論文の概要: Automatic selection of primary studies in systematic reviews with evolutionary rule-based classification

• arxiv url: http://arxiv.org/abs/2509.23981v1
• Date: Sun, 28 Sep 2025 17:13:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.569142
• Title: Automatic selection of primary studies in systematic reviews with evolutionary rule-based classification
• Title（参考訳）: 進化規則に基づく分類による体系的レビューにおける初等研究の自動選択
• Authors: José de la Torre-López, Aurora Ramírez, José Raúl Romero,
• Abstract要約: 我々は,論文検索プロセスから抽出した論文が関連しているかどうかを自動的に判断する進化的機械学習手法「我がモデル」を提案する。 文法を用いて文法と規則の構造を定義することにより、従来のテキスト情報と最先端の手法では考慮されていない他の文献データを簡単に組み合わせることができる。
• 参考スコア（独自算出の注目度）: 0.30586855806896035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Searching, filtering and analysing scientific literature are time-consuming tasks when performing a systematic literature review. With the rise of artificial intelligence, some steps in the review process are progressively being automated. In particular, machine learning for automatic paper selection can greatly reduce the effort required to identify relevant literature in scientific databases. We propose an evolutionary machine learning approach, called \ourmodel, to automatically determine whether a paper retrieved from a literature search process is relevant. \ourmodel builds an interpretable rule-based classifier using grammar-guided genetic programming. The use of a grammar to define the syntax and the structure of the rules allows \ourmodel to easily combine the usual textual information with other bibliometric data not considered by state-of-the-art methods. Our experiments demonstrate that it is possible to generate accurate classifiers without impairing interpretability and using configurable information sources not supported so far.
• Abstract（参考訳）: 科学的文献の検索、フィルタリング、分析は、体系的な文献レビューを行う際に時間がかかる作業である。 人工知能の台頭に伴い、レビュープロセスのいくつかのステップが徐々に自動化されている。 特に、自動紙選択のための機械学習は、科学データベースにおける関連する文献を特定するのに必要な労力を大幅に削減することができる。 本稿では,文献検索プロセスから抽出した論文が関連しているかどうかを自動的に判断する,‘ourmodel’と呼ばれる進化的機械学習手法を提案する。 \ourmodelは文法誘導型遺伝的プログラミングを用いた解釈可能なルールベースの分類器を構築する。 文法を用いて文法と規則の構造を定義することにより、通常のテキスト情報と最先端の手法で考慮されていない他の文献データを簡単に組み合わせることができる。 本実験では,解釈性に欠けることなく正確な分類器を生成でき,これまでサポートされていない構成可能な情報ソースを使用することが可能であることを示した。

関連論文リスト

• DISCERN: Decoding Systematic Errors in Natural Language for Text Classifiers [18.279429202248632]
  本稿では,テキスト分類器における系統的バイアスを言語説明を用いて解釈するフレームワークであるdisCERNを紹介する。 DISCERNは、2つの大きな言語モデル間の対話ループを用いて、体系的エラーの正確な自然言語記述を反復的に生成する。 本研究では, クラスタを例に挙げるよりも, 言語説明を通して, 系統的バイアスをより効果的に(25%以上相対的に) 効率的に解釈できることを示す。
  論文  参考訳（メタデータ） (2024-10-29T17:04:55Z)
• Evaluating Generative Ad Hoc Information Retrieval [58.800799175084286]
  生成検索システムは、しばしばクエリに対する応答として、接地された生成されたテキストを直接返す。 このような生成的アドホック検索を適切に評価するには,テキスト応答の有用性の定量化が不可欠である。
  論文  参考訳（メタデータ） (2023-11-08T14:05:00Z)
• Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
  ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。 自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。 本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
  論文  参考訳（メタデータ） (2023-07-05T20:16:20Z)
• A Framework For Refining Text Classification and Object Recognition from Academic Articles [2.699900017799093]
  現在の学術論文のデータマイニング手法はルールベース(RB)または機械学習(ML)アプローチを採用している。 我々は,機械学習とルールベースのスキームハイブリッドであるテクストブロックリファインメントフレームワーク(TBRF)を開発した。
  論文  参考訳（メタデータ） (2023-05-27T07:59:49Z)
• Detecting Text Formality: A Study of Text Classification Approaches [78.11745751651708]
  本研究は,統計的,ニューラルベース,トランスフォーマーベースの機械学習手法に基づく形式性検出手法の体系的研究を初めて行う。 単言語,多言語,言語横断の3種類の実験を行った。 本研究は,モノリンガルおよび多言語形式分類タスクのためのトランスフォーマーベースモデルに対するChar BiLSTMモデルの克服を示す。
  論文  参考訳（メタデータ） (2022-04-19T16:23:07Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)

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。