استخدام التحفيزات لتحديد نية الاستشهاد في الأوراق العلمية

الإشارات المرجعية في الأوراق العلمية لا تساعدنا فقط على تتبع النسب الفكري فحسب، بل تعد أيضًا مؤشرًا مفيدًا لدلالات الأهمية العلمية للبحث. تثبت نوايا الإشارة المرجعية أنها مفيدة حيث أنها تحدد الدور الذي تلعبه الإشارة المرجعية في سياق معين. في هذا البحث، نقدم CitePrompt (سيتبرومبت)، وهو إطار يستخدم نهج التعلم القائم على التحفيز (prompt-based learning) غير المستكشف سابقًا لتصنيف نوايا الإشارة المرجعية. نعتقد أنه باختيار النموذج اللغوي المُدرب مسبقًا المناسب، قالب التحفيز، والمحول اللفظي للتحفيز، يمكننا الحصول ليس فقط على نتائج أفضل أو مماثلة لتلك التي تم الحصول عليها باستخدام أحدث الأساليب فحسب، بل ويمكننا تحقيق ذلك مع معلومات خارجية أقل بكثير عن الوثيقة العلمية. نبلغ عن تحقيق أحدث النتائج على مجموعة بيانات ACL-ARC (أي سي إل آر سي)، ونظهر أيضًا تحسينًا كبيرًا على مجموعة بيانات SciCite (سكايسايت) بالنسبة لجميع النماذج الأساسية باستثناء واحدة. نظرًا لأن العثور على مجموعات بيانات مشمولة بالعلامات كبيرة الحجم ومتناسبة بشكل مناسب لتصنيف نوايا الإشارة المرجعية قد يكون صعبًا للغاية، فقد اقترحنا لأول مرة تحويل هذه المهمة إلى إعدادات قليلة الطلقات (few-shot) وإعدادات بلا طلقات (zero-shot). فيما يتعلق بمجموعة بيانات ACL-ARC، فإننا نبلغ عن درجة F1 (فاي وان) قدرها 53.86٪ في إعداد البلا طلقات، والتي تتحسن إلى 63.61٪ و66.99٪ في إعدادات 5-طلقة و10-طلقة على التوالي.