知情机器学习、中心性、CNN、相关文献检测与原住民人类遗骸归还
计算与语言
2023-03-28 v1 人工智能
计算机与社会
信息检索
机器学习
社会与信息网络
摘要
澳大利亚及其他原住民（First Nations）人民面临的紧迫问题之一是其祖先遗体（目前保存在西方科学机构中）的归还。成功将这些遗骸寻回并交还社区重新安葬，很大程度上取决于在 1790 至 1970 年间出版的科学及其他文献中定位记录其被盗、捐赠、出售或机构间交换的信息。本文报道了数据科学家与社会科学研究者在“研究、和解、更新网络”（RRR）中的协作研究，开发并应用文本挖掘技术来识别这一重要信息。我们描述了迄今在开发基于机器学习的解决方案以自动化查找和语义分析相关文本方面的工作。已知分类模型（尤其是基于深度学习的模型）在用少量标注（即相关/不相关）文档训练时准确率较低。为提高检测模型的准确率，我们探索使用知情神经网络（INN）模型，该模型利用专家知情的上下文知识描述文献内容。仅使用少量标注文档，借助 RRR 溯源研究专家确定的概念相关关键词为模型提供特异性。结果证实了使用 INN 网络模型识别与全球原住民人类遗骸商业贸易调查相关文献的价值。实证分析表明，该 INN 模型可推广供社会科学与人文科学中希望从大型文本语料库提取相关信息的研究者使用。
引用
@article{arxiv.2303.14475,
title = {Informed Machine Learning, Centrality, CNN, Relevant Document Detection, Repatriation of Indigenous Human Remains},
author = {Md Abul Bashar and Richi Nayak and Gareth Knapman and Paul Turnbull and Cressida Fforde},
journal= {arXiv preprint arXiv:2303.14475},
year = {2023}
}
备注
Accepted Version of the Journal Article