So sánh phương pháp
Xem các phương pháp đã chọn cạnh nhau; những hàng khác biệt được làm nổi bật.
| Nhận dạng thực thể có tên (NER)× | Khai thác văn bản khoa học× | |
|---|---|---|
| Lĩnh vực | Khai phá văn bản | Khai phá văn bản |
| Họ | Process / pipeline | Process / pipeline |
| Năm ra đời≠ | — | 2019–2020 (modern transformer era); roots in earlier computational linguistics |
| Người khởi xướng≠ | — | Community-developed; SciBERT (Beltagy et al., 2019) and SPECTER (Cohan et al., 2020) are landmark models |
| Loại≠ | NLP sequence-labelling task | NLP pipeline for scientific literature |
| Công trình gốc≠ | 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 ↗ |
| Tên gọi khác≠ | NER, entity tagging, Adlandırılmış Varlık Tanıma (NER) | Bilimsel Metin Madenciliği, scholarly NLP, academic text mining, scientific literature mining |
| Liên quan≠ | 3 | 4 |
| Tóm tắt≠ | 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. |
| ScholarGateBộ dữ liệu ↗ |
|
|