Standard

Автоматическая детекция адъективной неопределённости в русском юридическом тексте: датасет, модели, результаты. / Берлин, Алена Евгеньевна; Блинова, Ольга Владимировна.

In: International Journal of Open Information Technologies, Vol. 13, No. 12, 2025, p. 74-84.

Research output: Contribution to journal › Article › peer-review

Harvard

Берлин, АЕ & Блинова, ОВ 2025, 'Автоматическая детекция адъективной неопределённости в русском юридическом тексте: датасет, модели, результаты', International Journal of Open Information Technologies, vol. 13, no. 12, pp. 74-84. <https://injoit.org/index.php/j1/article/view/2356 ISSN 2307-8162>

APA

Берлин, А. Е., & Блинова, О. В. (2025). Автоматическая детекция адъективной неопределённости в русском юридическом тексте: датасет, модели, результаты. International Journal of Open Information Technologies, 13(12), 74-84. https://injoit.org/index.php/j1/article/view/2356 ISSN 2307-8162

Vancouver

Берлин АЕ, Блинова ОВ. Автоматическая детекция адъективной неопределённости в русском юридическом тексте: датасет, модели, результаты. International Journal of Open Information Technologies. 2025;13(12):74-84.

Author

Берлин, Алена Евгеньевна ; Блинова, Ольга Владимировна. / Автоматическая детекция адъективной неопределённости в русском юридическом тексте: датасет, модели, результаты. In: International Journal of Open Information Technologies. 2025 ; Vol. 13, No. 12. pp. 74-84.

BibTeX

@article{eeaf5175a5e64950b6a7e2ee2f9f673b,
title = "Автоматическая детекция адъективной неопределённости в русском юридическом тексте: датасет, модели, результаты",
abstract = "Статья посвящена созданию инструмента, способного автоматически классифицировать русские предложения, взятые из нормативных документов (законов), на содержащие и не содержащие правовую неопредённость. Для создания такого инструмента силами лингвистов и юристов разработан обучающий набор данных, содержащий 6000 предложений с метками и локусами неопределённости. Учтены только случаи, когда неопределённость вводится градуируемым прилагательным. В настоящей работе показано, как авторы использовали этот датасет в ряде экспериментов c классическими моделями машинного обучения и с трансформерной моделью. Применение аугментации в эксперименте с RuBERT позволило преодолеть проблему дисбаланса классов и достичь качества с показателем F1=0,89. При анализе языковых признаков, влияющих на предсказания модели, замечена концентрация прилагательных с приставкой не- в классе предложений с отсутствием неопределённости.",
author = "Берлин, {Алена Евгеньевна} and Блинова, {Ольга Владимировна}",
year = "2025",
language = "русский",
volume = "13",
pages = "74--84",
journal = "International Journal of Open Information Technologies",
issn = "2307-8162",
publisher = "Издательство Московского университета",
number = "12",

}

RIS

TY - JOUR

T1 - Автоматическая детекция адъективной неопределённости в русском юридическом тексте: датасет, модели, результаты

AU - Берлин, Алена Евгеньевна

AU - Блинова, Ольга Владимировна

PY - 2025

Y1 - 2025

N2 - Статья посвящена созданию инструмента, способного автоматически классифицировать русские предложения, взятые из нормативных документов (законов), на содержащие и не содержащие правовую неопредённость. Для создания такого инструмента силами лингвистов и юристов разработан обучающий набор данных, содержащий 6000 предложений с метками и локусами неопределённости. Учтены только случаи, когда неопределённость вводится градуируемым прилагательным. В настоящей работе показано, как авторы использовали этот датасет в ряде экспериментов c классическими моделями машинного обучения и с трансформерной моделью. Применение аугментации в эксперименте с RuBERT позволило преодолеть проблему дисбаланса классов и достичь качества с показателем F1=0,89. При анализе языковых признаков, влияющих на предсказания модели, замечена концентрация прилагательных с приставкой не- в классе предложений с отсутствием неопределённости.

AB - Статья посвящена созданию инструмента, способного автоматически классифицировать русские предложения, взятые из нормативных документов (законов), на содержащие и не содержащие правовую неопредённость. Для создания такого инструмента силами лингвистов и юристов разработан обучающий набор данных, содержащий 6000 предложений с метками и локусами неопределённости. Учтены только случаи, когда неопределённость вводится градуируемым прилагательным. В настоящей работе показано, как авторы использовали этот датасет в ряде экспериментов c классическими моделями машинного обучения и с трансформерной моделью. Применение аугментации в эксперименте с RuBERT позволило преодолеть проблему дисбаланса классов и достичь качества с показателем F1=0,89. При анализе языковых признаков, влияющих на предсказания модели, замечена концентрация прилагательных с приставкой не- в классе предложений с отсутствием неопределённости.

M3 - статья

VL - 13

SP - 74

EP - 84

JO - International Journal of Open Information Technologies

JF - International Journal of Open Information Technologies

SN - 2307-8162

IS - 12

ER -

ID: 157209901