使用深度学习分析铁路事故叙述
本研究通过文本挖掘分析探索交通事故叙述，旨在为交通安全政策的制定和提升提供信息支持。该研究采用文本挖掘技术来揭示叙述中的关键主题和趋势，以深入了解交通事故的影响因素。研究收集了约旦五条重要高速公路的事故数据，涵盖了 2018 年至 2022 年的 7,587 条记录。采用无监督学习方法从事故数据中学习模式，同时运用主题建模、关键词提取和词共现网络等文本挖掘技术揭示了事故模式的共现情况。结果表明，文本挖掘分析是一种有前景的方法，强调了交通事故的多因素性质，包括人类决策与车辆状况的交织。所有分析中的反复主题突显了采取平衡的道路安全方法的重要性，融合积极和消极的措施。重视驾驶员教育和关于动物相关事件的意识是至关重要的。
Jun, 2024
本文介绍了一种从核运营许可证事件报告中检测和提取因果关系的混合框架，贡献包括：（1）编制了一份包含 20,129 个文本样本用于因果关系分析的 LER 语料库，（2）开发了一个交互式工具用于标记因果关系对，（3）建立了一个基于深度学习的因果关系检测方法，和（4）开发了一种基于知识的因果关系提取方法。
Apr, 2024
该研究针对医疗领域中的自然语言处理技术应用挑战，提出了一种通过转移学习来改进死因分类任务的方法，实验结果表明，将病程记录的文本信息作为特征来结合分类任务，可以有效提高死因诊断准确性。
Oct, 2022
提出一种基于时间序列的 Granger 因果关系并结合文本数据进行因果关系的提取，建立事实间的因果联系，使用神经元的推理算法训练常识因果关系对下一个因果步骤的预测，并取得了实验证据支持该方法从时间序列文本特征中提取有意义的因果联系并生成适当解释
Jul, 2017
通过使用事件分类法以及 BERT 中的分层注意模块，可以更准确地识别事故报告中的事件，并且该方法在细粒度预测准确性上有所提高，并且对于罕见事件的识别问题有益处。
Mar, 2024
本文探讨了自然语言处理方法在支持航空安全事件报告分析方面的应用，并提出使用基于转换器的分类器、主题建模和文本摘要模型等方法实现自动化的事件报告标记和概括生成。实验结果表明这些方法可以有效帮助分析出安全事件报告中的关键主题和潜在原因。
Jan, 2023
本文提供了一个注释指南并开发出一个带有基线分数的注释语料库来识别生物医学概念之间在医疗笔记中的暗示或明确的因果关系。在医疗文本中高度的评分一致性显示了我们注释指南的质量，而提供的基线 F1 分数则为未来研究向理解医疗文本中的叙述走向奠定了方向。
Oct, 2021
本研究在大规模交通事故语言数据集 CrashEvent 的基础上，利用大型语言模型 CrashLLM 提出了一种新的交通事故特征学习方法，从复杂的、非结构化数据中解析和学习，预测交通事故的类型、严重程度和受伤人数，并通过学习的推理特征为交通安全分析提供有价值的洞见。
Jun, 2024
本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件，通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。
Aug, 2017