Técnicas de Inteligencia Artificial basadas en una integración de la lógica simbólica y no-simbólica

Permanent URI for this collection

https://repositorio.uai.edu.ar/handle/123456789/301

Browse

Browsing Técnicas de Inteligencia Artificial basadas en una integración de la lógica simbólica y no-simbólica by Author "Rodríguez, Gustavo"
  • Item
    A Co-Training Model Based in Learning Transfer for the Classification of Research Papers
    (IEEE, 2024-10-9) Cevallos Culqui, Alex ; Pons, Claudia Fabiana ; Rodríguez, Gustavo
    A multitude of scholarly papers can be accessed online, and their continual growth poses challenges in categorization. In diverse academic fields, organizing these documents is important, as it assists institutions, journals, and scholars in structuring their content to improve the visibility of research. In this study, we propose a co-training model based on transfer learning to classify papers according to institutional research lines. We utilize cotraining text processing techniques to enhance model learning through transformers, enabling the identification of trends and patterns in document texts. The model is structured with two views (titles and abstracts) for data preprocessing and training. Each input employs different document representation techniques that augment its training using BERT's pre-trained scheme. For evaluating the proposed model, a dataset comprising 898 institutional papers is compiled. These documents undergo classification prediction in five or eleven classes, and the model performance is compared with individually trained models from each view using the BART pre-trained scheme and combined models. The best precision level of 0,87 has been achieved, compared to BERT pre-trained model's metric of 0,78 (five classes). These findings suggest that co-training models can be a valuable approach to improve the predictive performance of text classification.
  • Item
    Semi-supervised learning models for document classification : a systematic review and meta-analysis
    (Iberoamerican Society of Artificial Intelligence (IBERAMIA), 2023-5-24) Pons, Claudia Fabiana ; Cevallos Culqui, Alex ; Rodríguez, Gustavo
    En el presente estudio se propone una estructura de los tipos de modelos semi-supervisados en la clasificación de documentos, para de esta manera analizar las cualidades de cada uno de ellos en su proceso de categorización, esto a través de una SLR (Revisión de literatura sistemática) que analiza el rendimiento de los estudios para efectuar un meta-análisis. La estrategia de búsqueda de estudios ha sido definida con el método PICOC (Población, Intervención, Comparación, Salidas, Contexto), el cual, apoyado en dos preguntas de investigación, define una cadena de búsqueda que ha permitido recopilar 332 investigaciones, filtradas con el método de la declaración PRISMA y la determinación de criterios de exclusión, seleccionando así 46 investigaciones para el estudio. De la SLR se ha obtenido una estructura de organización para los modelos semi-supervisados y un esquema del proceso de clasificación. También, se ha analizado las ventajas y desventajas de los diferentes tipos de aprendizaje, evaluando su desempeño de clasificación en cada tipo de aprendizaje a través de un meta-análisis. Se determina que los modelos que presentan los mejores niveles de rendimiento son el aprendizaje activo (0.88) y ensamblado (0.84).