論文の概要: NLP4RE Tools: Classification, Overview, and Management
- arxiv url: http://arxiv.org/abs/2403.06685v1
- Date: Mon, 11 Mar 2024 13:01:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 19:05:35.349695
- Title: NLP4RE Tools: Classification, Overview, and Management
- Title(参考訳): NLP4REツール: 分類、概要、管理
- Authors: Julian Frattini, Michael Unterkalmsteiner, Davide Fucci, Daniel Mendez
- Abstract要約: ツールは、要求工学(NLP4RE)研究のための自然言語処理に不可欠な貢献である。
まず、NLP4REツールの体系的な分類を導入し、それらのタイプや特性の理解を改善する。
既存のツールの再利用と進化を容易にするため、2019年4月から2023年6月までに発行された126のNLP4REツールを体系的にまとめて、既存の概要を拡張した。
- 参考スコア(独自算出の注目度): 4.7120480695997635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tools constitute an essential contribution to natural language processing for
requirements engineering (NLP4RE) research. They are executable instruments
that make research usable and applicable in practice. In this chapter, we first
introduce a systematic classification of NLP4RE tools to improve the
understanding of their types and properties. Then, we extend an existing
overview with a systematic summary of 126 NLP4RE tools published between April
2019 and June 2023 to ease reuse and evolution of existing tools. Finally, we
provide instructions on how to create, maintain, and disseminate NLP4RE tools
to support a more rigorous management and dissemination.
- Abstract(参考訳): ツールは、要求工学(NLP4RE)研究のための自然言語処理に不可欠な貢献である。
これらは、研究を実用的かつ実用的なものにするための実行可能な道具である。
本章ではまず,NLP4REツールを体系的に分類し,それらのタイプや特性の理解を改善する。
そして、2019年4月から2023年6月までに発行された126のNLP4REツールを体系的にまとめて、既存のツールの再利用と進化を容易にするために、既存の概要を拡張します。
最後に、より厳密な管理と普及を支援するため、NLP4REツールの作成、保守、普及方法の指示を提供する。
関連論文リスト
- CMULAB: An Open-Source Framework for Training and Deployment of Natural Language Processing Models [59.91221728187576]
本稿では,NLPモデルのモデル展開と連続的なヒューマン・イン・ザ・ループの微調整を簡単にするオープンソースフレームワークであるCMU言語バックエンドを紹介する。
CMULABは、マルチ言語モデルのパワーを活用して、音声認識、OCR、翻訳、構文解析などの既存のツールを新しい言語に迅速に適応し、拡張することができる。
論文 参考訳(メタデータ) (2024-04-03T02:21:46Z) - LLMs in the Imaginarium: Tool Learning through Simulated Trial and Error [54.954211216847135]
既存の大規模言語モデル(LLM)は30%から60%の範囲でしか正当性に至らない。
試行錯誤(STE)を模擬したツール拡張LDMの生物学的なインスピレーション法を提案する。
STEは、試行錯誤、想像力、記憶という、生物学的システムにおけるツール使用行動の成功のための3つの重要なメカニズムを編成する。
論文 参考訳(メタデータ) (2024-03-07T18:50:51Z) - TOOLVERIFIER: Generalization to New Tools via Self-Verification [69.85190990517184]
本稿では,ツール選択中にコントラスト質問を自己問合せすることで,近接候補を識別する自己検証手法を提案する。
ToolBenchベンチマークによる4つのタスクの実験では、17の見えないツールで構成されており、数ショットのベースラインよりも平均22%改善されている。
論文 参考訳(メタデータ) (2024-02-21T22:41:38Z) - EASYTOOL: Enhancing LLM-based Agents with Concise Tool Instruction [56.02100384015907]
EasyToolは、多種多様で長いツールドキュメントを統一的で簡潔なツール命令に変換するフレームワークである。
トークン使用量を大幅に削減し、現実のシナリオにおけるツール利用のパフォーマンスを向上させることができる。
論文 参考訳(メタデータ) (2024-01-11T15:45:11Z) - A Review of Digital Learning Environments for Teaching Natural Language
Processing in K-12 Education [3.5353632767823506]
自然言語処理(NLP)は,我々の日常生活において重要な役割を担い,K-12における人工知能(AI)教育の不可欠な部分となっている。
NLPの概念を導入し、言語処理、言語生成、AIとNLPの倫理的意味の理解を促進することが重要である。
本稿では,K-12でNLPを教えるためのデジタル学習環境について概観する。
論文 参考訳(メタデータ) (2023-10-02T19:54:30Z) - 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) - Classification of Natural Language Processing Techniques for
Requirements Engineering [6.099346764207287]
我々は,要求工学において最も頻繁に使用される57のNLPテクニックを合成・整理する取り組みについて述べる。
我々はこれらのNLP手法を2つの方法で分類する: まず、NLPタスクを典型的なパイプラインで、次に、言語分析レベルで分類する。
論文 参考訳(メタデータ) (2022-04-08T20:28:00Z) - Natural Language Processing 4 All (NLP4All): A New Online Platform for
Teaching and Learning NLP Concepts [0.0]
自然言語処理は、ほぼすべての分野とドメインにわたる言語データに対する新たな洞察を提供する。
これらの新しい研究ツールへの参加と利用を拡大するための大きなハードルは、K-16の学生や人口全体におけるコーディングスキルの欠如である。
NLPへの参加を拡大し、NLPリテラシーを向上させるため、Natural Language Processing 4 All (NLP4All)と呼ばれるウェブベースのツールを導入した。
NLP4Allの目的は、教師がNLPメソッド、データ、分析に簡単に使えるインターフェイスを提供することで、NLPについて学習しやすくすることである。
論文 参考訳(メタデータ) (2021-05-28T09:57:22Z) - Doing Natural Language Processing in A Natural Way: An NLP toolkit based
on object-oriented knowledge base and multi-level grammar base [2.963359628667052]
このツールキットはセマンティック解析に焦点を当てており、新しい知識と文法を自動的に発見する能力もあります。
新たに発見された知識と文法は人間によって識別され、知識ベースと文法ベースの更新に使用される。
論文 参考訳(メタデータ) (2021-05-11T17:43:06Z) - NLPContributions: An Annotation Scheme for Machine Reading of Scholarly
Contributions in Natural Language Processing Literature [0.0]
本稿では,自然言語処理(NLP)論文の学術的貢献を捉えるためのアノテーションイニシアチブについて述べる。
我々は,5つの情報抽出タスクへのコントリビューションを提示する50のNLP-ML学術論文に対するパイロット演習に基づくアノテーションタスクを開発する。
我々は,NLPコントリビューションの方法論が,そのさらなる洗練と発展に向けて,このトピックについてより広範な議論を巻き起こすことを想定する。
論文 参考訳(メタデータ) (2020-06-23T10:04:39Z) - Pre-trained Models for Natural Language Processing: A Survey [75.95500552357429]
事前学習モデル(PTM)の出現は、自然言語処理(NLP)を新しい時代にもたらした。
この調査は、様々なNLPタスクに対するPTMの理解、利用、開発のためのハンズオンガイドになることを目的としている。
論文 参考訳(メタデータ) (2020-03-18T15:22:51Z)
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。