Deep Active Learning for Data Mining from Conflict Text Corpora

要約

武力紛争とそれに関連するプロセスに関する高解像度のイベントデータは、UCDP GEDやACLEDなどのデータセットによって、政治的争いの研究に革命をもたらした。しかし、これらのデータセットのほとんどは、時空間（高解像度）と強度のデータ収集にとどまっている。ターゲット、戦術、目的などのダイナミクスに関する情報は、データ収集に多大な労力を要するため、ほとんど収集されていない。しかし、ほとんどのデータセットは、各イベントに関連する更なる情報のマイニングを可能にする豊富なテキストデータのコーパスに依存している。本稿では、逐次的な（ガイドされた）人間の入力に基づいて機械学習モデルを改善する反復プロセスである能動学習を活用した、安価で高性能なこのようなアプローチを提案する。能動学習は、紛争ダイナミクスに関連するイベントのサブクラスを抽出するために適応された、大規模でエンコーダのみの言語モデルを段階的に学習（微調整）するために採用される。このアプローチは、人間の（ゴールドスタンダードの）コーディングに近い性能を示す一方で、必要な人間のアノテーションの量を99%も削減する。

要約(オリジナル)

High-resolution event data on armed conflict and related processes have revolutionized the study of political contention with datasets like UCDP GED, ACLED etc. However, most of these datasets limit themselves to collecting spatio-temporal (high-resolution) and intensity data. Information on dynamics, such as targets, tactics, purposes etc. are rarely collected owing to the extreme workload of collecting data. However, most datasets rely on a rich corpus of textual data allowing further mining of further information connected to each event. This paper proposes one such approach that is inexpensive and high performance, leveraging active learning – an iterative process of improving a machine learning model based on sequential (guided) human input. Active learning is employed to then step-wise train (fine-tuning) of a large, encoder-only language model adapted for extracting sub-classes of events relating to conflict dynamics. The approach shows performance similar to human (gold-standard) coding while reducing the amount of required human annotation by as much as 99%.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL