SciDMT 是目前最大的科学实体提及检测语料库，它包含 48,000 篇科学文章、180 万个弱标注的提及标注以及 100 篇手动注释用于评估的科学文章。通过与 SciBERT 和 GPT-3.5 等先进深度学习架构的实验，我们演示了该语料库的实用性，确立了性能基线并突出了科学实体提及检测中未解决的挑战。SciDMT 为研究界提供了一个坚实的基准，鼓励开发创新模型，进一步推动科学信息提取领域的发展。

Jun, 2024

本文提出了一种基于 TDMS-IE 框架的自动提取 NLP 论文中任务、数据集、评价指标和得分来自动构建排行榜的方法，实验表明该模型表现优于几个对比算法，是自动构建排行榜的第一步。

Jun, 2019

利用机器学习技术构建针对科学文献的目标数据集工具，并通过主题建模进行文献综述，应用于机器学习领域。

Sep, 2023

本研究提出了一个多任务学习框架 SciIE 来识别、分类科学文章中的实体、关系和共指链接，并使用跨句子的共指链接来减少任务之间的级联错误。在科学信息提取方面，多任务模型效果优于以往模型，同时支持构建科学知识图谱分析科学文献。

Aug, 2018

该研究介绍了 DMDD 数据集，它是目前用于科学文献数据集命名检测的最大公开语料库。通过对不同检测模型在 DMDD 上的表现进行分析，研究发现了数据集命名检测方面的一些问题，邀请社区使用该数据集开发新的检测模型。

May, 2023

从科学论文中提取关键信息有助于研究人员提高工作效率并加快科学进展的速度。在过去几年里，科学信息提取（SciIE）的研究见证了数个新系统和基准的发布。然而，现有以论文为中心的数据集主要只关注论文的特定部分（例如摘要），且为单模态（即只有文本或表格），这是因为处理复杂性和高昂的注释费用所导致。此外，核心信息可能存在于文本或表格中，或者跨越二者。为弥补这一数据可用性的差距并实现跨模态信息提取，同时减轻标注成本，我们提出了一个半监督的流程，用于迭代地对文本中的实体、以及表格中的实体和关系进行注释。基于此流程，我们为科学界提供了一些新资源，包括一个高质量的基准、一个大型语料库和一个半监督的注释流程。我们进一步报告了最先进的信息提取模型在提出的基准数据集上的性能作为一个基准。最后，我们探索了像 ChatGPT 这样的大型语言模型在当前任务中的潜在能力。我们的新数据集、结果和分析验证了半监督流程的有效性和效率，同时我们也讨论了其剩余的局限性。

Nov, 2023

数据集在科学发现过程中的组织和应用至关重要，也应该成为任何知识密集型过程中的一等公民，并且应该引起人们对数据集生命周期的重视和关注，尤其是在使用人工智能方法来探索科学知识时。

Mar, 2023

命名实体识别（NER）模型在各种自然语言处理（NLP）任务中起着关键作用，包括信息抽取（IE）和文本理解。在学术写作中，对机器学习模型和数据集的引用是各种计算机科学出版物的基本组成部分，并需要准确的模型识别。尽管 NER 取得了进展，但现有的真实数据集未将细粒度类型（如 ML 模型和模型架构）视为单独的实体类型，因此基准模型无法识别它们。本文发布了一个包含 100 个手动注释的全文科学出版物的语料库，并提供了一个围绕 ML 模型和数据集的 10 种实体类型的基准模型。为了提供对 ML 模型和数据集如何被提及和利用的细致理解，我们的数据集还包含了与非正式提及相关的注释，例如 “我们的 BERT 模型” 或 “图像 CNN”。您可以在此 https URL 找到真实的数据集和代码以复制模型训练。

Nov, 2023

本文旨在通过针对 10 个不同学科的 STEM 论文提供的一个大规模结构数据集分析研究，分析一个大型多学科语料库的可行性，进而为科学知识的各个方面提供总结。

May, 2022

提供了一个包含 50 篇开放获取文章的新数据集 MuLMS，跨越了材料科学的七个子领域，通过多任务训练与相关资源结合，展示了适用于所有任务的竞争神经模型的效果。

Oct, 2023