 0.80
It is important to provide the users with the standard delineation of these terms and not to confuse between semantic 提供は重要です これらの用語を標準的に記述し、意味を混同しないユーザ 0.68
world. The delineation of some semantic relation between the terms is fundamental to 世界だ 項間の意味的関係の説明は基本的なものである 0.72
understand the work presented in this paper, in particular the definition of semantic field, この論文で提示された仕事、特に意味分野の定義を理解する。 0.67
hypernymy, hyponymy, synonymy is constructed starting from Genus Differentia definition. 偽名、偽名、同義語は、種分化の定義から始まる。 0.48
Green R. (2013) tries to define a subset of these terms in a mathematical way, but in a different Green R. (2013) は、これらの用語のサブセットを数学的方法で定義しようとするが、異なる方法で定義しようとする 0.69
manner from the one presented [9]. 提示された[9]からの作法. 0.71
For the scope of this work, we prefer the forms described この研究の範囲では、記述された形式が好まれる。 0.54
below, because they are based on Genus differentia definition; we will stick to one school of 下記は、それらが種分化の定義に基づいているためです。我々は一つの学派に固執します
訳抜け防止モード: 以下は、異なる属の定義に基づいているためである。 一つの学校に留まります
0.67
thought in order to provide the same point of view throughout the whole paper. 紙全体を通して同じ視点を提供するために考えられた。 0.75
Definition 1 - A semantic field is a set of words grouped semantically. 定義 1 - セマンティックフィールドはセマンティックにグループ化された単語の集合である。 0.75
For example, the semantic field of word organ is a set of word {heart; liver; small; …}. 例えば、 単語オルガンの意味領域は、単語 {heart; liver; small; ...} のセットである。 0.57
Field semantic of term y, called 𝐶𝑦 is: 項のフィールド意味 cy is と呼ばれる y は 0.62
𝐶𝑦 = {𝑥 | 𝑥 = 𝑦 + 𝑧} 𝐶𝑦 = {𝑥 | 𝑥 = 𝑦 + 𝑧} 0.85
Definition 2 - Hypernymy is a relationship that relates two terms x and y, in which a term y, 定義 2 - ハイパーニミー (Hypernymy) は x と y の2つの項を関連付ける関係である。
訳抜け防止モード: 定義 2 - hypernymy は2つの項 x を関連付ける関係である そして y で、y という用語は
0.86
called hypernym, includes in its own semantic field other terms x, called hyponyms, that have ハイパーネム」という用語は、その意味論において「偽名」という用語を含む
訳抜け防止モード: ハイパーニム(hypernym)と呼ばれ、他の用語 x を含む。 偽善(hyponyms)と呼ばれ
0.65
a semantic field smaller than y. y よりも小さい意味場。 0.54
Thus: y is hypernym of x ⟺ 𝑥 = 𝑦 + 𝑧 ⋀ 𝐶𝑦 ∋ 𝑥 したがって y は x > x = y + z > Cy > x の双対である 0.69
Consequently 𝐶𝑦 ⊃ 𝐶𝑥 ⋀ #𝐶𝑥 < #𝐶𝑦. Consequently 𝐶𝑦 ⊃ 𝐶𝑥 ⋀ #𝐶𝑥 < #𝐶𝑦. 0.85
4 4 0.85
英語(論文から抽出)日本語訳スコア
In other words, a hypernym is a term that indicate a lexical unit of meaning more generic and 言い換えれば、ハイパーネム(英: hypernym)は、より一般的な意味の語彙単位を指す用語である。 0.62
extensive than one or more lexical units, that are included in the semantic field of the hypernym. ハイパーニムのセマンティクス分野に含まれる1つ以上の語彙単位を超えるもの。 0.53
For example, reptile is hypernym of lizard. 例えば、レプティルはトカゲのハイパーニムである。 0.56
The contrary of hypernym is hyponym. ハイパーニムの逆は低調である。 0.43
Definition 3 - Hyponymy is a relationship that relates two terms x and y, in which a term x, 定義3 - 偽語は2つの項 x と y を関連付ける関係であり、ある項 x が成り立つ。 0.74
called hyponym, is included in semantic field of other term y, called hypernym, that has a ハイポニム (hyponym) と呼ばれ、他の用語 y の意味体に含まれ、ハイパーニム (hypernym) と呼ばれる。
訳抜け防止モード: hyponym (複数形 hyponyms) ハイパーニム (hypernym) と呼ばれる他の用語 y の意味領域に含まれる。 それは
0.66
semantic field which is more extensive than x. セマンティクス分野は x よりも広範囲である。 0.78
Thus: x is hyponym of y ⟺ 𝑥 ∈ 𝐶𝑦 したがって x は y > x ∈ Cy の偽名である 0.72
Consequently 𝐶𝑥 ⊂ 𝐶𝑦 ⋀ #𝐶𝑥 < #𝐶𝑦. Consequently 𝐶𝑥 ⊂ 𝐶𝑦 ⋀ #𝐶𝑥 < #𝐶𝑦. 0.85
For example, sunflower is a hyponym of flower. 例えば、ヒマワリは花の偽名である。 0.56
Definition 4 - Synonymy is a relationship that relate two terms x and y, where 𝑥 ≠ 𝑦, but they 定義4 - 同義語は、2つの項 x と y を関連付ける関係である。 0.72
have the same definiens. 同じデフィニエンを持っている。 0.36
Thus: x is Synonymous of y and vice versa ⟺ {𝑥 = ℎ + 𝑧 𝑦 = ℎ + 𝑧 したがって x は y の同義語であり、逆もまた逆である: x = h + z y = h + z 0.75
Consequently 𝑥 ∈ 𝐶ℎ ⋀ 𝑦 ∈ 𝐶ℎ. Consequently 𝑥 ∈ 𝐶ℎ ⋀ 𝑦 ∈ 𝐶ℎ. 0.94
For example, flask is a Synonymous of balloon. 例えば、flask は balloon のシノニムである。 0.65
2.2 Text mining techniques 2.2 テキストマイニング技術 0.74
Text Mining a field of research which helps in getting relevant information from unstructured テキストマイニング : 非構造化情報取得を支援する研究分野 0.63
textual data. It is an interdisciplinary field which draws on information retrieval, data mining, テキストデータ。 情報検索、データマイニングを専門とする学際分野である。 0.64
machine learning, statistics and computational linguistics. 機械学習、統計学、計算言語学。 0.78
Since most information, over 80%, ほとんどの情報では80%以上です。 0.78
is stored as text, text mining is believed to have a high commercial potential value [10]. テキストとして保存され、テキストマイニングは高い商業的潜在価値を持っていると考えられている[10]。
訳抜け防止モード: テキストとして保存されます テキストマイニングは 高い商業的潜在価値[10]を持つ。
0.67
The problem introduced by text mining is obvious: natural language was developed for humans テキストマイニングによる問題は明らかで、自然言語は人間のために開発された 0.74
to communicate with one another and to record information, and computers are a long way 互いに通信し 情報を記録し コンピュータは長い道のりを歩みます 0.66
from comprehending natural language. 自然言語を理解できます 0.79
Most advanced text mining software use sophisticated ほとんどの高度なテキストマイニングソフトウェアは 0.73
Natural Language Processing (NLP) algorithms. 自然言語処理(NLP)アルゴリズム。 0.76
Natural language processing (or NLP) is a 自然言語処理(NLP)は 0.63
component of text mining that performs a special kind of linguistic analysis that essentially 本質的には特殊な言語分析を行うテキストマイニングの構成要素 0.74
helps a machine “read” text [11]. 機械がテキスト [11] を読むのを助ける。 0.74
In the present work, the most important NLP tools is universal POS tagging: it marks the core 本研究において最も重要なNLPツールは普遍的なPOSタグ付けである。 0.66
part-of-speech categories and to distinguish additional lexical and grammatical properties of 副詞のカテゴリと追加の語彙的および文法的性質の区別 0.73
words, use the universal features. 言葉は普遍的な特徴を使います 0.69
The used systems was developed in CoNLL, that stands for 使用されるシステムはCoNLLで開発された。 0.73
Conference on Natural Language Learning and is the SIGNLL's (Special Interest Group on 自然言語学習会議とsignll(special interest group on) 0.57
Natural Language Learning) yearly meeting [12]. 自然言語学習) 毎年のミーティング [12]。 0.72
In particular we used the R package udpipe 特に R パッケージ udpipe を使いました 0.75
5 5 0.85
英語(論文から抽出)日本語訳スコア
[13], that uses a revised version of the CoNLL-X format called CoNLL-U [14]. [13]は、CoNLL-U[14]と呼ばれるCoNLL-Xフォーマットの改訂版を使用する。 0.72
The most relevant aspect of CoNLL-U annotation, Text chunking is borrowed from Natural Language 一番多いのは CoNLL-Uアノテーションの関連する側面、テキストチャンキングは自然言語から借用される 0.56
Processing. The activity allows to divide sentences into nonoverlapping segments [15] and is 処理。 この活動は文を重複しない部分[15]に分割することができ、 0.69
done in unsupervised mode by directly dividing sentences into phrases using linguistics or 言語学または言語学を用いて直接文を句に分割することによって、教師なしモードで行われる 0.44
statistics [16]. The second relevant techniques used in this article is Named-entity recognition (NER) , that is 統計 [16] 本稿で使用される2番目の関連技術は、NER(named-entity recognition)である。 0.66
a subtask of information extraction that seeks to locate and classify named entity mentions in 名前付きエンティティの言及を見つけ、分類しようとする情報抽出のサブタスク 0.75
unstructured text into pre-defined categories such as the person names, organizations, locations 人名、組織、場所などの予め定義されたカテゴリに構造化されていないテキスト 0.66
[17]. These Text Mining techniques has been used in this work to manipulate the Scopus abstracts [17]. これらのテキストマイニング技術は、スコパス抽象の操作に使われてきた。 0.67
in order to extract the relevant data from it, such as definitions, hypernyms and hyponyms. 定義、ハイパーネム、偽名など、関連するデータを抽出するために。 0.46
We used only the abstracts rather than the entire body of each article because having access to all 私たち あらゆるものにアクセスするため、各記事の全文ではなく抽象文のみを使用する 0.72
the articles on a given topic is often difficult, while the abstracts can be sources for massive ある話題に関する記事は難しいことが多いが、抽象論は膨大な情報源になりうる 0.80
information analysis with very low cost. 情報分析を非常に低コストで行います 0.76
3 Methodology The methodology to build a tool that aims to automatically define a technological field has 3 方法論 技術分野を自動的に定義するツールを構築する方法 0.69
been divided in three phases: 3段階に分かれています 0.76
1. Rules construction: in this phase a set of rules has been designed to extract 1. ルール構築:このフェーズでは、一連のルールが抽出するために設計されている 0.77
from abstracts of scientific papers the definitions of a technological field (or 科学論文の抽象論から 技術分野(または)の定義まで 0.79
other relevant elements that can be useful in definition process). 定義プロセスで有用な他の関連する要素)。 0.58
The rules have been implemented in the form of regular expression. 規則はあります 正規表現の形で実装されました 0.75
A regular expression is a sequence of strings, used to identify text data that follow the regularity sought 正規表現はaです 規則性を求めるテキストデータを特定するために使われる文字列の列 0.72
[18]. All analytic process has been developed on software Rstudio. [18]. 解析プロセスはすべてソフトウェアRstudioで開発されている。 0.74
2. Rules Validation: the capability of the constructed rules to identify relevant 2. ルール検証:関連するルールを特定するための構築されたルールの能力 0.75
element in the text has been evaluated through a set of observations (tech field テキスト中の要素は、一連の観察(技術分野)を通して評価されている 0.72
or technology). 3. または技術)。 3. 0.82
Definitions analysis: In this final phase the methodology has been applied to 定義分析: この最終段階で方法論が適用されました 0.87
case studies. In particular, the definitions, hypernyms and hyponyms of the case ケーススタディ。 特に、事件の定義、ハイパーネム、偽名 0.46
studies have been mined from the Scopus database of scientific articles. 科学論文のスコパスデータベースから研究が発掘されている。 0.71
For each case studies we: (i) analysed the frequency distribution of genera used in のために それぞれのケーススタディ: (i) 使用する遺伝子群の頻度分布の解析 0.64
extracted definitions; (ii) analysed the frequency distribution of distinctive used 抽出された定義 (ii) 特徴的使用頻度分布の解析 0.86
6 6 0.85
英語(論文から抽出)日本語訳スコア
in extracted definitions; (iii) analysed the co-occurrence frequency of distinctive 抽出された定義で;(iii)特徴の共起頻度を分析した 0.80
used in extracted definitions; (iv) constructed an ontology of the tech field using 抽出された定義で使用される; (iv)技術分野のオントロジーを構築する 0.82
extracted hyponyms and hypernyms. 抽出された低音とハイパーニム 0.35
An ontology is a classification of existing オントロジーは既存の分類である 0.68
concepts in the technological field. Finally, the results of different case studies 技術分野の概念です 最後に、異なる事例研究の結果 0.66
have been compared among them. The proposed process is shown in figure 1. 比較されてきました 提案プロセスは図1に示す。 0.64
The following section describes in depth each task 以下、各課題について詳述する。 0.55
of presented methodology. 提示された方法論です 0.45
3.1 Construct top-down rules 3.1 トップダウンルールの構築 0.56
To construct the rules for extract definitions, hypernyms and hyponyms, a hybrid theoretical- ハイブリッド理論における定義・ハイパーネム・偽名抽出規則の構築 0.57
empirical approach has been developed, called respectively top-down rules and bottom-up トップダウンルールとボトムアップと呼ばれる経験的アプローチが開発されている 0.58
rules. The top-down rules have been constructed starting from sources in the literature ルールだ トップダウンルールは文献の資料から構築されている 0.69
concerning the formulation of a formal definition. 正式な定義の定式化についてです 0.67
The theory explained in section 2.1 about 第2.1節で説明される理論 0.73
the Genus differentia definition has been used in this task as a pillar to generate all rules. differentia 属の定義は、このタスクで全てのルールを生成する柱として使われてきた。 0.67
Starting from the Wikipedia page of definition and from other sources mentioned in section 2.1 Wikipediaの定義ページと、セクション2.1で言及されている他のソースから始める。 0.69
(such as [6], [7]) and from [20], a complete list is provided joined with the exploration of related ([6],[7]など)及び[20]から、関連する調査と合わせて完全なリストが提供される 0.71
documents. Thus, the list of sources establishes the theoretical base for the definition process 書類だ したがって、ソースのリストは定義プロセスの理論的基礎を確立する。 0.72
and to perform the construct top-down rules task. そして、コンストラクトトップダウンルールタスクを実行する。 0.42
3.2 List random technologies 3.2 ランダム技術 0.83
The bottom-up rules have been formulated by analyzing more than 600 definitions of ボトムアップルールは600以上の定義を分析して定式化されている 0.70
technologies extracted from Wikipedia. ウィキペディアから抽出した技術。 0.72
Starting from the Wikipedia page of List of emerging 新興国のリストのwikipediaページから始まります 0.75
technologies [19], we extract the hyperlinks to list random technologies. テクノロジー[19]では ハイパーリンクを抽出して ランダムな技術をリストアップします 0.73
The repetition of this process with the extracted technologies enlarges the list of words. これの繰り返し 抽出された技術による処理は、単語のリストを拡大する。 0.62
Though, since consistency of analysis is crucial in bottom-up processes, the starting technologies list must be large しかし 一貫性は ボトムアップのプロセスでは 分析が不可欠です スタート技術リストは 0.64
enough; we aim to an extraction of more than 600 definitions. 私たちは600以上の定義の抽出を目指しています。 0.76
If the number were to fall below 600, we would require the enlargement of the technology list. 数を下回れば 600ドル 技術リストの拡張が必要になります 0.43
To mine definitions on Wikipedia, a regular expression is built using the wished technology Wikipediaの定義を精査するために、希望する技術を使って正規表現を構築する 0.72
term. This task is based upon the hypothesis that the Wikipedia page of a term starts with the 用語。 このタスクは、単語のウィキペディアページが単語から始まるという仮説に基づいている。 0.67
definition of the same term. 3.3 Analyze definitions 同じ用語の定義。 3.3 定義の分析 0.63
In this step, extracted definitions of listed technologies are screened. このステップでは、リストされた技術の定義を抽出する。 0.68
The dataset of definitions of each term belonging to list of technologies has been analysed to build a set of bottom-up 定義のデータセット ボトムアップのセットを構築するために、テクノロジーのリストに属する各用語が分析された 0.74
rules. In particular, the observed element in each definition have been: (i) definiendum; (ii) ルールだ 特に、各定義における観察された要素は: (i) definiendum; (ii) 0.78
7 7 0.85
英語(論文から抽出)日本語訳スコア
definitor; (iii) genus, (iv) words between definiendum and definitor. definiendum (countable かつ uncountable, 複数形 definiendums) 0.32
Finally, this task aims to obtain a list of empirical rules in order to extract definitions, hyponyms, hypernyms and 最後に、この課題は 定義、偽名、誇張語を抽出するために経験則のリストを取得し、 0.57
synonyms from text, in specific instance we will try to mine these relevant data from Scopus テキストの同義語、特定の場合、私たちはスコパスからこれらの関連データをマイニングしようとします 0.60
abstracts. The rules have been then classified into families, based on information extracted from the texts, 抽象。 ルールは、テキストから抽出された情報に基づいて、家族に分類された。 0.74
and in classes, grouping the rules of each family according to multiple criteria. クラスでは、それぞれの家族のルールを複数の基準に従ってグループ化します。 0.67
Table 1 shows a part of the 36 rules identified in Rules construction phase. 表1 展示 規則構築段階で特定される36の規則の一部。 0.73
All established rules are available 定められた規則はすべて利用可能である 0.56
in [21]. The families of the rules are: 21』に登場。 規則の家族は以下の通りである。 0.63
- Definition: rules with the function of extracting case study definitions; -定義:事例研究の定義を抽出する機能を有する規則 0.77
- Hyponym: rules with the function of extracting hyponyms and hypernyms of the -下音:下音・下音を抽出する機能を持つ規則 0.57
observations. The possible classes, according to which a rule can be classified, are: 観察だ ルールを分類できるクラスは以下のとおりである。 0.59
- Definition starting: rules that indicate the sequence of words with which a definition -定義開始:定義する単語の順序を示す規則 0.63
can begin; 始めることができます 0.57
- Definitor: rules that indicate the definitors that can be used to extract the definitions -定義子:定義を抽出するために使用可能な定義子を示す規則 0.88
from a text; - Definitor following: rules that indicate the characters that follow the definitor within a テキストから; -definitor following: a内のdefinitorに従う文字を示すルール 0.66
definition; - Genus structure: rules that indicate the Part of Speech constituting the genus of a 定義; 定義; -属構造:aの属を構成する言語の一部を示す規則
訳抜け防止モード: 定義; 定義; -遺伝子構造 : その規則 a属を構成する音声の部分を示す
0.68
definition; - Complete definition: rules that allow you to extract a complete definition from a text; 定義; 定義; -完全定義:テキストから完全定義を抽出するための規則。 0.64
- Hyponym core: rules referring to the main elements that allow identifying a hyponym -hypnym core:hypnymを識別する主な要素を参照するルール 0.57
in the abstracts of Elsevier's Scopus; Elsevier's Scopus (複数形 Elsevier's Scopuss) 0.47
- Hyponym structure: rules that indicate the Part of Speech constituting the hyponyms; -低音構造:低音を構成する音声の一部を示す規則 0.43
- Synonymous structure: rules that refer to the structure of synonyms of the term to be -同義語構造:同義語の構造を指す規則
訳抜け防止モード: -同義語構造 : 規則 その用語の同義語の構造を参照する
0.70
defined within the definitions. 8 定義内で定義する。 8 0.83
英語(論文から抽出)日本語訳スコア
Figure 1 - Process flow diagram of the proposed methodology for build a tool that aims to automatically define an innovative tech field. 図1 - 革新的技術分野を自動的に定義するツールを構築するための提案手法のプロセスフロー図。 0.80
The diagram contains the representation of the documents and the operations performed on them. ダイアグラムには、ドキュメントの表現とそれら上で実行される操作が含まれます。 0.57
9 9 0.85
英語(論文から抽出)日本語訳スコア
3.4 List relevant observations In order to test and evaluate the constructed rules, the relevant observations must be listed. 3.4 関連観測 構築されたルールをテストし、評価するには、関連する観察をリストアップする必要がある。 0.66
An observation is a technology or technological field on which the rules can be applied. 安 観察は、規則を適用する技術または技術分野である。 0.61
In order to validate the rules choosing distant observations is crucial. 順に 遠隔観察のルールを 立証することが重要です 0.66
For the scope of this work, この作業の範囲について。 0.56
distance is defined on the basis of three main layers: 距離は3つの主層に基づいて定義されます 0.78
a. Interest from scientific community in technology or technological field; aだ 科学技術分野における科学界からの関心 0.65
b. Time when term relative to technology or technological field was coined; bだ 技術又は技術分野に関する用語が造られた時期 0.69
c. Space spread of the term. c. 用語の空間的広がり。 0.82
It means for technologies the spread in subject areas in 被写体領域に広がる技術を指す。 0.51
which the technology is applied and for technological fields, the spread in subject 技術が応用され 技術分野では 0.46
areas in which the technological field is studied. 技術分野が研究される領域です 0.61
To measure how distant is one technology from the others, we can retrieve indicators of these 他の技術との距離を測定するために、これらの指標を検索できる 0.74
three variables. The results are, respectively: 3つの変数 結果は以下のとおりである。 0.73
a. Number of technology (or technological field) papers on Elsevier's Scopus; aだ Elsevier's Scopusに関する技術(または技術分野)論文の数 0.73
b. The year in which the first paper relative to said technology was published on bだ その技術に関する最初の論文が公開された年 0.71
Elsevier's Scopus; Elsevier (複数形 Elseviers) 0.47
c. Gini index of the subject area distribution in technology. c.技術分野における対象地域分布のジニ指数 0.76
The selection of technology and technological field starts with idea to provide a vision of the 技術と技術分野の選択は、そのビジョンを提供するアイデアから始まります。 0.77
emerging technological fields in these years. 近年 技術分野が発展しています 0.68
In order to ensure consistency of the rules 規則の整合性を確保するために 0.82
validation process, the number of observations must be at least 10. 検証プロセスでは、観測回数は少なくとも10回でなければならない。 0.63
The observations used to rules validation process are: Data Science, Artificial Intelligence, Industry 4.0, Financial それまでの観察は ルール検証プロセス:データサイエンス、人工知能、業界 4.0、金融 0.73
Technology, Machine Learning, Automated Guided Vehicle, Business Intelligence, Precision 技術、機械学習、自動誘導車、ビジネスインテリジェンス、精度 0.68
Agriculture, Knowledge Management, Chatbot, Natural Language Processing, Unmanned 農業、知識管理、チャットボット、自然言語処理、無人 0.68
Aerial Vehicle, Internet of Things e Deep Learning. Aerial Vehicle, Internet of Things e Deep Learning の略。 0.81
Rule Type Family Class 規則 種類 家族 クラス 0.73
Example Definiendum 例 Definiendum 0.80
Top-down Definition Article + definiendum トップダウン 定義 Article + definiendum 0.76
Top-down Definition Definition トップダウン 定義 定義 0.73
starting Definition starting 始める 定義 始める 0.77
Artificial intelligence is a branch of computer science. 人工知能はコンピュータ科学の一分野である。 0.75
The Artificial intelligence is a branch of computer science. 人工知能はコンピュータ科学の一分野である。 0.71
be Bottom-up Definition Definitor Artificial intelligence is a branch of computer science. Be ボトムアップ 定義定義 人工知能はコンピュータ科学の一分野である。 0.64
be + defined as be + defined 0.65
Bottom-up Definition Definitor ボトムアップ Definitor の定義 0.67
refer to Bottom-up ご覧ください ボトムアップ 0.50
Definition Definitor Definitor の定義 0.83
Artificial intelligence is defined as a branch of computer science. 人工知能はコンピュータ科学の一分野として定義される。 0.68
Artificial intelligence refers to a branch of computer science. 人工知能はコンピュータ科学の一分野を指す。 0.70
Definiendum + zero or one word + such as + hyponym Definiendum + 0 or one word + such as + hyponym 0.81
Top-down Hyponym Hyponym トップダウン 偽名 偽名 0.44
core Recently, artificial intelligence techniques such as fuzzy logic, neural networks and genetic algorithms are used to solve various problems in trading. コア 近年,ファジィ論理やニューラルネットワーク,遺伝的アルゴリズムといった人工知能技術が,取引における様々な問題を解決するために用いられている。 0.70
Table 1 – A part of 36 constructed rules. 表1 - 36の規則の1つ。 0.66
For each rules the type (top-down or bottom-up), the family, the class has been specified and an example is provided to ensure the o ensure understanding of every rule. 各ルールに対して、型(トップダウンまたはボトムアップ)、ファミリー、クラスが指定され、すべてのルールを確実に理解するための例が提供される。 0.75
10 10 0.85
英語(論文から抽出)日本語訳スコア
3.5 Evaluate rule performances 3.5 ルールパフォーマンスの評価 0.69
For each rule we apply the prototype with the aim of extracting definitions and hyponymies 各ルールに対して定義と偽名抽出を目的としたプロトタイプを適用する。 0.66
from all the observed Scopus’ abstracts. 観察された全てのスコプスの抽象から。 0.66
The results have been manually analysed to understand 結果は手作業で分析され 0.63
if rules could be useful for the tool construction. もしルールがツール構築に役に立つなら。 0.70
Rules belonging to the same class have been 同じクラスに属するルールは、すでにある。 0.76
evaluated and ranked to decide which of them could represent the basis for the tool (output of ツール(出力)の基礎を表すことができるかを決定するために評価され、ランク付けされた 0.64
the present work). The ranking took into consideration the following aspects: 現在の作品)。 位階は以下の点を考慮に入れた。 0.61
● Number of relevant results identified by the prototype ※原型で特定された関連結果の数 0.73
● Precision, given by the number of relevant results on the total number of phrases ※精度、句の総数に関する関連結果の個数 0.49
extracted by the prototype プロトタイプから抽出した 0.74
When rules build a definition or identify hyponymies, the results are relevant. ルールが定義を構築したり、偽名を特定すると、結果は関連します。 0.57
The rules having at least a precision of about 65% and a high number of relevant results could represent the basis ルールは 少なくとも約65%の正確さと、関連する結果の多さは、基礎を表わすことができる。
訳抜け防止モード: ルールは 少なくとも65%の精度で 多くの関連する結果が 基礎を表わすことができます
0.63
for the tool’s behaviour. ツールの動作のために。 0.56
If some rules are exclusive, so if they can’t both belong to the あるルールが排他的であれば、どちらもそのルールに属さない場合 0.64
Automatic definition tool, only the rule among them having the higher number of relevant 自動定義ツール, 関連性の高いルールのみ 0.41
results has been chosen. An example of rules selection is given by table 2: two rules belonging 結果が選ばれました ルール選択の例は、表2で示される: 2つのルールに属する 0.85
to Definitor class have been compared. to Definitorクラスが比較された。 0.82
Since they were not exclusive, the possibilities analysed 排他的ではなかったため、可能性は分析された 0.53
were: ● Use only definitor {“is”}; であった。 は、definitor { “is” のみを使用する。 0.57
● Use only definitor {“refers to”}; は definitor { “refers to”} のみを使用する。 0.69
● Use both of them {“refers to”,”is”}. どちらも “refers to” と “is” を使っています。 0.52
Observation Number Number of 観察 番号 番号 ですから 0.71
retrieved results of 回収 結果 ですから 0.62
relevant results Precision Number 関連結果 精度 番号 0.75
Number of of 番号 ですから ですから 0.61
retrieved results relevant results 回収 結果 関連結果 0.68
Precision Number Number of 精度 番号 番号 ですから 0.70
of retrieved results ですから 回収 結果 0.62
relevant results Precision {“Is”} 関連結果 精度 is"に完全一致する 0.63
{“Refers to”} 参照する; 参照する; 参照する 0.33
Both Data Science 両方 データサイエンス 0.70
Artificial intelligence Industry 4.0 人工知能 産業 4.0 0.65
Financial Technology Machine learning Automated Guided Vehicle 金融技術 機械学習 自動案内車 0.77
Business intelligence ビジネスインテリジェンス 0.71
Precision agriculture 32 168 精密農業 32 168 0.82
82 3 233 2 82 3 233 2 0.85
44 55 25 102 44 55 25 102 0.85
69 3 160 2 69 3 160 2 0.85
37 44 Knowledge management 37 44 知識管理 0.83
222 110 Chatbot 222 110 チャットボット 0.74
Natural language processing Unmanned aerial vehicle 自然言語処理 無人航空機 0.67
Internet of things Deep learning 物のインターネット 深層学習 0.73
MEAN 18 38 34 手段 18 38 34 0.77
421 199 18 421 199 18 0.85
28 26 281 106 28 26 281 106 0.85
72 0,781 0,607 72 0,781 0,607 0.68
0,841 1,000 0,841 1,000 0.59
0,687 1,000 0,687 1,000 0.59
0,841 0,800 0,841 0,800 0.59
0,495 1,000 0,495 1,000 0.59
0,737 0,765 0,737 0,765 0.59
0,667 0,533 0,667 0,533 0.59
0,652 1 4 6 0,652 1 4 6 0.78
1 5 0 1 4 11 1 5 0 1 4 11 0.85
0 1 2 71 4 0 1 2 71 4 0.85
1 3 6 1 5 0 1 3 6 1 5 0 0.85
1 4 10 0 1 1 4 10 0 1 0.85
2 70 4 8 1,00 2 70 4 8 1,00 0.80
0,75 1,00 1,00 0,75 1,00 1,00 0.59
1,00 0,00 1,00 1,00 0,00 1,00 0.59
1,00 0,91 0,00 1,00 0,91 0,00 0.59
1,00 1,00 0,99 1,00 1,00 0,99 0.59
1,00 0,97 33 1,00 0,97 33 0.68
172 88 4 238 172 88 4 238 0.85
2 45 59 26 2 45 59 26 0.85
105 75 4 165 105 75 4 165 0.85
2 38 48 233 2 38 48 233 0.85
120 18 39 36 120 18 39 36 0.85
492 203 18 492 203 18 0.85
29 28 351 110 29 28 351 110 0.85
80 0,788 0,610 80 0,788 0,610 0.68
0,852 1,000 0,852 1,000 0.59
0,693 1,000 0,693 1,000 0.59
0,844 0,814 0,844 0,814 0.59
0,515 1,000 0,515 1,000 0.59
0,744 0,778 0,744 0,778 0.59
0,713 0,542 0,713 0,542 0.59
0,673 Table 2 – Rules validation example: the comparison between {“Is”} and {“Refers to”}, two rules belong to Definitor Class. 0,673 表2 – ルール検証の例: {“is”} と {{refers to”} の比較、2つのルールはdefinitorクラスに属する。 0.71
11 11 0.85
英語(論文から抽出)日本語訳スコア
Column “number of relevant results” contains the mean number of results obtained thanks to コラム "関連する結果の数" は、結果の平均数を含む。 0.69
the rule’s application on total observations. 規則は観測全体に適用されている。 0.75
Columns “precision” indicates the mean of all 列 "precision" はすべての平均を示す 0.75
observations’ own precision, weighted on extracted sentences, with the aim of reducing 抽出文の重み付けによる観察の精度の低減 0.42
importance of observations having high precision but few extracted sentences at the same time. 高精度であるが、同時に抽出された文が少ない観察の重要性。 0.66
In table 2 is shown how the joint use of both rules involves better performances (higher number 表2では、両ルールの併用がより優れたパフォーマンス(より高い数)を伴うかを示す。
訳抜け防止モード: 表2では 両ルールの併用には より良いパフォーマンス(より高い数)が伴います
0.81
of extracted sentences and higher tool’s precision). 抽出された文とより高いツールの精度の) 0.74
For this reason, both rules have been chosen このため、どちらのルールも選択されている。 0.63
to represent the basis of the Automatic definition tool. 自動定義ツールの基礎を表す。 0.57
The validation process has been reiterated for all rules’ classes. 検証プロセスは すべてのルールのクラスに繰り返します。 0.59
The global precision of the tool reached 68% and it can extract ツールのグローバル精度は68%に達し、抽出できる 0.72
for each technology field about 80 definitions and 240 hyponymies and relative hypernymies. 技術分野ごとに80の定義と240の仮説と 相対的なハイパーネミー 0.74
3.6 Analyse genera In the next sections the analysis of case studies is faced, as we shown in figure 1. 3.6 属解析 次のセクションでは、図1に示すように、ケーススタディの分析に直面します。 0.71
The validate rule have been implement in R in two functions that aim to scrap the definitions and the 検証者 ルールは R で定義と定義をスクラップすることを目的とした2つの関数で実装されている 0.63
hyponyms with related hypernyms from the Elsevier's Scopus abstracts for each case studies: Elsevier's Scopus のそれぞれのケーススタディにおける関連するハイパーネームを持つ偽名。 0.53
Artificial Intelligence, Industry 4.0, Data Science and Internet of things. 人工知能、産業 4.0、データサイエンス、物のインターネット。 0.75
For each technological field the definitions, hyponyms and hypernyms have been mining in order to build a good 技術ごとに 定義、低調、ハイパーニームは良いものを作るために採掘されています 0.67
quality definition of the case study. ケーススタディの品質定義です 0.53
From each extracted definition for a specific tech field, the 抽出された各技術分野の定義から 0.63
genus has been mining with the constructed rules described in section 3.5 and the frequency 属は第3.5条に記載された構成規則と頻度で採掘している 0.68
distribution of genera will be analysed. 属の分布は分析されます 0.73
To perform this process, a text mining tools are used to このプロセスを実行するために、テキストマイニングツールが使われます 0.82
capture the genera, in fact the constructed rules are based on theory of chunking, that ensure to 実際に構築された規則は バラバラの理論に基づいていて
訳抜け防止モード: 属を捕獲して 実際 構築されたルールは チャンキングの理論に基づいています
0.62
mine all words that compose a genus in a definition and not a part of this. 定義において属を構成するすべての単語をマイニングする。
訳抜け防止モード: 私のすべての言葉は 属を定義で構成し、その一部ではない。
0.70
The purpose of this task is identified the genera to insert in our definitions of the observed tech fields. 目的は タスクは、観測された技術分野の定義に挿入する属を特定します。 0.54
3.7 Analyse distinctive features For each case study, the analysis of distinctive features is performed observing: (i) the 3.7 特徴分析 各ケーススタディにおいて, 特徴分析を行い, (i) 観察を行った。 0.81
frequency distribution of distinctive features used in definitions of observed tech fields; (ii) the 観測された技術分野の定義における特徴の周波数分布(ii) 0.82
frequency co-occurrence of distinctive features used in definitions of observed tech fields. 観察された技術分野の定義に使用される特徴の周波数共起。 0.74
The distinctive features have been extracted from each definition with the constructed rules in それぞれの定義から構築された規則で特徴的特徴を抽出した 0.55
section 3.5. A distinctive feature is a word or a chunking of words, that are relevant in the セクション3.5 特徴的特徴は、単語または単語のチャンクであり、それらに関連がある。 0.74
definition, so the stopwords have been removed to clean the definitions from noise. 定義 ノイズから定義をきれいにするために、ストップワードが削除された。 0.74
In the distribution of distinctive features, the frequency of each distinctive feature has been 特徴の分布において、各特徴の周波数は異なる。 0.72
calculated as the number of times that the specific distinctive feature is used in a definition over 特定の特徴が定義において使用される回数として計算される 0.79
the definition total number of the observed technological field. 観測された技術分野の定義の総数。 0.76
For example, the distinctive 例えば 特徴的なのは 0.85
feature knowledge appears in 30 % of the Data Science technological field definitions. 特徴知識は、データサイエンスの技術分野の定義の30%に現れる。 0.82
12 12 0.85
英語(論文から抽出)日本語訳スコア
Meanwhile, the co-occurrence refers to a frequency of occurrence of two distinctive features 一方、共起は2つの特徴的な特徴が出現する頻度を指す 0.82
from a same definition, for instance the terms knowledge and extract in Data Science 同じ定義から、例えばデータサイエンスにおける知識と抽出という用語から 0.80
definitions appear together in the 10 % of the cases. 定義は、10%のケースで一緒に現れます。 0.78
The analysis performed in this section are 本項で実施する分析は、 0.70
useful to understand the main distinctive features to insert in our definitions of the observed 観察された定義に挿入する主な特徴を理解するのに役立ちます 0.80
tech fields. 3.8 Constructed ontology 技術分野。 3.8 構成オントロジー 0.66
The scope of this process is to create an ontology of the observed tech field using the このプロセスの範囲は、観測された技術分野のオントロジーを作成することである。 0.73
hypernyms and hyponyms extracted from Scopus abstracts. hypernyms and hyponyms from Scopus abstracts (英語) 0.71
Also in this case, the extraction of these elements is possible thanks to the constructed rules in section 3.5. この場合も抽出する これらの要素は 第3.5節のルールのおかげで可能です 0.58
Finally, for Artificial Intelligence and Data Science, a definition will be building using the そして最後に、人工知能とデータサイエンスのために、定義が構築される。 0.77
genera, distinctive features analysis and the ontology. 属、特徴分析、オントロジー。 0.42
The two case studies will be compared 2つのケーススタディを比較します 0.70
among them. 4 Results The following section describes the performance of automatic definition process on two その中に 4結果 次の節では2つの自動定義プロセスの性能について述べる。 0.63
different case studies: Artificial Intelligence and Data Science. 異なるケーススタディ: 人工知能とデータサイエンス。 0.64
Each tech field is analysed in それぞれの技術分野が分析される 0.80
each section of this part. この部分のそれぞれの部分です 0.83
Finally, in section 4.3 the comparison of all technological fields will 最後に、第4.3節では、すべての技術分野の比較は、 0.57
be shown. 4.1 Case studies results: Artificial Intelligence 表示してください。 4.1 事例研究結果:人工知能 0.64
The extracted definitions of Artificial Intelligence are 107. 抽出された人工知能の定義は107である。 0.61
An example of these is shown in これらの例を以下に示す。 0.72
table 3. Furthermore, the hypernyms and hyponyms extracted with the tool are 605 and a part 表3。 さらに、この工具で抽出されたハイパーニーム及び低ニームは605及び一部である。 0.65
of these is shown in table 4. 13 表4に示す。 13 0.63
英語(論文から抽出)日本語訳スコア
Scopus ID Definition 2-s2.0-85054690028 スコープID 定義 2-s2.0-85054690028 0.54
artificial intelligence is a branch of computer science connects classifies differentiates and elaborates the domains of learning in neural network a paradigm shift is using in the construction of knowledge 人工知能はコンピュータ科学の一分野であり、知識の構築においてパラダイムシフトが使用しているニューラルネットワークにおける学習領域を分類し、詳細化する 0.77
Genus branch of computer science 属 コンピュータサイエンスの分野 0.53
Distinctive features connect, classifies differentiates, elaborate, domain, learning, neural network, paradigm shift, construction, knowledge 識別的特徴は結合し、区別し、識別し、精巧に、ドメイン、学習、ニューラルネットワーク、パラダイムシフト、構築、知識を分類する 0.63
2-s2.0-85046415420 2-s2.0-85046415420 0.26
artificial intelligence is the ability of a computer to perform the functions and reasoning typical of the human mind 人工知能は、人間の心の典型的な機能や推論を行うコンピュータの能力である 0.82
ability of a computer perform, function, reason, typical, human mind コンピュータの能力 実行、機能、理性、典型的な人間の心 0.69
2-s2.0-85055517085 2-s2.0-85055517085 0.26
artificial intelligence is a science and technology to study of the law of human intelligence activities 人工知能は人間の知能活動の法則を研究するための科学と技術である 0.70
science technology, study, law, human intelligence activities 科学 技術、研究、法律、人間の知性活動 0.74
2-s2.0-85051252856 2-s2.0-85051252856 0.26
artificial intelligence ai is a branch of computer science that deals with the problemsolving by the aid of symbolic programming 人工知能は、シンボリックプログラミングの助けを借りて問題解決を扱うコンピュータサイエンスの分野である 0.72
branch of computer science コンピュータサイエンスの分野 0.64
deal, problemsolving, aid, symbolic programming 取引 問題解決 援助 シンボリック・プログラミング 0.57
2-s2.0-85045918452 2-s2.0-85045918452 0.26
artificial intelligence is the study of intelligent machines or intelligent agents or robots 人工知能は知的な機械や知的なエージェントやロボットの研究である 0.75
study of intelligent machines インテリジェントマシンの研究 0.69
intelligent agents, robot 知的エージェント ロボット 0.58
Table 3 - An example of extracted definitions of Artificial Intelligence from Scopus abstracts. 表3 - スコパスの抽象論から抽出された人工知能の定義の例。 0.77
In column "Scopus ID" the identification code of the article is shown, referred to the abstract in which definition is contained. 欄 "Scopus ID" では、定義を含む抽象概念を参照して、記事の識別コードを示す。
訳抜け防止モード: 欄 "スコープID" には、記事の識別コードが表示される。 定義が包含されている抽象概念に言及する。
0.74
In column "Definition", the extracted definition is reported. カラム "Definition" では、抽出された定義が報告される。 0.65
In column “Genus”, the genus used in definition is shown. カラム “Genus” では、定義で使用される属が示される。 0.74
In column “Distinctive Features”, the distinctive features used in definition are reported, each distinctive feature has been separated among others with comma. カラム “Distinctive Features” では、定義で使用される特徴が報告され、それぞれの特徴がコンマで分離されている。 0.75
Scopus ID Sentence Hyponym スコープID 文 偽名 0.46
Hypernym 2-s2.0-85048852027 ハイパーニム 2-s2.0-85048852027 0.33
2-s2.0-85048852027 2-s2.0-85048852027 0.26
deep neural networks (dnns) have been recently achieving state-of-the-art performance for many artificial intelligence (ai) applications such as computer vision, image recognition, and machine translator. ディープニューラルネットワーク(dnn)は最近、コンピュータビジョン、画像認識、機械翻訳など多くの人工知能(AI)アプリケーションで最先端のパフォーマンスを実現している。 0.65
deep neural networks (dnns) have been recently achieving state-of-the-art performance for many artificial intelligence (ai) applications such as computer vision, image recognition, and machine translator. ディープニューラルネットワーク(dnn)は最近、コンピュータビジョン、画像認識、機械翻訳など多くの人工知能(AI)アプリケーションで最先端のパフォーマンスを実現している。 0.65
image recognition application machine translator 画像認識 応用 機械翻訳機 0.76
application 2-s2.0-85055695501 応用 2-s2.0-85055695501 0.47
ai driven applications such as autonomous vehicles, medical diagnostics, conversational agents etc. 自動運転車、医療診断、会話エージェントなど、ai駆動のアプリケーション。 0.64
are becoming a reality. 現実になりつつあります 0.62
medical diagnostics application 2-s2.0-84934923322 医療 診断 応用 2-s2.0-84934923322 0.61
the literature survey is organized based on different artificial intelligence techniques such as fuzzy logic, genetic algorithms, neural networks, game theory, reinforcement learning, support vector machine, casebased reasoning, entropy, bayesian, markov model, multi-agent systems, and artificial bee colony algorithm. 文献調査はファジィ論理、遺伝的アルゴリズム、ニューラルネットワーク、ゲーム理論、強化学習、サポートベクターマシン、ケースベース推論、エントロピー、ベイジアン、マルコフモデル、マルチエージェントシステム、人工蜂コロニーアルゴリズムなど、さまざまな人工知能技術に基づいて組織されている。 0.73
bayesian technique 2-s2.0-84929072533 ベイジアン 技法 2-s2.0-84929072533 0.52
further advances in ai technologies such as natural language comprehension and image recognition will only increase surveillance powers. 自然言語理解や画像認識といったAI技術のさらなる進歩は 監視力を増加させるだけです 0.83
natural language comprehension technology 自然言語の理解 技術 0.80
2-s2.0-85046720779 2-s2.0-85046720779 0.26
we conduct a holistic, systematic literature review using artificial intelligence technologies such as information retrieval, text mining and supervised learning, side-byside with manually reading of many relevant articles. 情報検索,テキストマイニング,教師付き学習といった人工知能技術を用いた総合的,体系的な文献レビューを行い,関連する記事の多くを手作業で読み取る。 0.76
supervised learning technology Table 4 - An example of extracted hyponyms and hypernyms of Artificial Intelligence from Scopus abstracts. 監督 学習 技術 表4 - scopus abstractsから抽出された人工知能の低音とハイパーニムの例。 0.67
In column "Scopus ID" the identification code of the article is shown, referred to the abstract in which hypernyms and hyponyms are contained. 欄 "Scopus ID" では、記事の識別コードを示し、ハイパーネムと偽名を含む抽象語を参照する。
訳抜け防止モード: 欄 "スコープID" には、記事の識別コードが表示される。 hypernyms と hyponyms が包含される抽象語について言及する。
0.73
In column "Sentence", the sentence is reported, in which hyponyms and hypernyms are contained. 列 "sentence" では、低音とハイパーニムを含む文が報告される。 0.52
In column “Hyponym”, the hyponym extracted from sentence is shown. 列 “Hyponym” では、文から抽出された偽名を示す。 0.50
In column “Hypernym”, the hypernym of hyponym extracted from sentence is reported. カラム“Hypernym”では、文から抽出された偽名のハイパーネムを報告する。 0.50
14 14 0.85
英語(論文から抽出)日本語訳スコア
In figure 2 the analysis of the Artificial Intelligence definitions-set is shown, in particular: 図2では、人工知能の定義セットの分析が特に示されています。 0.72
a. The analysis of the frequency distribution of genera used in definitions-set; aだ 定義セットに用いる属の頻度分布の解析 0.64
b. The analysis of the frequency distribution of distinctive features used in definitions- bだ 定義に用いた特徴量の周波数分布の解析- 0.79
set; c. The analysis of the frequency of co-occurrences of distinctive features: the set; c.特有な特徴の同時発生頻度の分析: 0.78
frequency of co-occurrences represents the number of times a pair of distinctive 共起の頻度は、一対の特徴的な回数を表す 0.83
features appears together in the set of definitions. 特徴は定義のセットに一緒に現れます。 0.77
d. The ontology: a classification of concept in Artificial Intelligence has been d. オントロジー:人工知能における概念の分類は 0.71
constructed thanks to the extracted hypernyms and hyponyms of Artificial 人工物の抽出ハイパーニームと低ニームにより構築された 0.54
Intelligence. Figure 2 – Analysis of Artificial Intelligence definitions-set. インテリジェンス。 図2 - 人工知能の定義セットの分析。 0.66
(a) The frequency distribution of genera used in Artificial Intelligence definitions-set. (a)人工知能定義セットに用いる属の頻度分布 0.62
(b) The frequency distribution of distinctive features used in Artificial Intelligence definitions-set. (b)人工知能定義セットで使用される特徴の頻度分布。 0.75
(c) The frequency of co-occurrence of distinctive features used in Artificial Intelligence definitions-set. c)人工知能定義セットで使用される特徴の共起頻度。 0.62
(d) The ontology of Artificial Intelligence. (d)人工知能のオントロジー。 0.54
15 15 0.85
英語(論文から抽出)日本語訳スコア
To verify the robustness of the analysis some aspects have been analysed and plotted. 分析の堅牢性を検証するため、いくつかの側面を分析・プロットした。 0.62
Figure 2a communicates which genera are more used in Artificial Intelligence definitions, e g the 図 2aはどの遺伝子が人工知能の定義で使われるかを伝える。 0.67
chunk “branch of computer science” has an occurrence probability of 15%. chunk “branch of computer science” は 15% の確率を持つ。 0.77
The maximum occurrence probability is low: this means there isn’t a convergence towards a dominant 最大 発生確率は低い:これはつまり支配者への収束がないことを意味する 0.64
definition. The distribution of distinctive features and the co-occurrence of distinctive features 定義。 特徴の分布と特徴の共起 0.61
in definitions are represented in figure 2b and figure 2c: confusion in terms is also evident in 定義では図2bと図2cで表される:用語の混乱も明らかです 0.78
this area. The distinctive feature “machine” appears in about 12% of definitions (low このエリア 定義の約12%に特徴的な「機械」が現れる(下記) 0.68
percentage). The terms “machine” and “deal” in Artificial Intelligence definitions appear %)。 人工知能の定義における「機械」と「決定」の語が現れる 0.68
together in about 3,3% of cases (weak bond). 約33%のケース(弱い結合)で一緒になる。 0.59
No other terms seem to be strongly connected, 他の用語は強く結びついていないようだ。 0.60
resulting in confusion and uncertainty in defining the technological field. 技術分野の定義に混乱と不確実性をもたらします。 0.66
In figure 2d an ontology of Artificial Intelligence is shown: some hypernyms and hyponyms and relations 図 2d において 人工知能のオントロジーが示される: いくつかのハイパーニム、低調、関係 0.65
among them are shown. その中の1つが示される。 0.39
Coverage is partial for synthesis reason but it’s possible to build a カバレッジは合成の理由から部分的であるが、構築は可能だ 0.82
richer ontology. より豊かなオントロジー 0.53
Using the outputs produced by the Automatic definition tool, the definition of Artificial 自動定義ツールが生成した出力を使って 人工物の定義を 0.86
Intelligence has been provided. インテリジェンスが提供された。 0.62
We have taken into consideration figure 2a to identify the most 我々は最も多くを特定するために図2aを考慮に入れた 0.65
suited genera, figure 2b and figure 2c to select and combine the better distinctive features and, より優れた特徴を選定し組み合わせるに適した属、図2b、図2c 0.76
at the end, figure 2d to generate an example. 最後に、図2dで例を作成します。 0.73
Def. Artificial intelligence is the branch of computer science that develops machines Def 人工知能は機械を開発するコンピュータ科学の分野である 0.65
with intelligence like human. E.g. 人間のような知性で など。 0.50
Some possible applications of Artificial intelligence are in activity recognition, 人工知能の考えられる応用は活動認識である。 0.66
decision making, plan reasoning and statistical techniques tasks. 意思決定、計画推論、統計的手法の課題。 0.69
4.2 Case studies results: Data Science 4.2 事例研究結果:データサイエンス 0.85
The extracted definitions of Data Science are 26. データサイエンスの抽出された定義は26。 0.76
An example of these has shown in table 5. この例が表5に示されています。 0.86
Otherwise, the hypernyms and hyponym extracted with the tool are 27 and a part of these is さもなくば、道具で抽出されたハイパーニムと低ニムは27で、その一部は 0.53
shown in table 6. 16 表6に示します 16 0.79
英語(論文から抽出)日本語訳スコア
Scopus ID Definition Genus スコープID 定義 属 0.60
Distinctive features 2-s2.0-85059974598 特徴 2-s2.0-85059974598 0.37
2-s2.0-85060791688 2-s2.0-85060791688 0.26
data science is an interdisciplinary field that uses scientific methods from computer science and statistics to extract insights or knowledge from data in a specific domain データサイエンスは、コンピュータ科学と統計学の科学的手法を用いて特定の領域のデータから洞察や知識を抽出する学際分野である 0.85
data science is an interdisciplinary field that is very much like data mining and knowledge discovery in databases kdd involving the analysis of data to make useful inferences and deduction データサイエンスは学際的な分野であり、データベースのkddにおけるデータマイニングや知識発見とよく似ている。 0.54
2-s2.0-85062206341 2-s2.0-85062206341 0.26
data science is a successful study that incorporates varying techniques and theories from distinct fields including mathematics computer science economics business and domain knowledge データサイエンスは、数学のコンピュータサイエンス経済学ビジネスやドメイン知識など、異なる分野から様々な技術と理論を取り入れた成功した研究である
訳抜け防止モード: データサイエンスは成功した研究で 数学計算機科学経済学ビジネスやドメイン知識など、異なる分野から様々な技術と理論を取り入れる
0.82
2-s2.0-85050493770 2-s2.0-85050493770 0.26
data science is an interdisciplinary field that extracts insights from data through a multistage process of data collection analysis and use データサイエンスは、データ収集分析と使用の多段階プロセスを通してデータから洞察を抽出する学際分野である 0.79
field field フィールド フィールド 0.78
study field 2-s2.0-85046758297 研究 フィールド 2-s2.0-85046758297 0.54
data science is a hybrid of multiple disciplines and skill sets draws on diverse fields including computer science statistics and mathematics encompasses topics in ethics and privacy and depends on specifics of the domains to which it is applied データサイエンスは、コンピュータ科学の統計や数学を含む様々な分野における複数の分野とスキルのハイブリッドであり、倫理とプライバシに関するトピックを包含する。
訳抜け防止モード: データサイエンスは、コンピュータ科学の統計学や数学を含む様々な分野に関する複数の分野とスキルセットのハイブリッドであり、倫理とプライバシーのトピックを含んでいる。 適用範囲によっては
0.81
hybrid of multiple hybrid (複数形 hybrids) 0.51
disciplines scientific methods, computer science, statistic, extract insights, knowledge, data, specific domain 規律 科学的方法、コンピュータ科学、統計学、洞察の抽出、知識、データ、特定の領域 0.65
data mining, knowledge discovery, database, kdd, involve, analysis, data, deduction データマイニング、知識発見、データベース、kdd、関与、分析、データ、推論 0.68
incorporate, varying, technique, theory, distinct fields, include, mathematics computer science economics business, domain knowledge インクルード、変化、技術、理論、異なる分野、インクルード、数学コンピュータ科学経済学ビジネス、ドメイン知識 0.70
extract, insights, data, multistage process, data collection analysis 抽出、洞察、データ、多段階プロセス、データ収集分析 0.81
skill, set, draw, diverse fields, include, computer science statistics, mathematics, encompass, topic, ethic, privacy, depend, specifics, domain, apply skill, set, draw, various field, include, computer science statistics, mathematics, encompass, topic, ethic, privacy, depend, specifics, domain, apply 0.85
Table 5 - An example of extracted definitions of Data Science from Scopus abstracts. 表5 - Scopusの抽象化からデータサイエンスを抽出した例。 0.69
In column "Scopus ID" the identification code of the article is shown, referred to the abstract in which definition is contained. 欄 "Scopus ID" では、定義を含む抽象概念を参照して、記事の識別コードを示す。
訳抜け防止モード: 欄 "スコープID" には、記事の識別コードが表示される。 定義が包含されている抽象概念に言及する。
0.74
In column "Definition", the extracted definition is reported. カラム "Definition" では、抽出された定義が報告される。 0.65
In column “Genus”, the genus used in definition is shown. カラム “Genus” では、定義で使用される属が示される。 0.74
In column “Distinctive Features”, the distinctive features used in definition are reported, each distinctive feature has been separated among others with comma. カラム “Distinctive Features” では、定義で使用される特徴が報告され、それぞれの特徴がコンマで分離されている。 0.75
Scopus ID Sentence Hyponym スコープID 文 偽名 0.46
Hypernym 2-s2.0-85045124637 ハイパーニム 2-s2.0-85045124637 0.33
© 2018 elsevier ltd feature selection is a crucial procedure in data science tasks such as classification, since it identifies the relevant variables, making thus the classification procedures more interpretable, cheaper in terms of measurement and more effective by reducing noise and data overfit. 2018 elsevier ltd feature selectionは、分類などのデータサイエンスタスクにおいて重要な手順である。これは、関連する変数を識別し、分類手順をより解釈可能で、測定の点で安価で、ノイズやデータ過度を減らし、より効果的である。 0.65
data overfit データオーバーフィット 0.72
task 2-s2.0-85046953082 タスク 2-s2.0-85046953082 0.44
we demonstrate this approach in iris, an agent that can perform open-ended data science tasks such as lexical analysis and predictive modeling. このアプローチを,辞書解析や予測モデリングなどのオープンエンドなデータサイエンスタスクを実行できるエージェントであるirisで実証する。 0.78
lexical analysis lexical analysis 0.85
task 2-s2.0-85046953082 タスク 2-s2.0-85046953082 0.44
we demonstrate this approach in iris, an agent that can perform open-ended data science tasks such as lexical analysis and predictive modeling. このアプローチを,辞書解析や予測モデリングなどのオープンエンドなデータサイエンスタスクを実行できるエージェントであるirisで実証する。 0.78
predictive modeling task 予測モデリング タスク 0.69
2-s2.0-85049357068 2-s2.0-85049357068 0.26
data science methodologies, such as autoencoding and text mining, were adapted to identify candidate gene sets that distinguish different types of cells in the central nervous system. オートエンコーディングやテキストマイニングといったデータサイエンスの方法論は、中枢神経系の異なる種類の細胞を識別する候補遺伝子セットを特定するために適応された。 0.70
autoencoding オートエンコーディング 0.64
methodology Table 6 - An example of extracted hyponyms and hypernyms of Data Science from Scopus abstracts. 方法論 表6 - Scopusの抽象資料から抽出されたデータサイエンスの仮称と双対の例。 0.65
In column "Scopus ID" the identification code of the article is shown, referred to the abstract in which hypernyms and hyponyms are contained. 欄 "Scopus ID" では、記事の識別コードを示し、ハイパーネムと偽名を含む抽象語を参照する。
訳抜け防止モード: 欄 "スコープID" には、記事の識別コードが表示される。 hypernyms と hyponyms が包含される抽象語について言及する。
0.73
In column "Sentence", the sentence is reported, in which hyponyms and hypernyms are contained. 列 "sentence" では、低音とハイパーニムを含む文が報告される。 0.52
In column “Hyponym”, the hyponym extracted from sentence is shown. 列 “Hyponym” では、文から抽出された偽名を示す。 0.50
In column “Hypernym”, the hypernym of hyponym extracted from sentence is reported. カラム“Hypernym”では、文から抽出された偽名のハイパーネムを報告する。 0.50
17 17 0.85
英語(論文から抽出)日本語訳スコア
In figure 3 the analysis of the Data Science definitions-set is shown. 図3では、データサイエンス定義セットの分析を示す。 0.77
Figure 3 – Analysis of Data Science definitions-set. 図3 - データサイエンスの定義セットの分析。 0.82
(a) The frequency distribution of genera used in Data Science definitionsset. (a)データサイエンス定義セットで使用される属の頻度分布。 0.78
(b) The frequency distribution of distinctive features used in Data Science definitions-set. (b)データサイエンス定義セットで使用される特徴の頻度分布。 0.78
(c) The frequency of cooccurrence of distinctive features used in Data Science definitions-set. (c)データサイエンス定義セットで使用される特徴の共起頻度。 0.70
(d) The ontology of Data Science. (d)データサイエンスのオントロジー。 0.55
Figure 3a, figure 3b and figure 3c show a stronger convergence in this Data Science 図3a、図3b、図3cは、このデータサイエンスに強い収束を示す 0.73
field then AI. In fact, distribution of genera has a long tail and “field” term is used in more than フィールドはAI。 実際、属の分布は長い尾を持ち、"フィールド"という言葉はそれ以上使われる。 0.69
one on three definition, occurrences of the most popular distinctive features are high, and terms 3つの定義の1つは、最も人気のある特徴の出現率が高く、用語である 0.75
are strongly connected. 強くつながっています 0.66
Data science definition and example are extracted in the same way of the previous case study. データサイエンスの定義と例は、前回のケーススタディと同じ方法で抽出される。 0.79
Def. Data science is an interdisciplinary field with purpose to extract knowledge from data. Def データサイエンスは、データから知識を抽出する目的で学際的な分野である。 0.59
E.g. Some technologies used in Data science are: Data mining, Big data, Cloud computing. など。 データサイエンスで使われる技術には、データマイニング、ビッグデータ、クラウドコンピューティングなどがある。 0.59
4.3 Case studies comparison 4.3ケーススタディ比較 0.75
In this section a comparison between two analyzed case studies has been presented, in terms of この節では、2つの分析されたケーススタディの比較について述べる。 0.73
convergence in the delineation process of tech field from scientific community. 科学技術分野のデライン化過程における科学コミュニティからの収束 0.70
To compare 18 比較する 18 0.81
英語(論文から抽出)日本語訳スコア
the cases the network analysis has been performed. ネットワーク分析が行われたケースです 0.64
Each definition of Artificial Intelligence and Data Science has been represented as a vector based on the words found in the definition. 人工知能の定義は データサイエンスは定義にある単語に基づいてベクトルとして表現されてきた。 0.69
To construct the network analysis the definitions have been represented in a graph, where a ネットワーク分析を構築するために、定義はグラフで表現されている。 0.82
node is a definition of Artificial Intelligence or Data Science and an arc between two definitions nodeは人工知能またはデータサイエンスの定義であり、2つの定義の間の弧 0.78
represents the link between both definitions. 両方の定義のリンクを表します 0.73
The strength of link dependens on the number of リンクの強さはリンク数に依存する 0.78
words in common to both definitions. 両方の定義に共通する単語。 0.80
The hypothesis is: if a technological field is old, then its definitions in literature tend to ある技術分野が古いなら、その定義は文学的傾向にあるという仮説である。 0.78
converge to the same meaning. 同じ意味に収束するのです 0.68
On the other hand, a new technological field will be fuzzily 一方、新しい技術分野はファジィである。 0.50
defined, because it has not reached a level of maturity in order to have a commonly agreed 一般的に合意するために成熟レベルに達していないため、定義された 0.71
definition. The hypothesis has been validated with some case studies in [21]. 定義。 この仮説は[21]のいくつかのケーススタディで検証されている。 0.67
In our case the analysis of Artificial intelligence compared to Data science has been performed. 本研究では,データサイエンスと比較して人工知能の分析を行った。 0.74
Artificial intelligence first emerged in the 80’ and then evolved at the beginning of the 21° 人工知能は最初に80年代に出現し、21°の初めに進化した 0.78
century with neural networks. ニューラルネットワークを使った世紀。 0.68
This has resulted in a lesser cohesion of the definitions as can be この結果、定義の結束は可能な限り小さくなった。 0.57
seen in the network diagram (Figure 4) where there are various clusters. ネットワーク図(図4)には、さまざまなクラスタがあります。 0.73
On the other, data science tends to be more cohesive in terms of definitions even though it has a new paradigm. 一方のデータは 科学は、新しいパラダイムを持つにもかかわらず、定義の観点からより密着的な傾向にある。 0.64
Figure 4 – Cluster analysis of Data Science definitions-se and Artificial Intelligence. 図4 - データサイエンス定義のクラスター分析-seと人工知能。 0.78
A node represents a definition extracted from Scopus related to the technological fields. ノードは、技術分野に関連するスコパスから抽出された定義を表す。 0.73
The thickness of an arc between two definitions is proportional to the words found in both definitions. 2つの定義の間の弧の厚さは、両方の定義に見られる単語に比例する。 0.76
5 Conclusion In the present paper we demonstrated that it is possible to main definition of innovative 5 結論 本稿では,革新の主観的定義が可能であることを示す。 0.73
technologies or technological fields from the abstracts of scientific papers. 科学論文の抽象的な技術や技術分野です 0.68
We developed a methodology to solve this problem, and successfully applied the methodology to two case 開発しました この問題を解決するための方法論を2つのケースに適用し 0.71
19 19 0.85
英語(論文から抽出)日本語訳スコア
studies (Artificial Intelligence and Data Science). 研究(人工知能とデータサイエンス)。 0.67
The results have been compared between the two case studies, showing also how our tool is able to identify fuzzy-defined technological 結果が比較された。 我々のツールがファジィ定義技術をどのように識別できるかを示す2つのケーススタディ 0.66
fields. A first next step is to understand if it is possible to extract entities that are similar to フィールド 最初のステップは、類似したエンティティを抽出できるかどうかを理解することです。 0.60
technologies such as methods or algorithms, using the presented methodology. 提案手法を用いた手法やアルゴリズムなどの技術。 0.64
The tool can be slightly modified in order to extract these other entities. ツールができます 他の物質を抽出するために 少し修正しました 0.66
Furthermore, other possible rules could さらに、他の可能なルールは 0.76
be implemented in Automatic definition tool to enhance its precision and recall. 自動定義ツールで実装され、精度とリコールが向上する。 0.73
Other sources can be mined for definition (e g patents or twitter) to enhance the ability of the tool to have a その他の資料 定義(例えば特許やtwitter)のためにマイニングすることで、ツールの持つ能力を高めることができる。 0.61
broad vision of a technological field. 技術分野の広いビジョン。 0.57
Finally, the tool has been designed to help the innovators 最後に、このツールはイノベーターを助けるために設計された 0.67
and researchers in scope definition process, thus we want to evaluate in an field experiment if スコープ定義プロセスの研究者は、フィールド実験で評価したいとします。 0.65
it is true, to assess the efficacy of the developed tool. 開発ツールの有効性を評価することは事実である。 0.70
20 20 0.85
英語(論文から抽出)日本語訳スコア
References [1] ISO 10006:2017 Quality management — Guidelines for quality management in projects 参考文献 [1] ISO 10006:2017 品質管理 - プロジェクトの品質管理に関するガイドライン 0.79
(2017). [2] Verzuh, E. (2015). (2017). [2] verzuh, e. (2015)。 0.82
The fast forward MBA in project management. プロジェクト管理における高速なmba。 0.70
John Wiley & Sons. ジョン・ワイリー&サンズ。 0.62
[3] Tim Bryce (2000-2008), The Elements of a Good Feasibility Study, Project Smart. [3] tim bryce (2000-2008) “the elements of a good feasibility study, project smart”。 0.80
[4] Cho, C. S., & Gibson Jr, G. E. (2001). 4] Cho, C. S., & Gibson Jr. G. E. (2001年) 0.83
Building project scope definition using project プロジェクトを用いたプロジェクトスコープ定義の構築 0.74
definition rating index. Journal of architectural engineering, 7(4), 115-125. 評価指標の定義。 journal of architectural engineering, 7(4), 115-125を参照。 0.84
[5] Chiarello, F., Trivelli, L., Bonaccorsi, A., & Fantoni, G. (2018). 5] Chiarello, F., Trivelli, L., Bonaccorsi, A., & Fantoni, G. (2018)。 0.82
Extracting and mapping industry 4.0 technologies using wikipedia. 抽出とマッピング wikipediaを使った業界4.0技術。 0.68
Computers in Industry, 100, 244-257. 産業用コンピュータ100,244-257。 0.78
[6] John, L. Semantics-Vol. John, L. Semantics-Vol. 0.74
I (1977). [7] Cook, R. T. (2009). 1977年)。 [7] Cook, R. T. (2009)。 0.67
Dictionary of Philosophical Logic. Edinburgh University Press. 哲学論理学の用語。 エディンバラ大学出版局。 0.71
[8] Parry, W. T., & Hacker, E. A. Parry, W. T., & Hacker, E. A. 0.68
(1991). Aristotelian logic. (1991). アリストテレス論理学。 0.73
Suny Press. Suny Press 0.55
[9] Green, R., Bean, C. A., & Myaeng, S. H. [9]Green,R.,Bean,C.A.,およびMyaeng,S.H。 0.83
(Eds.). (2013). (Eds)。 (2013). 0.75
The semantics of relationships: an interdisciplinary perspective (Vol. 関係の意味論: 学際的視点 (Vol。 0.54
3). Springer Science & Business Media. 3). Springer Science & Business Media(英語) 0.79
[10] Gupta, V., & Lehal, G. S. (2009). [10] Gupta, V., & Lehal, G. S. (2009)。 0.91
A survey of text mining techniques and テキストマイニング技術に関する調査研究 0.65
applications. Journal of emerging technologies in web intelligence, 1(1), 60-76. アプリケーション。 journal of emerging technologies in web intelligence, 1(1), 60-76を参照。 0.82
[11] Jusoh, S., & Alfawareh, H. M. (2012). 11] Jusoh, S., & Alfawareh, H. M. (2012)。 0.84
Techniques, applications and challenging issue in text mining. 技術・応用・課題 テキストマイニング。 0.52
International Journal of Computer Science Issues (IJCSI), 9(6), 431. International Journal of Computer Science Issues (IJCSI), 9(6), 431。 0.71
[12] CoNLL - The SIGNLL Conference on Computational Natural Language Learning, 12]CoNLL - SIGNLL Conference on Computational Natural Language Learning, 0.71
http://www.conll.org /2019 http://www.conll.org /2019 0.39
[13] Package ‘udpipe’, https://cran.r-proje ct.org/web/packages/ udpipe/udpipe.pdf [13] package 'udpipe', https://cran.r-proje ct.org/web/packages/ udpipe/udpipe.pdf 0.48
[14] CoNLL-U Format, https://universaldep endencies.org/format .html [14] CoNLL-U Format, https://universaldep endencies.org/format .html 0.59
[15] Ramshaw, L. A., & Marcus, M. P. (1999). [15] Ramshaw, L. A., & Marcus, M. P. (1999). 0.99
Text chunking using transformation-based 変換に基づくテキストチャンキング 0.60
learning. In Natural language processing using very large corpora (pp. 学ぶこと。 自然言語処理において非常に大きなコーパス(p。 0.73
157-176). Springer, 157-176). Springer 0.64
Dordrecht. 21 Dordrecht 21 0.66
英語(論文から抽出)日本語訳スコア
[16] Lin, X. [16]Lin, X。 0.76
(2003, August). Text-mining based journal splitting. (2003年8月) テキストマイニングに基づくジャーナル分割。 0.65
In Seventh International セブンス・インターナショナルでは 0.59
Conference on Document Analysis and Recognition, 2003. 資料分析と認識に関する会議、2003年。 0.83
Proceedings. (pp. 手続きだ (pp)。 0.66
1075-1079). 1075-1079). 0.78
IEEE. [17] https://en.wikipedia .org/wiki/Named-enti ty_recognition IEEE。 [17] https://en.wikipedia .org/wiki/named-enti ty_recognition 0.60
[18] "Regular Expressions". [18]「正規表現」。 0.56
The Single UNIX ® Specification, Version 2. Single UNIX ® Specification、Version 2.0。 0.86
The Open Group. 1997. オープングループ。 1997. 0.71
[19] https://en.wikipedia .org/wiki/List_of_em erging_technologies 19] https://en.wikipedia .org/wiki/list_of_em erging_technologies 0.33
[20] Cruse, D. A., & Cruse, D. A. [20]Crose, D. A. & Cruse, D. A. 0.93
(1986). Lexical semantics. (1986). 語彙意味論。 0.76
Cambridge university press. ケンブリッジ大学の記者。 0.67
[21] Giordano V. (2019). 21] giordano v. (2019) 0.60
Defining definition: a Text mining Approach to automatically Define 定義の定義: 自動定義のためのテキストマイニングアプローチ 0.87
Innovative Technological Fields, thesis on Management Engineering of University of Pisa. ピサ大学経営工学研究科 革新的技術分野 0.44
22 22 0.85
                                             ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。