.png){kind=icon}
返回
Enhancing transparency understanding using machine learning and visual analytics
.png){kind=icon}
PRE
AI
DOI：10.7717/peerj-cs.3513.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在当今数字时代，用户经常面临与各种产品和服务相关的冗长条款与条件文档。此类文档常涉及多个实体（如利益相关者、个人和用户），其中某些实体在文本中反复出现，凸显其相对重要性。本研究提出了一种新颖方法，通过增强实体检测与权重分配，以及识别实体间关系，来促进条款与条件的理解。通过结合机器学习技术（尤其是自然语言处理（NLP））与可视化分析，旨在提升透明度和可及性。此外，我们提出了TranspVis的改进版本，这是一种可视化分析系统，旨在提供更直观的透明度相关信息呈现方式。所提方法通过案例研究和用户实验相结合的方式进行评估，全面评估了其在使复杂法律文档更易解读方面的实用性。研究结果凸显了此类工具在法律领域大规模应用中的潜力，专家反馈也证实了所提方案的价值与相关性。
Keyword:
Natural language processing
Visual analytics
Machine learning
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
TranspLanMeta: a metamodel for TranspLan modeling languageTranspLanMeta：一种用于TranspLan建模语言的元模型.png)
IF0
PREAI
分享收藏
分享收藏From Natural Language Text to Visual Models: A survey of Issues and Approaches从自然语言文本到视觉模型：问题与方法的综述
OAAI
OAAI分享收藏
查看更多内容