เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การรู้จำหน่วยคำนาม (Named Entity Recognition - NER)× | การทำเหมืองข้อความเชิงวิทยาศาสตร์× | |
|---|---|---|
| สาขาวิชา | การทำเหมืองข้อความ | การทำเหมืองข้อความ |
| ตระกูล | Process / pipeline | Process / pipeline |
| ปีกำเนิด≠ | — | 2019–2020 (modern transformer era); roots in earlier computational linguistics |
| ผู้ริเริ่ม≠ | — | Community-developed; SciBERT (Beltagy et al., 2019) and SPECTER (Cohan et al., 2020) are landmark models |
| ประเภท≠ | NLP sequence-labelling task | NLP pipeline for scientific literature |
| แหล่งต้นตำรับ≠ | Nadeau, D. & Sekine, S. (2007). A survey of named entity recognition. Lingvisticae Investigationes. link ↗ | Beltagy, I., Lo, K., & Cohan, A. (2019). SciBERT: A Pretrained Language Model for Scientific Text. EMNLP 2019. link ↗ |
| ชื่อเรียกอื่น≠ | NER, entity tagging, Adlandırılmış Varlık Tanıma (NER) | Bilimsel Metin Madenciliği, scholarly NLP, academic text mining, scientific literature mining |
| ที่เกี่ยวข้อง≠ | 3 | 4 |
| สรุป≠ | Named entity recognition (NER) is a natural-language-processing task that automatically detects and labels entities in text — such as people, organisations, locations, and dates. Surveyed by Nadeau and Sekine (2007) and later advanced with neural architectures by Lample et al. (2016), it turns free-running text into tagged spans that downstream tools can use. | Scientific text mining is a natural-language-processing pipeline applied to academic literature. Grounded in domain-specific pretrained models such as SciBERT (Beltagy et al., 2019) and SPECTER (Cohan et al., 2020), it automatically extracts hypotheses, methodologies, findings, and scholarly contributions from full-text papers or abstracts, enabling systematic review automation, research-trend analysis, and science mapping at scale. |
| ScholarGateชุดข้อมูล ↗ |
|
|