論文の概要: Leveraging Artificial Intelligence Technology for Mapping Research to
Sustainable Development Goals: A Case Study
- arxiv url: http://arxiv.org/abs/2311.16162v1
- Date: Thu, 9 Nov 2023 11:44:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-03 13:21:59.363979
- Title: Leveraging Artificial Intelligence Technology for Mapping Research to
Sustainable Development Goals: A Case Study
- Title(参考訳): 持続可能な開発目標に研究をマッピングする人工知能技術を活用した事例研究
- Authors: Hui Yin, Amir Aryani, Gavin Lambert, Marcus White, Luis
Salvador-Carulla, Shazia Sadiq, Elvira Sojli, Jennifer Boddy, Greg Murray,
Wing Wah Tham
- Abstract要約: この研究は、オーストラリア大学から82,000冊以上の論文をケーススタディとして採用した。
われわれは、これらの出版物を持続可能な開発目標にマッピングするために類似度尺度を利用した。
私たちは、OpenAI GPTモデルを利用して、同じタスクを実行し、2つのアプローチの比較分析を容易にしました。
- 参考スコア(独自算出の注目度): 6.551575555269426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The number of publications related to the Sustainable Development Goals
(SDGs) continues to grow. These publications cover a diverse spectrum of
research, from humanities and social sciences to engineering and health. Given
the imperative of funding bodies to monitor outcomes and impacts, linking
publications to relevant SDGs is critical but remains time-consuming and
difficult given the breadth and complexity of the SDGs. A publication may
relate to several goals (interconnection feature of goals), and therefore
require multidisciplinary knowledge to tag accurately. Machine learning
approaches are promising and have proven particularly valuable for tasks such
as manual data labeling and text classification. In this study, we employed
over 82,000 publications from an Australian university as a case study. We
utilized a similarity measure to map these publications onto Sustainable
Development Goals (SDGs). Additionally, we leveraged the OpenAI GPT model to
conduct the same task, facilitating a comparative analysis between the two
approaches. Experimental results show that about 82.89% of the results obtained
by the similarity measure overlap (at least one tag) with the outputs of the
GPT model. The adopted model (similarity measure) can complement GPT model for
SDG classification. Furthermore, deep learning methods, which include the
similarity measure used here, are more accessible and trusted for dealing with
sensitive data without the use of commercial AI services or the deployment of
expensive computing resources to operate large language models. Our study
demonstrates how a crafted combination of the two methods can achieve reliable
results for mapping research to the SDGs.
- Abstract(参考訳): 持続可能な開発目標(SDG)に関する出版物の数は増え続けている。
これらの出版物は人文科学や社会科学から工学や健康まで多岐にわたる研究をカバーしている。
結果や影響を監視するための資金提供機関の義務を考えると、出版物と関連するSDGを結びつけることは極めて重要であるが、SDGの幅と複雑さを考えると、依然として時間がかかり困難である。
出版物はいくつかの目標(目標の相互接続の特徴)に関連しているため、正確にタグ付けするには複数の学際知識が必要である。
機械学習アプローチは有望であり、手動データラベリングやテキスト分類といったタスクに特に有用であることが証明されている。
本研究では,オーストラリア大学から82,000冊以上の論文をケーススタディとして採用した。
これらの論文をSDG(Sustainable Development Goals)にマッピングするために,類似度尺度を用いた。
さらに、OpenAI GPTモデルを利用して同じタスクを実行し、2つのアプローチの比較分析を容易にしました。
実験の結果、類似度測定の結果の82.89%(少なくとも1つのタグ)がGPTモデルの出力と重なることがわかった。
採用されたモデル(類似度尺度)は、SDG分類のためのGPTモデルを補完することができる。
さらに、ここで使用される類似度尺度を含むディープラーニング手法は、商用AIサービスや大規模言語モデルを操作するための高価なコンピューティングリソースを使わずに、機密データを扱うためによりアクセスしやすく信頼されている。
本研究は,2つの手法を組み合わせることで,SDGのマッピングを行う上で,信頼性の高い結果が得られることを示す。
関連論文リスト
- MMSci: A Multimodal Multi-Discipline Dataset for PhD-Level Scientific Comprehension [59.41495657570397]
我々は、Nature Communications Journalsに掲載されたオープンアクセス科学論文から、マルチモーダルで多分野のデータセットを収集した。
このデータセットは72の科学分野にまたがっており、多様性と品質の両方を保証している。
科学的な数字や内容を理解する上でLMMの能力を総合的に評価するために,様々なタスクと設定のベンチマークを作成した。
論文 参考訳(メタデータ) (2024-07-06T00:40:53Z) - Enriched BERT Embeddings for Scholarly Publication Classification [0.13654846342364302]
NSLP 2024 FoRC Task Iは、競争として組織されたこの課題に対処する。
目的は、ある論文に対する研究分野の分類法であるOpen Research Knowledge Graph (ORKG) から、123の事前定義されたクラスのうちの1つを予測することができる分類器を開発することである。
論文 参考訳(メタデータ) (2024-05-07T09:05:20Z) - Towards a Quality Indicator for Research Data publications and Research
Software publications -- A vision from the Helmholtz Association [0.24848203755267903]
研究データや研究ソフトウェアの品質を評価・評価するプロセスはまだ確立されていない。
Task Group Quality Indicators for Data and Software Publicationsは現在、研究データおよび研究ソフトウェア出版のための品質指標を開発している。
論文 参考訳(メタデータ) (2024-01-16T20:00:27Z) - Machine-Generated Text Detection using Deep Learning [0.0]
本研究は,大規模言語モデルが生成するテキストを人為的テキストから識別することの課題に焦点を当てる。
我々はTwitter Sentiment, Football Commentary, Project Gutenberg, PubMedQA, SQuADなど,複数のデータセットでモデルを評価した。
論文 参考訳(メタデータ) (2023-11-26T21:16:01Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳(メタデータ) (2022-07-18T11:38:32Z) - SustainBench: Benchmarks for Monitoring the Sustainable Development
Goals with Machine Learning [63.192289553021816]
国連持続可能な開発目標の進展は、主要な環境・社会経済指標のデータ不足によって妨げられている。
近年の機械学習の進歩により、衛星やソーシャルメディアなど、豊富な、頻繁に更新され、グローバルに利用可能なデータを活用することが可能になった。
本稿では,7個のSDGにまたがる15個のベンチマークタスクの集合であるSustainBenchを紹介する。
論文 参考訳(メタデータ) (2021-11-08T18:59:04Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳(メタデータ) (2021-09-24T17:37:35Z) - An overview of mixing augmentation methods and augmentation strategies [0.0]
このレビューは、主に2017年から2021年までの上位層会議や主要雑誌の資料に掲載されている手法を取り上げている。
本調査では,画像混合と拡張戦略の自動選択という,2つのDA研究ストリームに焦点を当てた。
論文 参考訳(メタデータ) (2021-07-21T05:58:06Z) - Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。
これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。
これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2021-05-14T00:53:03Z) - Evaluating the state-of-the-art in mapping research spaces: a Brazilian
case study [0.0]
最近の2つの研究は、科学者の出版記録から研究地図を作成する方法を提案している。
与えられたエンティティが新しいフィールドに入るかどうかを予測するモデルの能力を評価します。
これらのモデルがどのようにブラジルの文脈で科学のダイナミクスを特徴づけることができるかを示すケーススタディを実施します。
論文 参考訳(メタデータ) (2021-04-07T18:14:41Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。