[論文レビュー] Automatic Identification of Research Fields in Scientific Papers

Éric Kergosien, Amin Farvardin+9 more|arXiv (Cornell University)|Jun 8, 2018

Geographic Information Systems Studies参考文献 10被引用数 3

ひとこと要約

本論文は、多言語科学論文における空間的・時間的・主題的分野を自動的に同定する自然言語処理およびテキストマイニングフレームワークを提示する。ISTEX、CIRAD、ANRTの異種コーパスを標準化することで、ルールベースおよび機械学習手法を用い、空間エンティティの同定に90%の精度と60%の再現率を達成した。これにより、ウェブベースのツール（SISO）を介した地理的認識型科学文献検索が可能になった。

ABSTRACT

The TERRE-ISTEX project aims to identify scientific research dealing with specific geographical territories areas based on heterogeneous digital content available in scientific papers. The project is divided into three main work packages: (1) identification of the periods and places of empirical studies, and which reflect the publications resulting from the analyzed text samples, (2) identification of the themes which appear in these documents, and (3) development of a web-based geographical information retrieval tool (GIR). The first two actions combine Natural Language Processing patterns with text mining methods. The integration of the spatial, thematic and temporal dimensions in a GIR contributes to a better understanding of what kind of research has been carried out, of its topics and its geographical and historical coverage. Another originality of the TERRE-ISTEX project is the heterogeneous character of the corpus, including PhD theses and scientific articles from the ISTEX digital libraries and the CIRAD research center.

研究の動機と目的

• 異種の科学文献から空間的・時間的・主題的情報を抽出および標準化する手法の開発。
• 研究者が特定の地理的領域、期間、研究主題に基づいて論文を検索できるようにすること。
• セネガルおよびマダガスカルにおける気候変動研究の分野的および多分野的傾向の分析を支援すること。
• 地理的および主題的メタデータを備えたインデキシングおよびクエリ処理が可能なスケーラブルで多言語的かつ拡張可能なシステムの構築。
• ドメインスペシャリストが科学文書内の空間的・時間的・主題的エンティティを検証およびアノテートできるウェブベースのツール（SISO）の開発。

提案手法

• ISTEX、CIRAD（Agritrop）、ANRT（theses.fr）の多言語科学コーパスを統一されたデータモデルに基づき標準化。
• GATE（General Architecture for Text Engineering）を用い、ルールベースおよびパターンマッチング手法を適用して空間的・時間的・主題的エンティティを同定。
• 主題的エンティティのアノテーションにAgrovocオントロジーとオフライン照合を活用し、空間的および時間的特徴にはカスタムレキシコンを用いた。
• SISOウェブアプリケーションを開発し、コーパスのアップロード、可視化、修正、XML/MODS形式でのエクスポートを可能にした。
• アノテート済みコーパスからの効率的インデキシングおよび地理的情報検索を実現するため、LuceneベースのElasticsearchを統合した。
• 140件の手動アノテート済み文書を用いた評価で、空間エンティティアノテーションの精度が78%に達した。600件の論文についても継続的な評価が進行中。

実験結果

リサーチクエスチョン

• RQ1 異種で多言語の科学論文から、空間的・時間的・主題的情報を自動的に抽出する方法は何か？
• RQ2 ルールベースのNLP手法は、科学文献における地理的場所および研究主題を同定する際に、どの程度のパフォーマンスを示すか？
• RQ3 ウェブベースのアノテーションおよび検証システム（SISO）は、ドメインスペシャリストが大規模な科学コーパスをキュレートするのを効果的に支援できるか？
• RQ4 標準化されたメタデータおよび意味的オントロジーの統合は、科学文献における地理的情報検索をどの程度向上させるか？
• RQ5 機械学習は、科学的テキストにおける空間エンティティの曖昧除去（例：国と組織を区別する）をどの程度向上させられるか？

主な発見

• 10件の英語論文コーパスにおいて、空間エンティティアノテーションの精度が90%、再現率が60%に達した。140件の手動評価でも78%の精度を達成した。
• 8,500件のドキュメント処理パイプライン全体に16,105秒（1件あたり約1.9秒）を要し、スケーラビリティを実証した。
• SISOウェブアプリケーションにより、XML/MODS形式でのアノテート済みコーパスの可視化、修正、エクスポートが効率的に行えるようになった。
• Agrovocオントロジーおよびカスタムレキシコンの統合により、農業および環境分野の主題的エンティティアノテーションが向上した。
• Elasticsearchによるインデキシングの活用により、大規模コーパスにおける地理的および主題的検索が効率的に行えるようになり、地理的情報検索（GIR）システムの構築を支援した。
• 今後の課題として、空間エンティティの曖昧除去を向上させるために機械学習（SVMベースのモデル）を統合する予定であり、ISO-Spaceモデルとの比較も計画中である。