Наша статья про интерпретируемое обучение детекции когнитивных искажений в текстах - в журнале PeerJ (Q1)

https://peerj.com/articles/cs-3699/
Интерпретируемое обучение для обнаружения когнитивных искажений в текстах на естественном языке

Мы разработали технологию, которая на основе набора данных, аннотированного на наличие когнитивных искажений, создает интерпретируемую модель, способную обнаруживать когнитивные искажения в текстах на естественном языке. Новизна подхода заключается в том, что методы обучения и обнаружения основаны на структурных шаблонах, таких как N-граммы, с учетом гетерархических связей между ними посредством принципа «приоритет порядка». Мы исследовали и выпустили два типа моделей обнаружения: простую бинарную классификацию и модель, основанную на многоклассовом представлении. Мы оптимизировали гиперпараметры моделей и достигли точности 0,92 и F1-меры 0,95 в эксперименте с перекрестной проверкой. Кроме того, мы достигли более чем в 1000 раз большей скорости обработки и меньшей вычислительной стоимости по сравнению с альтернативами, основанными на больших языковых моделях (LLM).