Ontology-Guided Citation Intent Classification for Interpretable Scholarly Information Discovery
本文提出了一种本体引导的框架，该框架将来自引用上下文与原因本体（CCRO）的显式语义特征与上下文语言表示相结合，以实现可解释的引用意图分类，在实现与微调后的 SciBERT 相当的预测性能的同时，为学术信息发现提供透明的实例级审计追踪。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在人类知识的浩瀚图书馆中，引用不仅仅是一个脚注或参考文献列表中的条目；它是一场对话。当科学家撰写论文并提及他人的工作时，他们实际上是在做几类事情之一：他们可能是在旧方法之上构建新方法，也可能是在比较自己的结果以看谁做得更好，或者是在指出前人研究中的缺陷。几十年来，学术界一直通过计算一篇论文被引用的次数来衡量其重要性。这就像仅仅根据一本书出现在阅读清单上的次数来评判它，而从未了解读者是喜爱它、厌恶它，还是仅仅把它当作一个纸镇。虽然统计引用次数能告诉我们一项工作受到了多少关注，但它无法捕捉到为何被提及的细微差别。为了真正理解科学是如何演进的，我们需要了解引用背后的意图。
长期以来，研究人员一直试图教会计算机阅读这些引用并理解其意图，从简单的词频统计转向能够理解句子语境的高级人工智能。然而，这些强大的人工智能系统往往充当“黑盒”，其做出的决策难以被人类检查或信任。来自巴基斯坦和中国机构的 Muhammad Bilal Rehman 及其同事的一项新研究提出了一条不同的路径。他们构建了一个系统，将现代人工智能的深度理解能力与一套关于引用含义的清晰、人类可读的规则相结合。他们的目标不仅是准确预测意图，而且是以一种允许人类精确看到计算机为何做出该选择的方式来进行。
该团队专注于一个包含 8,736 个句子的庞大集合，这些句子属于计算语言学领域，每一句都由人类专家进行了仔细标注，以识别其特定目的，例如“合并”某种方法、“扩展”某种理论或“批评”某项发现。他们创建了一个框架，将文本同时输入四种不同类型的分析中。其中一部分观察特定的语法和词类；另一部分统计某些词汇的独特性；第三部分使用专门在科学文本上训练的 AI 模型来理解更广泛的含义；第四部分则使用一个被称为本体（ontology）的结构化知识图谱。这个本体就像一本关于引用原因的字典，用于检查文本中是否出现了诸如“建立在……之上”或“不同于……”之类的短语。
研究人员发现，他们的混合系统所实现的预测性能与目前最先进的 AI 模型相当，达到了经过微调的 SciBERT 基准模型的准确度，但并未建立起统计学上的显著优势。至关重要的是，他们发现虽然专门的 AI 模型（上下文流）仍然是系统决策中最大且信息密度最高的驱动力，但结构化知识图谱提供了必不可少的补充信息。当他们从系统中移除结构化知识图谱时，准确率显著下降，这证明了显性规则提供了 AI 单独无法提供的独特价值。研究表明，该系统可以成功地将神经网络的深度、直觉式理解与人类定义的清晰、逻辑化结构结合起来。
或许最有价值的结果是该系统的自我解释能力。由于不同的分析部分保持独立，研究人员可以将每一个预测回溯到其来源。对于任何给定的引用，系统都可以展示哪些特定词汇触发了规则，检测到了哪些语法模式，以及 AI 如何解读语境。在大约 72% 的系统使用这些显性规则的案例中，最终决策与规则的建议相符。当系统出错时，研究人员可以通过查看内部记录，明确看到是哪一部分分析出了问题，例如某个特定词汇被误解，或是某个规则未能触发。这种透明度意味着学者们不仅可以因为系统的准确性而信任它，还可以因为他们能看到其结论背后的证据而信任它。
这项研究还强调了处理现实世界学术数据的挑战。收集到的句子存在严重的偏斜，其中近 70% 只是对先前工作进行一般性的讨论，而只有极小部分涉及强烈的批评或新方法的合并。研究人员发现，仅仅通过平衡数据来赋予这些稀有类别相等的权重，虽然提高了系统识别它们的能力，但也使得系统更容易在不该猜测这些稀有类别时产生误判。这种在发现稀有事件与保持精确性之间的权衡，是分析科学文献时常见的障碍。
最终，这项工作证明了我们不必在强大的 AI 与人类理解之间做出选择。通过用一张清晰的“引用含义地图”来引导机器，研究人员创造了一个既准确又透明的工具。这种方法为构建更好的科学文献探索工具提供了一条途径，让研究人员不仅能按主题搜索论文，还能按其被使用的“方式”进行搜索——寻找那些被批评的研究、那些被扩展的研究，或是那些作为新发现基础的研究。该研究表明，学术发现的未来在于那些既能对文本进行深度思考，又能向人类检验开放的系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。