Hierarchical Interdisciplinary Topic Detection Model for Research Proposal Classification

要約

研究提案のピア メリット レビューは、助成金授与を決定するための主要なメカニズムでした。
しかし、研究提案はますます学際的になっています。
学際的な提案を適切な査読者に割り当てることは長年の課題であり、提案が公正に評価されるようにしています。
レビュアーの割り当てにおける重要なステップの 1 つは、提案とレビュアーのマッチングのために正確な学際的なトピック ラベルを生成することです。
既存のシステムは主に、主任研究者が手動で生成したトピック ラベルを収集します。
ただし、このような人間が報告したラベルは、不正確、不完全、労力がかかり、時間がかかる可能性があります。
公平で正確な提案レビュー担当者の割り当てシステムの開発において、AI はどのような役割を果たすことができますか?
この研究では、自動化された学際的なトピックパス検出のタスクに対処するために、中国国立科学財団と協力しています。
この目的のために、深い階層的学際的研究提案分類ネットワーク (HIRPCN) を開発します。
具体的には、最初に提案のテキスト意味情報を抽出するための階層トランスフォーマーを提案します。
次に、学際的なグラフを設計し、GNN を活用して各分野の表現を学習し、学際的な知識を抽出します。
意味知識と学際的な知識を抽出した後、レベルごとの予測コンポーネントを設計して、2 種類の知識表現を融合し、各提案の学際的なトピック パスを検出します。
提案されたモデルの有効性を実証するために、3 つの実世界のデータセットに対して広範な実験と専門家による評価を実施します。

要約(オリジナル)

The peer merit review of research proposals has been the major mechanism for deciding grant awards. However, research proposals have become increasingly interdisciplinary. It has been a longstanding challenge to assign interdisciplinary proposals to appropriate reviewers, so proposals are fairly evaluated. One of the critical steps in reviewer assignment is to generate accurate interdisciplinary topic labels for proposal-reviewer matching. Existing systems mainly collect topic labels manually generated by principal investigators. However, such human-reported labels can be non-accurate, incomplete, labor intensive, and time costly. What role can AI play in developing a fair and precise proposal reviewer assignment system? In this study, we collaborate with the National Science Foundation of China to address the task of automated interdisciplinary topic path detection. For this purpose, we develop a deep Hierarchical Interdisciplinary Research Proposal Classification Network (HIRPCN). Specifically, we first propose a hierarchical transformer to extract the textual semantic information of proposals. We then design an interdisciplinary graph and leverage GNNs for learning representations of each discipline in order to extract interdisciplinary knowledge. After extracting the semantic and interdisciplinary knowledge, we design a level-wise prediction component to fuse the two types of knowledge representations and detect interdisciplinary topic paths for each proposal. We conduct extensive experiments and expert evaluations on three real-world datasets to demonstrate the effectiveness of our proposed model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google