ترغب بنشر مسار تعليمي؟ اضغط هنا

تحليل تعلم المناهج الدراسية لتحليل المعنويات على طول صعوبة المهمة، ومحاويات التصور

Analyzing Curriculum Learning for Sentiment Analysis along Task Difficulty, Pacing and Visualization Axes

320   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

في حين أن التعلم المناهج الدراسي (CL) حصل مؤخرا على الجر في مهام معالجة اللغة الطبيعية، فإنه لا يزال غير محروم بشكل مناسب. تعمل سابقا على إظهار فعاليتها فقط ولكن تفشل في شرح وتفسير الأعمال الداخلية بالكامل. في هذه الورقة، نقوم بتحليل تعلم المناهج الدراسية في تحليل المعنويات على طول محاور متعددة. تم اقتراح بعض هذه المحاور بواسطة الأعمال السابقة التي تحتاج إلى دراسة أكثر متعمقة. يتطلب هذا التحليل فهم حيث يعمل تعلم المناهج وأين لا يفعل ذلك. تشمل محاور التحليل لدينا صعوبة المهمة على CL، ومقارنة تقنيات سرعة CL، والتحليل النوعي من خلال تصور حركة نتائج الاهتمام في النموذج باعتباره مراحل المناهج الدراسية التقدم. نجد أن تعلم المناهج الدراسية يعمل بشكل أفضل للمهام الصعبة وقد يؤدي حتى إلى انخفاض في الأداء للمهام ذات الأداء الأعلى دون تعلم المناهج الدراسية. نرى أن استراتيجيات المناهج القصيرة المريحة تعاني من تصور حركة النسيان والانتباه بالكارثي داخل سرعة المناهج. هذا يدل على أن تعلم المناهج الدراسية ينهار المهمة الرئيسية الصعبة في مهام فرعية أسهل تم حلها بالتتابع.



المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

تحقق هذه الورقة وتكشف عن العلاقة بين اثنين من التخصصات المتعلقة بآلات التعلم عن كثب، وهي التعلم النشط (AL) وتعلم المناهج الدراسية (CL)، من عدسة العديد من المناهج الرواية.تقدم هذه الورقة أيضا التعلم المناهج الدراسية النشطة (ACL) الذي يحسن AL من خلال ا لجمع بين آل مع CL للاستفادة من الطبيعة الديناميكية لمفهوم المعلومات وكذلك الأفكار البشرية المستخدمة في تصميم الاستدلال المناهج الدراسية.تعرض مقارنة أداء ACL و AL على مجموعة بيانات عامين لمهمة التعرف على الكيان المسماة (NER) فعالية الجمع بين آل و CL باستخدام إطار عملنا المقترح.
غالبا ما تفشل أنظمة الترجمة الآلية في الحفاظ على خصائص أسلوبية وبراغمية مختلفة لنص المصدر (E.G. المشاعر والمشاعر والسمات الجنسانية وغيرها) إلى الهدف وخاصة في سيناريو منخفض الموارد. يمكن أن تؤثر هذه الخسارة على أداء أي مهمة معالجة اللغة الطبيعية المصب (NLP) ومثل تحليل المعرفات وهذا يعتمد بشدة على إخراج أنظمة MT. أصبحت القابلية للإصابة بفقدان القطبية أكثر شدة عندما يعمل نظام MT لترجمة محتوى مصدر يفتقر إلى بنية لغة شرعية (على سبيل المثال نص المراجعة). لذلك، يجب أن نجد طرقا لتقليل الآثار غير المرغوب فيها لتفقد المعنويات في الترجمة دون المساومة مع الكفاية. في عملنا الحالي، نقدم إطارا عميقا لتعليم التعلم (RL) مع التعلم من المناهج الدراسية (وفقا لصعوبات المكافأة) لضبط معايير نظام MT العصبي المدرب مسبقا بحيث الترجمة التي تم إنشاؤها يقوم بنجاح بترميز المعنويات الأساسية للمصدر دون المساس بالكفاية على عكس الأساليب السابقة. نقوم بتقييم أسلوبنا المقترح على مجموعات البيانات المراجعة باللغة الإنجليزية - الهندية والفرنسية - الإنجليزية (مجال مطعم) ووجدت أن طريقتنا تجلب تحسنا كبيرا على العديد من خطوط الأساس في مهام الترجمة الآلية وتصنيف المعنويات.
تقدم هذه الورقة المهمة المشتركة 2021 على تحليل المشاعر الأبعاد للنصوص التعليمية التي تسعى إلى تحديد درجة المعنويات ذات القيمة الحقيقية لتعليقات التقييم الذاتي كتبها الطلاب الصينيين في كل من التكافؤ والأبعاد الإثراية.يمثل Valence درجة المشاعر اللطيفة وغير السارة (أو الإيجابية والسلبية)، وتمثل الإثريات درجة الإثارة والهدوء.من بين 7 فرق مسجلة لهذه المهمة المشتركة لتحليل المعنويات ثنائي الأبعاد، 6 نتائج مقدمة.نتوقع أن تنتج حملة التقييم هذه تقنيات تحليل المعنويات الأبعاد أكثر تقدما للمجال التعليمي.يتم إجراء جميع مجموعات البيانات مع معايير الذهب وتسجيل البرنامج النصي متاحا للباحثين.
تحليل المعنويات الفئة في الأساس (ACSA)، والتي تهدف إلى تحديد أساور المشاعر المحبوبة من فئات الارتفاع المناقشات في مراجعات المستخدمين. ACSA صعبة ومكلفة عند إجراءها في تطبيقات عالمية حقيقية، والتي ترجع بشكل رئيسي إلى الأسباب التالية: 1.) وعلم بيانات AC SA الفاخرة غالبا ما تكون كثيفة العمالة. 2.) سيتم تحديث فئات الارتفاع بشكل ديناميكي وتعديلها بتطوير سيناريوهات التطبيق، مما يعني أن البيانات يجب أن تنعيم بشكل متكرر. 3.) نظرا لزيادة فئات الارتفاع، يجب إعادة تدريب النموذج بشكل متكرر للتكيف السريع مع بيانات فئة الجانب الإضافية حديثا. للتغلب على المشكلات المذكورة أعلاه، نقدم نهجا جديدا للتعلم من التعلم متعددة المهام (MMTL)، هذه المهام ACSA بمثابة مشكلة في التعلم التلوي (أي فيما يتعلق بمشاكل تصنيف قطباء القطبية في الفئة في الفئة مثل المهام التدريبية المختلفة لل meta - التعلم) لتعلم تهيئة مثالية وقابلة للتخصيرة نموذج التعلم متعدد المهام التي يمكن تكييفها مع مهام ACSA الجديدة بكفاءة وفعالية. تشير نتائج التجربة إلى أن النهج المقترح يتفوق بشكل كبير على النموذج الأساسي القائم على المحولات القائم على المحولات القوية مسبقا، خاصة، في حالة وجود بيانات تدريبية على غرامة أقل وصفها.
نحن نستخدم محولات Macbert وضبطها بشكل جيد على المهام المشتركة Rocling-2021 باستخدام بيانات CVAT و CVAS.قارنا أداء ماكبيرت مع اثنين من المحولاتين الآخرين وروبرتا في الأبعاد الإثارة، على التوالي.تم استخدام معامل ماي والارتباط (ص) كمقاييس التقييم.على مج موعة اختبار Rocling-2021، يحقق نموذج Macbert المستخدم الخاص بنا 0.611 من MAE و 0.904 من R في أبعاد التكافؤ؛و 0.938 من ماي و 0.549 من ص في البعد الإثرا.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا