Automating Chapter-Level Classification for Electronic Theses and Dissertations

要約

電子論文や学位論文 (ETD) を記述するための従来のアーカイブ手法は、広範で高レベルのメタデータ スキームに依存しており、これらの長い学術作品の深さ、複雑さ、学際的な性質を捉えることができません。
詳細な章レベルの内容説明が欠如していると、研究者が特定のセクションやテーマを見つけることが困難になり、発見しやすさと全体的なアクセシビリティが低下します。
章レベルのメタデータ情報を提供することで、研究リソースとしての ETD の有効性が向上します。
これにより、学者が効率的に情報を操作し、貴重な洞察を抽出することが容易になります。
このようなメタデータが存在しないと、分野間のつながりが曖昧になり、新たな学術的発見や共同作業が妨げられるため、学際的な研究がさらに妨げられます。
このペーパーでは、ETD の章を自動的に分類するための機械学習と AI 主導のソリューションを提案します。
このソリューションは、発見しやすさを向上させ、章の理解を促進することを目的としています。
私たちのアプローチは、ターゲットを絞ったナビゲーションと改善されたアクセスを容易にするコンテキスト豊富な説明を提供することで、従来のアーカイブ手法を強化します。
私たちは学際的な研究をサポートし、ETD をよりアクセスしやすくすることを目指しています。
章レベルの分類ラベルを提供し、それを開発したプロトタイプ システムのインデックスに使用することにより、ETD 章のコンテンツがより見つけやすくなり、さまざまな学術ニーズに対応できるようになります。
この AI を活用したアプローチを実装することで、アーカイブが研究者により適切にサービスを提供できるようになり、関連情報への効率的なアクセスが可能になり、ETD とのより深い関わりがサポートされます。
これにより、研究ツールとしての ETD の影響力が高まり、学際的な探求が促進され、データ集約型の学術環境における学術コミュニケーションにおけるアーカイブの役割が強化されるでしょう。

要約(オリジナル)

Traditional archival practices for describing electronic theses and dissertations (ETDs) rely on broad, high-level metadata schemes that fail to capture the depth, complexity, and interdisciplinary nature of these long scholarly works. The lack of detailed, chapter-level content descriptions impedes researchers’ ability to locate specific sections or themes, thereby reducing discoverability and overall accessibility. By providing chapter-level metadata information, we improve the effectiveness of ETDs as research resources. This makes it easier for scholars to navigate them efficiently and extract valuable insights. The absence of such metadata further obstructs interdisciplinary research by obscuring connections across fields, hindering new academic discoveries and collaboration. In this paper, we propose a machine learning and AI-driven solution to automatically categorize ETD chapters. This solution is intended to improve discoverability and promote understanding of chapters. Our approach enriches traditional archival practices by providing context-rich descriptions that facilitate targeted navigation and improved access. We aim to support interdisciplinary research and make ETDs more accessible. By providing chapter-level classification labels and using them to index in our developed prototype system, we make content in ETD chapters more discoverable and usable for a diverse range of scholarly needs. Implementing this AI-enhanced approach allows archives to serve researchers better, enabling efficient access to relevant information and supporting deeper engagement with ETDs. This will increase the impact of ETDs as research tools, foster interdisciplinary exploration, and reinforce the role of archives in scholarly communication within the data-intensive academic landscape.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google