Descubriendo conjuntos de datos a través del aprendizaje automático: un enfoque de conjunto para descubrir la prevalencia de conjuntos de datos financiados por el gobierno

La prevalencia del uso de conjuntos de datos financiados por el gobierno aún no se ha rastreado y comprendido de manera exhaustiva. La falta de una metodología de citación estandarizada ha impedido hasta ahora que el gobierno comprenda el uso de conjuntos de datos de manera transparente y accesible. En este trabajo, buscamos construir sobre los recientes éxitos en las técnicas de procesamiento de lenguaje natural y una reciente competencia de Kaggle para desarrollar un marco extensible para extraer el uso de conjuntos de datos gubernamentales de publicaciones científicas. Además, aplicamos las técnicas desarrolladas a más de 50,000 artículos científicos de la colección ScienceDirect de Elsevier. Finalmente, mostramos que las mejoras en los algoritmos presentados, junto con el uso de conjuntos, mejoraron el rendimiento general en un conjunto de datos de evaluación.