DLT-Corpus: A Large-Scale Text Collection for the Distributed Ledger Technology Domain
Cet article présente DLT-Corpus, une collection de textes à grande échelle et spécifique à un domaine comprenant 2,98 milliards de jetons issus de la littérature scientifique, de brevets et de réseaux sociaux, qui est utilisée pour démontrer que la recherche sur les DLT précède la croissance du marché et pour publier des outils de TALN améliorés tels que LedgerBERT.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez le monde de la technologie des registres distribués (DLT)—la famille de technologies qui inclut la blockchain et les cryptomonnaies—comme une immense et animée ville. Pendant des années, les chercheurs tentant de comprendre cette ville devaient s'orienter en utilisant seulement quelques panneaux de rue dispersés (principalement des graphiques de prix et des applications de trading). Ils manquaient les plans, les comptes rendus des réunions du conseil municipal et les bavardages dans les cafés locaux.
Ce papier présente DLT-Corpus, une nouvelle bibliothèque massive qui rassemble enfin « l'histoire complète » de cette ville numérique. Voici ce que les auteurs ont construit et ce qu'ils ont découvert, expliqué simplement :
1. La Grande Bibliothèque (Le Corpus)
Imaginez le DLT-Corpus comme un gigantesque entrepôt contenant 2,98 milliards de mots (tokens) issus de 22 millions de documents. Les auteurs n'ont pas simplement pris du texte au hasard ; ils l'ont soigneusement organisé en trois sections distinctes, comme trois ailes différentes d'une bibliothèque :
- L'Aile Académique (Littérature scientifique) : 37 440 articles de recherche. Ce sont les « plans » où les scientifiques et les ingénieurs esquissent d'abord de nouvelles idées.
- L'Aile des Brevets : 49 023 dépôts de brevets. Ce sont les « actes juridiques » où les entreprises revendiquent officiellement la propriété de nouvelles inventions.
- La Place du Village (Réseaux sociaux) : 22 millions de publications provenant de Twitter/X. Ce sont les « bavardages » où les gens ordinaires parlent de ce qu'ils achètent, vendent et espèrent.
Pourquoi est-ce spécial ?
Avant cela, la plupart des programmes informatiques étudiant ce domaine ne regardaient que la « Place du Village » (réseaux sociaux) ou des données de trading spécifiques. Ils manquaient les aspects techniques profonds. Cette nouvelle bibliothèque est 8,7 fois plus riche en mots-clés techniques spécifiques que le texte internet général. C'est comme comparer un dictionnaire d'argot quotidien à une encyclopédie spécialisée en ingénierie ; cette dernière est bien meilleure pour enseigner à un ordinateur à comprendre le langage spécifique de cette industrie.
2. Le « Étudiant Intelligent » (LedgerBERT)
Pour prouver que cette bibliothèque est utile, les auteurs ont enseigné à un modèle informatique (un type d'IA appelé LedgerBERT) à la lire.
- Le Test : Ils ont demandé à l'IA de trouver des termes techniques spécifiques (comme « Proof of Stake » ou « Merkle Tree ») dans le texte, une tâche appelée reconnaissance d'entités nommées.
- Le Résultat : L'IA entraînée sur cette nouvelle bibliothèque s'est révélée 23 % plus performante pour trouver ces termes que les modèles d'IA standards. Elle a appris le « dialecte » du monde DLT beaucoup plus rapidement car elle disposait de tant de matériel de haute qualité à étudier.
3. Ce que la Bibliothèque a Révélé (L'Analyse)
Les auteurs ont utilisé cette bibliothèque pour observer comment les idées voyagent à travers la ville. Ils ont découvert deux motifs fascinants :
Motif A : Le « Voyage de l'Idée »
Ils ont suivi trois grands concepts : les Stablecoins (monnaies numériques adossées à une devise réelle), les DEX (plateformes d'échange décentralisées) et les AMM (outils de trading automatisés).
- La Découverte : Ces idées apparaissent presque toujours d'abord dans l'Aile Académique (articles de recherche).
- Le Voyage : Des années plus tard, elles apparaissent dans l'Aile des Brevets (entreprises tentant de les protéger). Enfin, beaucoup plus tard, elles explosent dans la Place du Village (réseaux sociaux) où tout le monde commence à en parler.
- La Métaphore : C'est comme une découverte scientifique dans un laboratoire, qui finit par devenir un produit dans une usine, et finalement devient une tendance sur TikTok. La recherche guide le marché, et non l'inverse.
Motif B : La « Météo Émotionnelle »
Ils ont examiné comment les gens se sentent à l'égard du marché (sentiment) par rapport au travail que les chercheurs accomplissent.
- La Découverte : Même lorsque le marché s'effondre (un « hiver crypto » où les prix chutent), les gens sur les réseaux sociaux restent trop optimistes (haussiers). Ils continuent de vanter la technologie indépendamment du prix.
- Le Contraste : Cependant, les scientifiques et les détenteurs de brevets sont plus ancrés dans la réalité. Leur travail ne connaît pas de pics ni d'effondrements avec les actualités quotidiennes. Au lieu de cela, leur activité croît régulièrement au fil du temps, suivant la croissance à long terme de l'industrie, et non les sautes d'humeur à court terme.
- Le Cycle : Les auteurs décrivent un « cycle vertueux » : la recherche crée de nouveaux outils ces outils aident le marché à croître un marché en croissance fournit des fonds pour financer davantage de recherche.
4. Les Règles du Jeu (Éthique et Limites)
Les auteurs ont été très prudents quant à la manière dont ils ont construit cette bibliothèque :
- Pas de violation du droit d'auteur : Ils n'ont utilisé que des articles en libre accès, des brevets gouvernementaux publics et des données de réseaux sociaux collectées avant que Twitter ne change ses règles en 2023.
- Vie privée : Ils ont supprimé tous les noms d'utilisateurs des publications sur les réseaux sociaux pour protéger la vie privée des gens, ne conservant que le texte et la date.
- Langue : La bibliothèque est actuellement uniquement en anglais, car c'est la langue dominante pour la science et les brevets.
Résumé
En bref, les auteurs ont construit la première bibliothèque massive et complète pour le monde de la technologie des registres distribués. Ils ont prouvé que si vous voulez comprendre où va cette technologie, vous ne devriez pas seulement regarder les prix des actions ou les tendances Twitter. Vous devez regarder les articles de recherche, car c'est là que l'avenir s'écrit des années avant que le reste du monde ne rattrape son retard. Ils ont également rendu la bibliothèque, le modèle d'IA entraîné et les outils disponibles gratuitement afin que d'autres puissent poursuivre cette recherche.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.