論文の概要: Survey: Understand the challenges of MachineLearning Experts using Named EntityRecognition Tools

• arxiv url: http://arxiv.org/abs/2501.16112v1
• Date: Mon, 27 Jan 2025 15:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:53:45.124950
• Title: Survey: Understand the challenges of MachineLearning Experts using Named EntityRecognition Tools
• Title（参考訳）: 調査: 名前付きエンティティ認識ツールを用いた機械学習専門家の課題を理解する
• Authors: Florian Freund, Philippe Tamla, Matthias Hemmje,
• Abstract要約: 本稿では,機械学習の専門家が名前付きエンティティ認識(NER)ツールやフレームワークを評価するために使用する基準を特定するため,Kasunicの調査手法に基づく調査を行う。 この記事は、このトピックの紹介から始まり、研究を文脈化し、科学と技術の最先端をレビューし、NERツールとフレームワークに関する専門家の調査の課題を特定する。 本研究は,調査結果と得られた知見を評価し,結論と結論をまとめたものである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents a survey based on Kasunic's survey research methodology to identify the criteria used by Machine Learning (ML) experts to evaluate Named Entity Recognition (NER) tools and frameworks. Comparison and selection of NER tools and frameworks is a critical step in leveraging NER for Information Retrieval to support the development of Clinical Practice Guidelines. In addition, this study examines the main challenges faced by ML experts when choosing suitable NER tools and frameworks. Using Nunamaker's methodology, the article begins with an introduction to the topic, contextualizes the research, reviews the state-of-the-art in science and technology, and identifies challenges for an expert survey on NER tools and frameworks. This is followed by a description of the survey's design and implementation. The paper concludes with an evaluation of the survey results and the insights gained, ending with a summary and conclusions.
• Abstract（参考訳）: 本稿では,機械学習の専門家が名前付きエンティティ認識(NER)ツールやフレームワークを評価するために使用する基準を特定するため,Kasunicの調査手法に基づく調査を行う。 NERツールとフレームワークの比較と選択は、NERを情報検索に活用して臨床実習ガイドラインの開発を支援するための重要なステップである。 さらに,MLの専門家が適切なNERツールやフレームワークを選択する際に直面する主な課題についても検討した。 Nunamaker氏の方法論を使って、この記事はトピックの紹介から始まり、研究を文脈化し、科学と技術の最先端をレビューし、NERツールとフレームワークに関する専門家の調査の課題を特定する。 これに続き、調査の設計と実施についての説明がある。 本研究は,調査結果と得られた知見を評価し,結論と結論をまとめたものである。

関連論文リスト

• Machine Learning Information Retrieval and Summarisation to Support Systematic Review on Outcomes Based Contracting [7.081184240581488]
  本稿では、高度な機械学習(ML)と自然言語処理(NLP)ツールを用いて、社会科学における体系的レビューの効率性と範囲を向上させることにより、これらの課題に対処することを目的とした研究について述べる。 特に,人間のアノテータにとって時間を要する反復的かつ反復的なシステムレビュープロセスにおいて,情報検索や専門家の助言による要約といったツールを通じて,即時スケーラビリティに寄与する段階の自動化に着目する。 この記事では、体系的なレビューに対する統合的なアプローチと、説明可能性を含む今後の改善の方向性について学んだ教訓をまとめてまとめる。
  論文  参考訳（メタデータ） (2024-12-11T17:54:01Z)
• User-centric evaluation of explainability of AI with and for humans: a comprehensive empirical study [5.775094401949666]
  この研究はHuman-Centered Artificial Intelligence (HCAI)にある。 一般的に使用されるeXplainable Artificial Intelligence (XAI)アルゴリズムのユーザ中心評価の結果に焦点を当てている。
  論文  参考訳（メタデータ） (2024-10-21T12:32:39Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Diagnostic Reasoning in Natural Language: Computational Model and Application [68.47402386668846]
  言語基底タスク(NL-DAR)の文脈における診断誘導推論(DAR)について検討する。 パール構造因果モデルに基づくNL-DARの新しいモデリングフレームワークを提案する。 得られたデータセットを用いて,NL-DARにおける人間の意思決定過程を解析する。
  論文  参考訳（メタデータ） (2024-09-09T06:55:37Z)
• Teaching Design Science as a Method for Effective Research Development [0.24578723416255752]
  デザインサイエンスリサーチ(DSR)方法論の適用は、情報システム(IS)とソフトウェア工学研究の一般的な作業資源になりつつある。 この章には、DSR、教育方法論、学習目的、レコメンデーションの例が含まれている。 我々は,デザインサイエンスのユーザ体験に関するデータ収集を目的とした調査成果を作成した。
  論文  参考訳（メタデータ） (2024-07-13T10:43:06Z)
• Systematic Mapping Protocol -- UX Design role in software development process [55.2480439325792]
  ソフトウェア開発プロセスにおけるUXデザイナの役割を調べるための体系的なマッピングプロトコルを提案する。 本研究は,地図作成に使用する研究課題,スコープ,ソース,検索戦略,選択基準,データ抽出,分析方法を定義する。
  論文  参考訳（メタデータ） (2024-02-20T16:56:46Z)
• Explainable artificial intelligence approaches for brain-computer interfaces: a review and design space [6.786321327136925]
  本稿では、Brain-Computer Interfacesに適用された説明可能な人工知能技術の統合的な視点について述べる。 Brain-Computer Interfacesは、予測モデルを使用して、様々なハイテイクアプリケーションのために脳信号を解釈する。 BCI文学におけるXAIの統合的な視点は欠如している。
  論文  参考訳（メタデータ） (2023-12-20T13:56:31Z)
• A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
  マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。 この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる 本調査では,I-CMRの3段階分類法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T05:06:48Z)
• Deep Insights of Learning based Micro Expression Recognition: A Perspective on Promises, Challenges and Research Needs [7.218497970427467]
  マイクロ表現認識(MER)の高性能化のために,Deep Learning(DL)に基づく技術が採用されている。 本稿では, ネットワークモデル設計, 実験戦略, 課題, 研究ニーズの約束を視点として, DLベースのMERフレームワークに関する深い洞察を提供することを目的とする。
  論文  参考訳（メタデータ） (2022-10-10T18:08:24Z)
• Deep Learning Schema-based Event Extraction: Literature Review and Current Trends [60.29289298349322]
  ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。 本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2021-07-05T16:32:45Z)
• AR-LSAT: Investigating Analytical Reasoning of Text [57.1542673852013]
  テキストの分析的推論の課題を研究し、1991年から2016年までのロースクール入学試験からの質問からなる新しいデータセットを紹介します。 我々は,この課題をうまくこなすために必要な知識理解と推論能力を分析する。
  論文  参考訳（メタデータ） (2021-04-14T02:53:32Z)

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。