研究発表

This study investigated the contribution of dataset reuse to the diversity of research areas using articles that reused datasets. The Framingham Heart Study (FHS) and Atherosclerosis Risk in Communities Study (ARIC), which are widely used in life sciences, were selected as samples. Disease names in the articles that reused these datasets were extracted based on Medical Subject Headings (MeSH) descriptors. The frequencies of disease names were examined from the 1950s for FHS and the 1980s for ARIC. The amount of “cardiovascular diseases” research was decreasing, while that of “pathological conditions, signs, and symptoms” was increasing from the beginning. The Herfindahl-Hirschman Index (HHI) scores, which are an index of diversity, were calculated based on disease names; these scores indicate that research areas have diversified over time. This study found the HHI and MeSH descriptors could be used to measure the contribution of dataset reuse to the diversity of research areas.

書名だけでなく目次や帯情報を用いて，図書を日本十進分類法の分類カテゴリに自動分類する実験を行った。分類手法には，相対出現率と相互情報量にもとづく重み付けとSupport Vector Machine(SVM)による手法を用いた。「BOOK」データベースとNII-CATデータを統合した24 000件を用いて学習させたところ，重み付けに相対出現率と相互情報量を用いた場合は，書名に加えて目次と帯情報を用いた場合の効果が認められた。また，機械学習手法よりも，統計的手法のほうが有効であった。分類カテゴリの分野ごとの再現率を調べたところ，分野によって再現率に大きな差があった。さらに，帯情報などが有効な分野もあり，書名，目次，帯を用いた効果が分野ごとに異なることが明らかになった。In this paper, we describe methods of classifying Japan MARC records to class number of Nippon Decimal Classification. We compare the performance of three categorization method, based on mutual information(MI), relative frequency and SVM. In each method, training data are title and table of contents and blurb on the flap in Japan MARC records. The experimental results show that the best performance is MI using title and table of contents and OBI, but other methods are not. In failure analysis, we found the performance depends on subject of class number.

コレクション : 国立国会図書館デジタルコレクション > 電子書籍・電子雑誌 > 学術機関 > 学協会

機械学習におけるテキスト分類実験を行うためには、予め判定されたテストコレクションを必要とする。しかしながら、ラベル付きデータの作成については、その多大なコストの問題がしばしば指摘されてきた。本研究では、ウェブから日本語学術論文 PDF ファイルを自動的に判別・収集することを目的として、20 000件のラベル付きデータを学習集合とし、およそ 52 万件のラベルなしデータを実験集合とした自動判別実験を行った。また、複数の分類アルゴリズムによって学術論文であると判定されたファイルをプーリングすることによって、各々の手法の性能比較を行った。その結果、本実験環境におけるプーリング手怯の有効性が示された。In machine learning study, we need to prepare test collections for conducting text categorization experiments. However, it has been frequently pointed out that constructing labeled data set is expensive and / or time-consuming. The purpose of this study is automatically identifying and collecting academic articles in Japanese PDF files on the Web. Then, we conducted the automatic detecting experiment using pooling method and compared the performance of various classifiers. Results confirmed applicability and usefulness of pooling method in this experimental environment.