Dataset skala besar dari bagian retorika makalah ilmiah yang diklasifikasikan secara otomatis

Para peneliti menyajikan dataset anotasi tingkat bagian untuk jutaan makalah ilmiah dari Semantic Scholar Open Research Corpus (S2ORC). Menggunakan algoritma klasifikasi berbasis aturan, mereka mengidentifikasi dan memberi label bagian utama di 15,6 juta makalah setelah penyaringan kualitas.

• Dataset ini terutama mencakup disiplin STEM dengan representasi kuat dalam kedokteran dan biologi.
• Validasi menunjukkan kesepakatan pengklasifikasi dengan anotator manusia setara dengan kesepakatan antar-anotator manusia.
• Sumber daya ini memungkinkan studi komputasi skala besar tentang wacana ilmiah dan pola penulisan.