論文の概要: Automating Chapter-Level Classification for Electronic Theses and Dissertations
- arxiv url: http://arxiv.org/abs/2411.17614v1
- Date: Tue, 26 Nov 2024 17:27:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:32:56.828863
- Title: Automating Chapter-Level Classification for Electronic Theses and Dissertations
- Title（参考訳）: 電子製品・論文の章レベル分類の自動化
- Authors: Bipasha Banerjee, William A. Ingram, Edward A. Fox,
- Abstract要約: 本稿では,ETDチャプタを自動的に分類する機械学習とAI駆動型ソリューションを提案する。
この解決策は、発見可能性を改善し、章の理解を促進することを目的としている。
我々は、学際的な研究を支援し、ETDをよりアクセスしやすくすることを目指している。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Traditional archival practices for describing electronic theses and dissertations (ETDs) rely on broad, high-level metadata schemes that fail to capture the depth, complexity, and interdisciplinary nature of these long scholarly works. The lack of detailed, chapter-level content descriptions impedes researchers' ability to locate specific sections or themes, thereby reducing discoverability and overall accessibility. By providing chapter-level metadata information, we improve the effectiveness of ETDs as research resources. This makes it easier for scholars to navigate them efficiently and extract valuable insights. The absence of such metadata further obstructs interdisciplinary research by obscuring connections across fields, hindering new academic discoveries and collaboration. In this paper, we propose a machine learning and AI-driven solution to automatically categorize ETD chapters. This solution is intended to improve discoverability and promote understanding of chapters. Our approach enriches traditional archival practices by providing context-rich descriptions that facilitate targeted navigation and improved access. We aim to support interdisciplinary research and make ETDs more accessible. By providing chapter-level classification labels and using them to index in our developed prototype system, we make content in ETD chapters more discoverable and usable for a diverse range of scholarly needs. Implementing this AI-enhanced approach allows archives to serve researchers better, enabling efficient access to relevant information and supporting deeper engagement with ETDs. This will increase the impact of ETDs as research tools, foster interdisciplinary exploration, and reinforce the role of archives in scholarly communication within the data-intensive academic landscape.
- Abstract（参考訳）: 電子的これらと論文(ETD)を記述する伝統的な考古学的慣行は、これらの長い学術作品の深さ、複雑さ、学際的な性質を捉えるのに失敗する広範囲な高度なメタデータ体系に依存している。
詳細な章レベルのコンテンツ記述の欠如は、研究者の特定のセクションやテーマの特定能力を妨げ、発見可能性と全体的なアクセシビリティを低下させる。
章レベルのメタデータ情報を提供することで,研究資源としてのETDの有効性を向上させる。
これにより、研究者はそれらを効率的にナビゲートし、貴重な洞察を抽出しやすくなる。
このようなメタデータの欠如は、分野間のつながりを隠蔽し、新たな学術的な発見やコラボレーションを妨げることによって、学際的な研究をさらに妨げている。
本稿では,ETDチャプタを自動的に分類する機械学習とAI駆動型ソリューションを提案する。
この解決策は発見性を改善し、章の理解を促進することを目的としている。
提案手法は,ターゲットナビゲーションやアクセス改善を支援するコンテキストリッチな記述を提供することにより,従来のアーカイブの実践を豊かにする。
我々は、学際的な研究を支援し、ETDをよりアクセスしやすくすることを目指している。
章レベルの分類ラベルを提供し,開発したプロトタイプシステムでインデクシングするために使用することにより,ETDの章の内容をより発見しやすく,多様な学術的ニーズに利用できるものにする。
このAI強化アプローチを実装することで、アーカイブは研究者により良いサービスを提供し、関連する情報への効率的なアクセスを可能にし、ETDとのより深いエンゲージメントをサポートすることができる。
これにより、ETDが研究ツールとしての影響を増大させ、学際的な探索を奨励し、データ集約的な学術的なランドスケープにおける学術的なコミュニケーションにおけるアーカイブの役割を強化する。
関連論文リスト
- AI in Archival Science -- A Systematic Review [0.9749638953163389]
本研究は,人工知能(AI)を人工科学の広い領域に組み込むことの利点を浮き彫りにするものである。
我々の発見は、記録保存プロセスの合理化とデータ検索効率の向上を約束する重要なAI駆動戦略を強調した。
論文 参考訳（メタデータ） (2024-10-07T14:39:12Z) - Fine-tuning and Prompt Engineering with Cognitive Knowledge Graphs for Scholarly Knowledge Organization [0.14999444543328289]
本研究は,大規模言語モデル(LLM)を用いた構造化学術知識の効果的伝達に焦点をあてる。
LLMは学術論文を分類し、その貢献を構造化され、同等の方法で記述する。
我々の方法論は、LLMの知識を活用し、CKGから得られた領域の専門家が検証した学術データと補完することである。
論文 参考訳（メタデータ） (2024-09-10T11:31:02Z) - Knowledge Navigator: LLM-guided Browsing Framework for Exploratory Search in Scientific Literature [48.572336666741194]
本稿では,探索探索能力の向上を目的とした知識ナビゲータを提案する。
検索された文書を、名前と記述の科学トピックとサブトピックの、ナビゲート可能な2段階の階層に整理する。
論文 参考訳（メタデータ） (2024-08-28T14:48:37Z) - DiscipLink: Unfolding Interdisciplinary Information Seeking Process via Human-AI Co-Exploration [34.23942131024738]
本稿では,研究者と大規模言語モデル(LLM)の協調を支援する対話型システムであるDiscipLinkを紹介する。
ユーザの関心事に基づいて、DiscipLinkは、関連する研究分野の観点から探索的な質問を開始する。
本評価は, 対象内比較実験とオープンエンド探索研究からなり, ディシプリンクは, 学際境界を断ち切る上で, 研究者を効果的に支援できることを示した。
論文 参考訳（メタデータ） (2024-08-01T10:36:00Z) - Incremental hierarchical text clustering methods: a review [49.32130498861987]
本研究の目的は,階層的および漸進的クラスタリング技術の解析である。
本研究の主な貢献は、文書クラスタリングのテキスト化を目的とした、2010年から2018年にかけて出版された研究で使用されるテクニックの組織化と比較である。
論文 参考訳（メタデータ） (2023-12-12T22:27:29Z) - 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) - The Semantic Reader Project: Augmenting Scholarly Documents through
AI-Powered Interactive Reading Interfaces [54.2590226904332]
本稿では,研究論文を対象とした動的読解インタフェースの自動作成を目的としたセマンティック・リーダー・プロジェクトについて述べる。
10のプロトタイプインターフェースが開発され、300人以上の参加者と現実世界のユーザが読書体験を改善している。
本論文は,研究論文を読む際,学者と公衆の面を巡って構築する。
論文 参考訳（メタデータ） (2023-03-25T02:47:09Z) - Making Science Simple: Corpora for the Lay Summarisation of Scientific
Literature [21.440724685950443]
PLOS(大規模)とeLife(medium-scale)の2つの新しい階層化データセットを提案する。
私たちは、データセット間の可読性と抽象性の異なるレベルを強調しながら、レイサマリーの徹底的な特徴付けを提供します。
論文 参考訳（メタデータ） (2022-10-18T15:28:30Z) - 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) - Offline Reinforcement Learning: Tutorial, Review, and Perspectives on
Open Problems [108.81683598693539]
オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。
我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
論文 参考訳（メタデータ） (2020-05-04T17:00:15Z)
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。