Semantic Tree Inference on Text Corpa using a Nested Density Approach together with Large Language Model Embeddings

1115 vues0 abonnés
Description

Cette réutilisation présente un outil de classification sémantique automatique basé sur les embeddings de grands modèles de langage (LLM). Il permet d’inférer un arbre hiérarchique des thématiques, offrant une véritable généalogie des thèmes de recherche, sans catégories prédéfinies.

La méthode repose sur un clustering par densité imbriquée : des groupes de textes très proches sémantiquement sont d’abord identifiés, puis progressivement agrégés en ensembles plus larges, jusqu’à former une structure arborescente complète. Cette approche révèle naturellement les niveaux de spécialisation et les liens entre domaines scientifiques.

La pertinence de l’outil est démontrée par sa réutilisation du jeu de données « Thèses soutenues en France depuis 1985 » (data.gouv.fr), où il permet de structurer automatiquement les résumés de thèses en branches et sous-branches de recherche, mettant en évidence l’organisation et l’évolution des thématiques scientifiques.

Cette réutilisation illustre le potentiel des données ouvertes pour l’exploration, la cartographie et l’analyse dynamique des champs de recherche.

Thématique
Éducation et recherche
Type
Papier
Mots clés
cartographie-des-thematiquesclassification-semantiqueembeddings-de-textefouille-de-textesgenealogie-des-themes-de-recherchegrands-modeles-de-langagellmscientometriestructuration-des-connaissancestraitement-automatique-du-langage-naturel
Dernière mise à jour
Date de création

1 jeu de données associé

Mis à jour
336562 vues44880 téléchargements des ressources8 réutilisations3 abonnés

Ce jeu de données contient les métadonnées des thèses de doctorat françaises soutenues depuis 1985. Les données sont issues de theses.fr, le moteur de recherche des thèses de doctorat françaises. Il …

Il n'y a pas encore d'API associées

1 réutilisation du même créateur