Исследователи представляют датасет аннотаций на уровне разделов для миллионов научных статей из открытого исследовательского корпуса Semantic Scholar (S2ORC). Используя алгоритм классификации, основанный на правилах, они выявили и размечили основные разделы в 15,6 миллионах статей после фильтрации по качеству.
- Датасет охватывает преимущественно области STEM с сильным представлением медицины и биологии.
- Валидация показывает, что согласованность классификатора с человеческими аннотаторами сопоставима с межаннотаторской согласованностью людей.
- Этот ресурс позволяет проводить крупномасштабные вычислительные исследования научного дискурса и паттернов письма.