PulseAugur
中
实时 10:30:01
English(EN) Research Entity Extraction and Topic Detection from UKRI Grant Proposals

Mistral和GPT-4o在UKRI资助提案分析中优于DSIT-Taxonomies · 跟踪2个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

一篇新的研究论文详细介绍了一个项目，该项目比较了三种大型语言模型（LLM）分析UKRI资助提案的方法。研究发现，Mistral和GPT-4o在提取研究实体方面表现相当，显著优于定制的DSIT-Taxonomies算法。基于Mistral的方法在主题分类准确率上也达到了90.5%，而DSIT-Taxonomies流程的准确率为71.4%，这表明Mistral是分析敏感资助数据的有效工具。 AI

影响 Mistral和GPT-4o在资助提案的实体提取和主题分类方面表现强劲，预示着高效分析敏感研究数据的潜力。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了LLM方法在特定任务上的比较研究。

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

Mistral和GPT-4o在UKRI资助提案分析中优于DSIT-Taxonomies · 跟踪2个来源

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Xingran Ruan, Angelo Salatino, Rosa Filgueira, Kara Moraw, Alexandru Marcoci, Gemma Derrick, Sarah Callaghan ·

    从 UKRI 资助提案中提取实体和检测主题的研究

    arXiv:2606.30304v1 Announce Type: cross Abstract: This paper presents preliminary findings from a UKRI-funded Metascience project comparing three LLM-based approaches, GPT-4o, Mistral, and a bespoke algorithm, DSIT-Taxonomies, for extracting and classifying research entities from…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Sarah Callaghan ·

    从 UKRI 资助提案中提取实体和检测主题的研究

    This paper presents preliminary findings from a UKRI-funded Metascience project comparing three LLM-based approaches, GPT-4o, Mistral, and a bespoke algorithm, DSIT-Taxonomies, for extracting and classifying research entities from funding proposals. Our project "Tracking Stars an…

相关实体

相关话题