ISSN 2071-8594

Российская академия наук

Главный редактор

Академик С. В. Емельянов

Д.А. Девяткин, Ю.М. Кузнецова, Н.В. Чудова "Методы автоматического выявления ментальных действий в текстах научных публикаций. Часть I"

Аннотация.

В работе показаны результаты исследования методов автоматического выделения ментальной схемы научных текстов. Рассмотрено понятие ментального действия и проанализирована проблема представленности в тексте ментальных действий и ментальных операций Изложены основания выбора схемы категоризации ментальных действий, используемой в предлагаемом подходе. Описаны разработанные методы автоматического выявления ментальных действий на основе сбора данных об использованных ментальных операциях и произведена их экспериментальная оценка.

Ключевые слова:

научный текст, ментальные действия, ментальная схема научного текста, реляционно-ситуационный анализ.

Стр. 36-46.

Литература

1. Философия. Под ред. Ю.А.Харина. Минск: ТетраСистемс. 2000.
2. Кислов Б.А. О специфике научного метода // Известия ИГЭА. 2004. № 3. С.86-89.
3. Шнякина Н.Ю. Ситуация познания запаха в языковых структурах (субъект – объект – познавательное действие) // Вестник ИГЛУ. 2013. №4 (25). С.121-128.
4. Галич Г.Г. Когнитивные стратегии и языковые структуры. Омск: Изд-во Ом. гос. ун-та, 2011.
5. Червоный А.М. Опыт реконструкции фразеосемантического поля ментальных действий человека на материале французского языка) // Вестник Таганрогского института имени А.П. Чехова. 2016. №2 С.187-193.
6. Баженова Е.А. Стилистико-речевая организация научного текста // Стил. Београд, 2003. № 2. С. 129–141.
7. Баженова Е.А. Прагматические единицы научного текста // http://philologicalstudies.org/dokumenti/2007/vol2/20.pdf
8. Котюрова М.П., Баженова Е.А. Культура научной речи: текст и его редактирование. 2-е изд. М.: Флинта: Наука. 2008.
9. Салимовский В.А. Жанры речи в функционально-стилистическом освещение: Русский научный академический текст. Дисс. … докт.филол.наук. Екатеринбург. 2002.
10. Teufel S., Carletta J., Moens M. An annotation scheme for discourse-level argumentation in research articles //Proceedings of the ninth conference on European chapter of the Association for Computational Linguistics. – Association for Computational Linguistics, 1999. P. 110-117.
11. Kirschner C., Eckle-Kohler J., Gurevych I. Linking the thoughts: Analysis of argumentation structures in scientific publications //Proceedings of the 2nd Workshop on Argumentation Mining. 2015. С. 1-11.
12. Liakata M. et al. Corpora for the Conceptualisation and Zoning of Scientific Papers //LREC. – 2010.
13. Guo Y., Reichart R., Korhonen A. Improved Information Structure Analysis of Scientific Documents Through Discourse and Lexical Constraints //HLT-NAACL. 2013. С. 928-937.
14. Liakata M. et al. Automatic recognition of conceptualization zones in scientific articles and two life science applications //Bioinformatics. 2012. Vol. 28. No. 7. P. 991-1000.
15. Liu H. Automatic Argumentative-Zoning Using Word2vec //arXiv preprint arXiv:1703.10152. 2017.
16. Osipov G. et al. Relational-situational method for intelligent search and analysis of scientific publications //Proceedings of the Integrating IR Technologies for Professional Search Workshop. 2013. С. 57-64.
17. Bojanowski P., Grave E., Joulin A., Mikolov T. Enriching Word Vectors with Subword Information, arXiv:1607.04606, 2016, unpublished.
18. Осипов Г.С., Девяткин Д.А., Кузнецова Ю.М, Швец А.В. Возможности интеллектуального анализа научных текстов на основе построения когнитивной модели научного текста // Искусственный интеллект и принятие решений (в печати).
19. Chung J. et al. Empirical evaluation of gated recurrent neural networks on sequence modeling //arXiv preprint arXiv:1412.3555. 2014.
20. Bridle J. S. Probabilistic interpretation of feedforward classification network outputs, with relationships to statistical pattern recognition //Neurocomputing. – Springer Berlin Heidelberg, 1990. С. 227-236.
21. Zhou Z. H. Ensemble methods: foundations and algorithms. CRC press, 2012.22. Okazaki N. CRFsuite: a fast implementation of conditional random fields (CRFs). 2007.
23. Breiman L. Random forests //Machine learning. 2001. Т. 45. №. 1. С. 5-32.
24. Pedregosa F. et al. Scikit-learn: Machine learning in Python //Journal of Machine Learning Research. 2011. Т. 12. №. Oct. С. 2825-2830.
25. Kohavi R. et al. A study of cross-validation and bootstrap for accuracy estimation and model selection //Ijcai. 1995. Vol. 14(2). p. 1137-1145.
26. Flach P. Machine learning: the art and science of algorithms that make sense of data. – Cambridge University Press. 2012.