.png){kind=icon}
返回
COST-EFFECTIVE MACHINE LEARNING FOR AUTOMATICALLY PROCESSING BIBLIOGRAPHIC METADATA
.png){kind=icon}
PRE
AI
DOI：10.3366/ijhac.2025.0353.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多数字人文项目涉及繁琐且重复的任务，这些任务占用了本可用于后续需要智能决策的高层次任务的时间。当资金充足时，繁琐和重复的任务通常分配给研究助理，但当资金短缺时，这些任务往往会造成瓶颈，要么阻碍进展，要么完全停滞。本文认为，人工智能和机器学习工具与技术值得探索作为解决这些问题的成本效益高、易于获取的方案。数字拉丁语图书馆项目通过其实验提供了一个案例研究，实验内容是微调预训练的转换器语言模型来处理嘈杂的目录元数据。结果表明，这些模型有潜力加速这一繁琐任务，但实验也带来了意想不到（尽管是积极的）结果：模型揭示了目录覆盖的空白，有助于聚焦参与项目的人类专家的工作重点。
Keyword:
artificial intelligence
machine learning
workflow automation
metadata
期刊
机构
引用论文
暂无论文信息