Opis projektu
Przełomowy model do automatycznej analizy związków między tekstami
Przetwarzanie języka naturalnego (NLP) nie umożliwia analizy subtelnych zależności między tekstami – zależności intertekstualnych. Jest to kluczowy kamień milowy dla sztucznej inteligencji, ponieważ pozwoliłby na analizowanie pochodzenia i ewolucji tekstów i pomysłów oraz stworzyłby nowe zastosowania sztucznej inteligencji do współpracy opartej na tekstach, od edukacji po biznes. Projekt InterText, finansowany przez Europejską Radę ds. Badań Naukowych, ma na celu stworzenie pierwszego w historii modelu badania intertekstualności w NLP. Zespół InterText będzie rozwijać koncepcyjne i stosowane modele i zestawy danych do badania komentarzy tekstowych, łączenia treści i oznaczania wersji dokumentów. Modele zostaną ocenione w dwóch studiach przypadku obejmujących recenzję naukową i obalanie teorii spiskowych.
Cel
Interpreting text in the context of other texts is very hard: it requires understanding the fine-grained semantic relationships between documents called intertextual relationships. This is critical in many areas of human activity, including research, business, journalism, and others. However, finding and interpreting intertextual relationships and tracing information throughout heterogeneous sources remains a tedious manual task. Natural language processing (NLP) fails to adequately support it: mainstream NLP considers texts as static, isolated entities, and existing approaches to cross-document understanding focus on narrow use cases and lack a common, theoretical foundation. Data is scarce and difficult to create, and the field lacks a principled framework for modelling intertextuality.
InterText breaks new ground by proposing the first general framework for studying intertextuality in NLP. We instantiate our framework in three intertextuality types: inline commentary, implicit linking, and semantic versioning. We produce new datasets and generalizable models for each of them. Rather than treating text as a sequence of words, we introduce a new data model that naturally reflects document structure and cross-document relationships. We use this data model to create novel, intertextuality-aware neural representations of text. While prior work ignores similarities between different types of intertextuality, we target their synergies. Thus, we offer solutions that scale to a wide range of tasks and across domains. To enable modular and efficient transfer learning, we propose new document-level adapter-based architectures. We investigate integrative properties of our framework in two case studies: academic peer review and conspiracy theory debunking. InterText creates a solid research platform for intertextuality-aware NLP crucial for managing the dynamic, interconnected digital discourse of today.
Dziedzina nauki
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
HORIZON-AG - HORIZON Action Grant Budget-BasedInstytucja przyjmująca
64289 Darmstadt
Niemcy