Jul, 2023

MuLMS-AZ：材料科学领域的论证分区数据集

PDF
TL;DR本研究基于科学出版物的常规修辞结构，将辩证区域的分类扩展到材料科学研究领域，并提出并发布了一个新的数据集，该数据集具有材料科学为中心的多标签注释方案，实验结果表明，使用特定领域的预训练基于 transformer 的文本编码器对高分类性能至关重要。
scientific publicationsargumentative zonematerials science researchdatasettext encoders
发现论文，激发创造
  • MuLMS: 材料科学领域信息提取的多层注释文本语料库

    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

  • 针对法律摘要的论证段落增强

    本文利用命题分析和法律 argumentative scheme 结合创建法律 argumentative segments，采用 GPT-3.5 生成 argumentative segments 的 summary，评估表明我们的方法更准确地生成高质量 argumentative summaries。

    Jul, 2023

  • 基于 Transformer 的自动辨识论述关系模型：跨领域评估

    该研究使用了 US2016 辩论语料库来训练基于 Transformer 模型的种类，以推测不同参数下论据的关系，最终在五个不同领域中评价模型的性能，得出了极高的 F1 得分，并确定了相对不依赖特定领域的模型。

    Nov, 2020

  • 上下文至关重要：一种针对科学教育预训练语言模型的策略

    本研究旨在提高科学教育中学生答案自动评分的性能。使用科学教育数据预训练特定领域的语言模型可以提高性能，并在将来自动化科学教育任务方面具有潜在的普适性。

    Jan, 2023

  • 基于代理的从科学文献中学习材料数据集

    通过使用大型语言模型（LLMs）创建化学家 AI 代理程序，本研究克服了通过自动创建从自然语言文本中提取结构化数据集所面临的质量和一致性问题、可扩展性限制、以及人为错误和偏见的风险，进而简化了各种材料发现应用的机器学习数据集的编制，以及对自然语言处理工具的易用性提升。

    Dec, 2023

  • 医学领域跨语言论证挖掘

    通过将英文数据翻译并投影到目标语言（西班牙语）的方法，我们有效地生成了无需手动干预的带注释数据，并证明了其优于使用大型屏蔽多语言语言模型的零 - shot 跨语言方法。同时，我们还展示了西班牙语中自动生成的数据如何用于改善英语评估设置中的结果。

    Jan, 2023

  • 你站在哪一边？一项用于端对端论点摘要和评估的多任务数据集

    通过引入一个涵盖辩论中各项任务的论证挖掘数据集，我们评估了多种生成基准模型，并发现虽然它们在个别任务上表现出有希望的结果，但在全部任务上的整体性能明显下降，这对于我们提出的数据集提出了挑战，需要进一步研究端到端的论证挖掘和概括。

    Jun, 2024

  • 一种自然语言中识别论证结构的双阶段方法

    提出了一种从自然语言文本中提取论点结构的新方法，其包括评分分配和结构预测两个阶段，评分分配阶段使用不同的训练策略和词嵌入特征对各种关系进行分类，最终预测出最佳结构，实验表明该方法表现优于基线系统。

    Dec, 2016

  • 科学出版物上的全文论证挖掘

    通过序列管道模型将学术论证挖掘中的 argumentative discourse unit recognition 和 argumentative relation extraction 组合起来， 并提出了预训练语言模型用于学术文本挖掘的方法，取得了新的最佳表现，并对数据注释方面的一致性进行了分析。

    Oct, 2022

  • 青少年论辩写作的探究研究：一种基于 Transformer 的方法

    本研究探讨了中学生的论证批判写作，发现基于 BERT 模型的架构完成大学层次的论证批判任务效果要比基于领域知识的词汇和语篇特征的模型更好，且分析表明尽管孩子的写作没有成熟的论证文章的标准话语结构，却与成熟的作家分享基本的本地序列结构。

    Jun, 2020