論文の概要: An Explanatory Query-Based Framework for Exploring Academic Expertise
- arxiv url: http://arxiv.org/abs/2105.13728v1
- Date: Fri, 28 May 2021 10:48:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 13:39:08.422586
- Title: An Explanatory Query-Based Framework for Exploring Academic Expertise
- Title(参考訳): アカデミックエキスパートの探索のための説明的クエリベースのフレームワーク
- Authors: Oana Cocarascu, Andrew McLean Paul French, Francesca Toni
- Abstract要約: 機関内の潜在的な協力者を見つけることは、偏見を伴う手動検索作業に時間を要する。
本研究では,研究専門知識の検索,評価,探索を行う新しいクエリベースのフレームワークを提案する。
提案手法は, 望ましい特性を満足し, 効率的であると同時に, 一致の同定に有効であることを示す。
- 参考スコア(独自算出の注目度): 12.235907063179278
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The success of research institutions heavily relies upon identifying the
right researchers "for the job": researchers may need to identify appropriate
collaborators, often from across disciplines; students may need to identify
suitable supervisors for projects of their interest; administrators may need to
match funding opportunities with relevant researchers, and so on. Usually,
finding potential collaborators in institutions is a time-consuming manual
search task prone to bias. In this paper, we propose a novel query-based
framework for searching, scoring, and exploring research expertise
automatically, based upon processing abstracts of academic publications. Given
user queries in natural language, our framework finds researchers with relevant
expertise, making use of domain-specific knowledge bases and word embeddings.
It also generates explanations for its recommendations. We evaluate our
framework with an institutional repository of papers from a leading university,
using, as baselines, artificial neural networks and transformer-based models
for a multilabel classification task to identify authors of publication
abstracts. We also assess the cross-domain effectiveness of our framework with
a (separate) research funding repository for the same institution. We show that
our simple method is effective in identifying matches, while satisfying
desirable properties and being efficient.
- Abstract(参考訳): 研究機関の成功は「仕事のために」適切な研究者を特定することに大きく依存している:研究者は様々な分野から適切な協力者を特定する必要がある;学生は興味のあるプロジェクトに適した監督者を特定する必要がある;管理者は関連する研究者と資金の機会を一致させる必要がある、など。
通常、機関内の潜在的な協力者を見つけることは、偏見を伴う手動検索作業に時間がかかる。
本稿では,学術論文の抽象的な処理に基づいて,研究専門知識の検索,評価,探索を行う新しいクエリベースのフレームワークを提案する。
自然言語のユーザクエリを考慮し、ドメイン固有の知識ベースと単語の埋め込みを利用して、関連する専門知識を持つ研究者を見つける。
また、レコメンデーションに関する説明も生成する。
我々は,先進大学における論文の機関リポジトリを用いて,多ラベル分類タスクのためのベースライン,人工ニューラルネットワーク,トランスフォーマーベースモデルを用いて,論文の著者を特定する。
また,同機関の(別個の)研究資金レポジトリを用いて,フレームワークのクロスドメイン効果を評価する。
提案手法は, 望ましい特性を満足し, 効率的でありながら, マッチングの同定に有効であることを示す。
関連論文リスト
- Acceleron: A Tool to Accelerate Research Ideation [15.578814192003437]
Acceleronは、研究ライフサイクルの異なるフェーズのための研究アクセラレータである。
これは、新しい研究課題を含む包括的な研究提案の定式化を通じて、研究者を導くものである。
我々はLarge Language Models(LLM)の推論とドメイン固有のスキルを活用してエージェントベースのアーキテクチャを作成します。
論文 参考訳(メタデータ) (2024-03-07T10:20:06Z) - Hierarchical Tree-structured Knowledge Graph For Academic Insight Survey [12.398831974275787]
調査は、研究トレーニングを欠いている初心者研究者にとって、常に課題となっている。
本研究は,階層的な木構造知識グラフを確立することにより,初心者研究者を対象とした研究インサイトサーベイを支援することを目的とする。
論文 参考訳(メタデータ) (2024-02-07T13:54:06Z) - Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。
全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。
提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
論文 参考訳(メタデータ) (2023-10-23T05:52:09Z) - Promoting Research Collaboration with Open Data Driven Team
Recommendation in Response to Call for Proposals [10.732914229005903]
さまざまなAI手法を用いてチームを推薦する新しいシステムについて述べる。
短期と長期の目標のバランスをとるメトリクスに沿って、良さを最大化するためにチームを作ります。
論文 参考訳(メタデータ) (2023-09-18T00:04:08Z) - DiscoverPath: A Knowledge Refinement and Retrieval System for
Interdisciplinarity on Biomedical Research [96.10765714077208]
従来のキーワードベースの検索エンジンは、特定の用語に慣れていないユーザーを支援するのに不足している。
本稿では, バイオメディカル研究のための知識グラフに基づく紙検索エンジンを提案し, ユーザエクスペリエンスの向上を図る。
DiscoverPathと呼ばれるこのシステムは、名前付きエンティティ認識(NER)とPOSタグを使って、記事の要約から用語や関係を抽出し、KGを作成する。
論文 参考訳(メタデータ) (2023-09-04T20:52:33Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳(メタデータ) (2022-11-07T16:19:42Z) - Hierarchical Interdisciplinary Topic Detection Model for Research
Proposal Classification [33.06389455749012]
深層階層型学際研究提案分類ネットワーク(HIRPCN)を開発した。
まず,提案手法のテキスト意味情報を抽出する階層変換器を提案する。
次に、学際グラフを設計し、GNNを活用して各分野の表現を学習する。
論文 参考訳(メタデータ) (2022-09-16T16:59:25Z) - Algorithmic Fairness Datasets: the Story so Far [68.45921483094705]
データ駆動アルゴリズムは、人々の幸福に直接影響し、批判的な決定をサポートするために、さまざまな領域で研究されている。
研究者のコミュニティは、既存のアルゴリズムの株式を調査し、新しいアルゴリズムを提案し、歴史的に不利な人口に対する自動意思決定のリスクと機会の理解を深めてきた。
公正な機械学習の進歩はデータに基づいており、適切に文書化された場合にのみ適切に使用できる。
残念なことに、アルゴリズムフェアネスコミュニティは、特定のリソース(オパシティ)に関する情報の不足と利用可能な情報の分散(スパーシティ)によって引き起こされる、集合的なデータドキュメント負債に悩まされている。
論文 参考訳(メタデータ) (2022-02-03T17:25:46Z) - Wizard of Search Engine: Access to Information Through Conversations
with Search Engines [58.53420685514819]
我々は3つの側面からCISの研究を促進するために努力している。
目的検出(ID)、キーフレーズ抽出(KE)、行動予測(AP)、クエリ選択(QS)、通過選択(PS)、応答生成(RG)の6つのサブタスクでCIS用のパイプラインを定式化する。
検索エンジンのウィザード(WISE)と呼ばれるベンチマークデータセットをリリースし、CISのすべての側面について包括的かつ詳細な調査を可能にします。
論文 参考訳(メタデータ) (2021-05-18T06:35:36Z) - A New Neural Search and Insights Platform for Navigating and Organizing
AI Research [56.65232007953311]
我々は、古典的なキーワード検索とニューラル検索を組み合わせた新しいプラットフォームであるAI Research Navigatorを導入し、関連する文献を発見し整理する。
本稿では,システム全体のアーキテクチャの概要と,文書分析,質問応答,検索,分析,専門家検索,レコメンデーションの構成要素について概説する。
論文 参考訳(メタデータ) (2020-10-30T19:12:25Z) - Effective Distributed Representations for Academic Expert Search [1.9815631757151737]
学術論文の異なる分散表現(埋め込み)が学術専門家の検索にどのように影響するかを考察する。
特に,文脈的埋め込みが検索性能に与える影響について検討する。
文類似性タスクのために訓練されたトランスフォーマーモデルによって生成された文脈埋め込みを用いることで、最も効果的な論文表現が得られることを観察する。
論文 参考訳(メタデータ) (2020-10-16T09:43:18Z)
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。