論文の概要: Deep Learning for Political Science

• arxiv url: http://arxiv.org/abs/2005.06540v1
• Date: Wed, 13 May 2020 19:14:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 10:05:50.317446
• Title: Deep Learning for Political Science
• Title（参考訳）: 政治学のための深層学習
• Authors: Kakia Chatsiou and Slava Jankin Mikhaylov
• Abstract要約: 機械学習、ディープラーニング、自然言語処理(NLP)、そしてより一般的には、人工知能(AI)が理論をテストする新しい機会を開きつつある。 政治科学は伝統的に、投票行動、政策決定、国際紛争、国際開発などの分野の研究に計算手法を用いてきた。 本章では政治学の例を例に紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Political science, and social science in general, have traditionally been using computational methods to study areas such as voting behavior, policy making, international conflict, and international development. More recently, increasingly available quantities of data are being combined with improved algorithms and affordable computational resources to predict, learn, and discover new insights from data that is large in volume and variety. New developments in the areas of machine learning, deep learning, natural language processing (NLP), and, more generally, artificial intelligence (AI) are opening up new opportunities for testing theories and evaluating the impact of interventions and programs in a more dynamic and effective way. Applications using large volumes of structured and unstructured data are becoming common in government and industry, and increasingly also in social science research. This chapter offers an introduction to such methods drawing examples from political science. Focusing on the areas where the strengths of the methods coincide with challenges in these fields, the chapter first presents an introduction to AI and its core technology - machine learning, with its rapidly developing subfield of deep learning. The discussion of deep neural networks is illustrated with the NLP tasks that are relevant to political science. The latest advances in deep learning methods for NLP are also reviewed, together with their potential for improving information extraction and pattern recognition from political science texts.
• Abstract（参考訳）: 政治学や社会科学は伝統的に、投票行動、政策立案、国際紛争、国際開発などの分野を研究するために計算手法を用いてきた。 最近では、大量のデータが改良されたアルゴリズムと手頃な計算リソースと組み合わされ、ボリュームと多様性の大きいデータから新しい洞察を予測、学習、発見できるようになった。 機械学習、ディープラーニング、自然言語処理(NLP)、そしてより一般的には、人工知能(AI)が理論をテストし、介入やプログラムの影響をよりダイナミックで効果的な方法で評価する新たな機会を開いている。 大量の構造化データと非構造化データを使用するアプリケーションは、政府や産業で一般的になり、社会科学研究でもますます普及している。 本章では、このような手法を政治学から例題として紹介する。 この章は、これらの分野の課題とメソッドの強みが一致する領域に焦点を当て、まずaiとそのコア技術である機械学習を紹介し、急速に発展するディープラーニングのサブフィールドを紹介する。 ディープニューラルネットワークの議論は、政治科学に関連するNLPタスクで説明される。 NLPのディープラーニング手法の最近の進歩と、政治科学テキストからの情報抽出とパターン認識の改善の可能性についても概説する。

関連論文リスト

• ContextGPT: Infusing LLMs Knowledge into Neuro-Symbolic Activity Recognition Models [0.3277163122167433]
  本研究では,人間活動に関する常識知識から抽出する新しいプロンプトエンジニアリング手法であるContextGPTを提案する。 2つの公開データセットで行った評価は、ContextGPTから常識知識を注入することで得られるNeSyモデルがデータ不足のシナリオにどのように有効であるかを示す。
  論文  参考訳（メタデータ） (2024-03-11T10:32:23Z)
• Deep Learning Approaches for Improving Question Answering Systems in Hepatocellular Carcinoma Research [0.0]
  近年,自然言語処理(NLP)の進歩は,ディープラーニング技術によって加速されている。 膨大な量のデータに基づいてトレーニングされたBERTとGPT-3は、言語理解と生成に革命をもたらした。 本稿では,大規模モデルベースNLPの現状と今後の展望について述べる。
  論文  参考訳（メタデータ） (2024-02-25T09:32:17Z)
• Combatting Human Trafficking in the Cyberspace: A Natural Language Processing-Based Methodology to Analyze the Language in Online Advertisements [55.2480439325792]
  このプロジェクトは、高度自然言語処理(NLP)技術により、オンラインC2Cマーケットプレースにおける人身売買の急激な問題に取り組む。 我々は、最小限の監督で擬似ラベル付きデータセットを生成する新しい手法を導入し、最先端のNLPモデルをトレーニングするための豊富なリソースとして機能する。 重要な貢献は、Integrated Gradientsを使った解釈可能性フレームワークの実装であり、法執行にとって重要な説明可能な洞察を提供する。
  論文  参考訳（メタデータ） (2023-11-22T02:45:01Z)
• A Review of the Trends and Challenges in Adopting Natural Language Processing Methods for Education Feedback Analysis [4.040584701067227]
  機械学習、ディープラーニング、自然言語処理(NLP)はAIのサブセットであり、データ処理とモデリングのさまざまな領域に取り組む。 本稿では、現在の機会を概観した、AIが教育に与える影響の概要について述べる。
  論文  参考訳（メタデータ） (2023-01-20T23:38:58Z)
• A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
  我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。 大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
  論文  参考訳（メタデータ） (2022-12-20T18:46:16Z)
• Meta Learning for Natural Language Processing: A Survey [88.58260839196019]
  ディープラーニングは自然言語処理(NLP)分野において主要な技術である。 ディープラーニングには多くのラベル付きデータが必要です。 メタ学習は、より良いアルゴリズムを学ぶためのアプローチを研究する機械学習の分野である。
  論文  参考訳（メタデータ） (2022-05-03T13:58:38Z)
• Systematic Inequalities in Language Technology Performance across the World's Languages [94.65681336393425]
  本稿では,言語技術のグローバルな有用性を評価するためのフレームワークを紹介する。 本分析では, ユーザ対応技術と言語的NLPタスクの両面において, より深く研究されている。
  論文  参考訳（メタデータ） (2021-10-13T14:03:07Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)
• Natural Language Processing Advancements By Deep Learning: A Survey [0.755972004983746]
  この調査は、ディープラーニングの恩恵を受けたNLPのさまざまな側面と応用を分類し、対処する。 コアNLPタスクとアプリケーションをカバーするもので、深層学習手法とモデルがどのようにこれらの領域を前進させるかを記述している。
  論文  参考訳（メタデータ） (2020-03-02T21:32:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。