专家领域困难语篇级任务中自动标注建议的分析
计算与语言
2019-06-07 v1 人工智能
摘要
许多复杂语篇级任务可协助领域专家工作，但数据创建需要昂贵的专家标注。为加速并简化标注，我们研究此类任务中自动生成标注建议的可行性。作为示例，我们选择一个对人类和机器都特别困难的任务：诊断推理文本中认知活动的切分与分类。我们创建并发布了一个覆盖两个领域的新数据集，并仔细分析所建议的标注。我们发现建议对标注速度与表现有正向影响，且未引入显著偏差。设想建议模型能随新标注文本改进，我们对比了连续模型调整的方法，并提出了未来专家任务中建议的最有效设置。
引用
@article{arxiv.1906.02564,
title = {Analysis of Automatic Annotation Suggestions for Hard Discourse-Level Tasks in Expert Domains},
author = {Claudia Schulz and Christian M. Meyer and Jan Kiesewetter and Michael Sailer and Elisabeth Bauer and Martin R. Fischer and Frank Fischer and Iryna Gurevych},
journal= {arXiv preprint arXiv:1906.02564},
year = {2019}
}
备注
To appear in Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019)