論文の概要: TextDescriptives: A Python package for calculating a large variety of
statistics from text
- arxiv url: http://arxiv.org/abs/2301.02057v1
- Date: Thu, 5 Jan 2023 13:19:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 14:02:06.652637
- Title: TextDescriptives: A Python package for calculating a large variety of
statistics from text
- Title(参考訳): TextDescriptives: テキストからさまざまな統計を計算するためのPythonパッケージ
- Authors: Lasse Hansen, Kenneth Enevoldsen
- Abstract要約: TextDescriptivesは、テキストからさまざまな統計を計算するためのPythonパッケージである。
臨床テキストの言語的安定性の分析、神経精神医学的状態の予測、小学生の言語的目標の分析にはすでに使われている。
- 参考スコア(独自算出の注目度): 4.061135251278187
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: TextDescriptives is a Python package for calculating a large variety of
statistics from text. It is built on top of spaCy and can be easily integrated
into existing workflows. The package has already been used for analysing the
linguistic stability of clinical texts, creating features for predicting
neuropsychiatric conditions, and analysing linguistic goals of primary school
students. This paper describes the package and its features.
- Abstract(参考訳): TextDescriptivesは、テキストからさまざまな統計を計算するためのPythonパッケージである。
SpaCy上に構築されており、既存のワークフローに簡単に統合できる。
このパッケージは、すでに臨床テキストの言語的安定性の分析、神経精神医学的状態の予測、小学生の言語的目標の分析に使われている。
本稿では,パッケージとその特徴について述べる。
関連論文リスト
- Speed Reading Tool Powered by Artificial Intelligence for Students with
ADHD, Dyslexia, or Short Attention Span [0.0]
本稿では, ディプレキシア, ADHD, 注意不足の学生がテキストベースの情報をより効率的に消化するのを支援するための新しいアプローチを提案する。
提案手法は,多層パーセプトロン (MLP) アルゴリズムを用いて複雑なテキスト処理と要約処理を行う。
本稿では,AIを用いた速度測定ツールの方法論,実装,結果について論じる。
論文 参考訳(メタデータ) (2023-07-26T23:47:14Z) - TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [72.79006668848186]
Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。
TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。
分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
論文 参考訳(メタデータ) (2023-06-06T03:37:41Z) - Lexical Complexity Prediction: An Overview [13.224233182417636]
テキスト中の未知の単語の発生は、読書の理解を著しく妨げている。
計算モデリングは、テキスト中の複雑な単語を識別し、より単純な代替語に置き換えるために応用されている。
本稿では,英文データに基づく語彙複雑性予測に対する計算手法の概要について述べる。
論文 参考訳(メタデータ) (2023-03-08T19:35:08Z) - SPINDLE: Spinning Raw Text into Lambda Terms with Graph Attention [0.8379286663107844]
モジュールは、原文入力をラムダ項で表現された意味合成のためのプログラムに変換する。
その出力は多モーダル型論理文法の階層的導出から成り立っている。
論文 参考訳(メタデータ) (2023-02-23T14:22:45Z) - DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。
固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
論文 参考訳(メタデータ) (2022-05-04T08:41:59Z) - SATfeatPy -- A Python-based Feature Extraction System for Satisfiability [2.236663830879273]
本稿では,CNF形式のSAT問題に対する特徴抽出技術を提供するSATfeatPyを紹介する。
ライブラリは、詳細な機能説明とともに、最新の、使いやすいPythonパッケージで提供される。
本稿では,SAT/UNSATの精度と問題分類の精度を,ライブラリを用いて生成した5つの特徴セットを用いて示す。
論文 参考訳(メタデータ) (2022-04-29T14:10:01Z) - SCROLLS: Standardized CompaRison Over Long Language Sequences [62.574959194373264]
SCROLLSは長いテキストに対する推論を必要とするタスクのスイートである。
SCROLLSには要約、質問応答、自然言語推論タスクが含まれる。
すべてのデータセットを統一されたテキスト・ツー・テキスト形式で利用可能にし、モデルアーキテクチャと事前学習方法の研究を容易にするために、ライブのリーダーボードをホストします。
論文 参考訳(メタデータ) (2022-01-10T18:47:15Z) - The R package sentometrics to compute, aggregate and predict with
textual sentiment [0.0]
Rパッケージのセマンティックスを用いたテキスト感情指標の最適化について手動で紹介する。
sentometricsパッケージは、多数のテキストの感情スコアを効率的に計算し、スコアを複数の時系列に集約し、これらの時系列を使用して他の変数を予測するための直感的なフレームワークを実装している。
論文 参考訳(メタデータ) (2021-10-20T23:24:45Z) - Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。
textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。
パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
論文 参考訳(メタデータ) (2021-09-06T16:46:38Z) - QuaPy: A Python-Based Framework for Quantification [76.22817970624875]
QuaPyは、定量化を行うためのオープンソースのフレームワークである(例えば、教師付き精度推定)。
Pythonで書かれており、pip経由でインストールできる。
論文 参考訳(メタデータ) (2021-06-18T13:57:11Z) - Intrinsic Probing through Dimension Selection [69.52439198455438]
現代のほとんどのNLPシステムは、様々なタスクにおいて驚くほど高いパフォーマンスが得られる事前訓練された文脈表現を使用している。
このような高いパフォーマンスは、ある種の言語構造がこれらの表現に根ざしない限りはあり得ず、それを探究する研究が盛んに行われている。
本稿では,言語情報が表現内でどのように構造化されているかを示す内在的探索と,先行研究で広く普及している外在的探索とを区別し,抽出に成功したことを示すことによって,そのような情報の存在を主張するのみである。
論文 参考訳(メタデータ) (2020-10-06T15:21:08Z)
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。