Sentiment analysis with Hierarchical Attention Topic Aware Hierarchical Multi-Attention Network using citation sentences

כשחוקר מצטט עבודה של מישהו אחר, הוא לא תמיד מחמיא לה. לעיתים הציטוט הוא שבח גלוי, ולעיתים הוא ביקורת מוסתרת היטב, שמסתתרת בניסוח זהיר או בקביעה שנשמעת ניטרלית. במשך שנים נמדדה חשיבותו של מאמר בעיקר לפי מספר הציטוטים שקיבל, אבל ספירה כזו אינה מבדילה בין הערכה, התנגדות ואדישות. מכאן עולה שאלה מסקרנת: האם מכונה יכולה ללמוד לקרוא את הטון שמאחורי משפט ציטוט אקדמי, כולל הניואנסים העדינים שגם קורא אנושי מתקשה לפעמים לזהות?

החוקרים בחנו שאלה זו באמצעות מודל למידה עמוקה חדש, שנועד לתפוס גם את המבנה ההיררכי של הטקסט וגם את הסמנטיקה הייחודית לתחום המדעי. המודל משלב רכיבים שונים של מנגנוני קשב, ובמקביל נשען על עיבוד מקדים שכולל פירוק המשפטים ליחידות קטנות, זיהוי מונחי מפתח בכל משפט והפקת מאפיינים לשוניים כמו שלילה, פיסוק ומבנה המשפט. את ביצועיו בדקו על שני מאגרים גדולים של משפטי ציטוט מתויגים, והשוו אותם לשורה של שיטות מתקדמות מוכרות. הם גם בדקו מה קורה כשמסירים מהמודל רכיבים אחד אחד, כדי להבין מה בדיוק תורם ליכולת שלו.

המאמר מעניין את כל מי שמתעניין באופן שבו מדענים מדברים זה על זה, בכלים לחיפוש אקדמי ובשאלה עד כמה אפשר ללמד מחשב להבין רמזים עדינים בשפה.