研究者らは、Semantic Scholar Open Research Corpus (S2ORC) から数百万本の科学論文に対するセクションレベルのアノテーションデータセットを発表しました。ルールベースの分類アルゴリズムを用い、品質フィルタリング後に1560万本以上の論文における主要なセクションを特定・ラベリングしました。

  • このデータセットは主にSTEM分野をカバーしており、医学と生物学での強い代表性を示しています。
  • 検証により、分類器と人間アノテーターの合意度は、人間間のアノテーター合意度と同程度であることが示されました。
  • このリソースは、科学的文章および執筆パターンの大規模な計算的研究を可能にします。