Digital Repository
Dragomanov
Ukrainian State University

Sense Differentiation of Texts as a Component of Neural Network Modelling

ISSN: 2310-8290

Show simple item record

dc.contributor.author Dovhan, Oleksii V.
dc.date.accessioned 2024-07-19T11:32:20Z
dc.date.available 2024-07-19T11:32:20Z
dc.date.issued 2024
dc.identifier.citation Dovhan, O. V. Sense Differentiation of Texts as a Component of Neural Network Modelling / O. V. Dovhan // Науковий часопис Українського державного університету імені Михайла Драгоманова. Серія 9 : Сучасні тенденції розвитку мов : зб. наук. праць / М-во освіти і науки України, Укр. держ. ун-т імені Михайла Драгоманова. – Київ : Вид-во УДУ імені Михайла Драгоманова, 2024. – Вип. 27. – С. 15-27. uk
dc.identifier.uri http://enpuir.npu.edu.ua/handle/123456789/45794
dc.description.abstract The article argues that the most productive for linguistic research at the present stage is the use of Artificial Neural Networks (ANNs) due to their productivity, representativeness, etc. It is emphasized that the basis for such use should be sense differentiation, thanks to which linguists can optimize the search, analysis, etc. of data for their research. In particular, taking into account semantic, morphological, syntactic, etc. features will allow the production of more reliable, fundamental results in various tasks of Natural Language Processing (NLP). The author emphasizes that the above will result in a qualitative leap in the scientific research of Ukrainian linguists, the possibility of presenting their results to world science, and further fruitful cooperation with foreign colleagues within the framework of grant programs. Thus, the semantic differentiation of texts is an integral part of the actualization of Artificial Neural Networks (ANNs) (in particular, Bidirectional Long Short-Term Memory Network (BiLSTM), Convolutional Neural Networks (CNNs), Deep Learning Networks (DLNs), Deep Neural Networks (DNNs), Graph Neural Networks (GNNs), Recurrent Neural Networks (RNNs), etc.) in modern linguistic research within the digital humanities. In the author’s opinion, the latter is produced by the focus on practical results, localization of implementation (in particular, Natural Language Processing (NLP), sentiment analysis, etc. Therefore, further study, improvement, and optimization of the existing innovative tools (in particular, neural network modelling of linguistic units) include work on more effective methods of working with context (through a combination of different types of Artificial Neural Networks (ANNs) with different layers, which is presented in the work of foreign colleagues), localization of language styles (essential in the process of fact-checking initiatives – as a milestone for validating text data), etc. without manual intervention in the above. uk
dc.description.abstract У статті стверджується, що найпродуктивнішим для лінгвістичних досліджень на сучасному етапі є використання Artificial Neural Networks (ANNs) через їх продуктивність і репрезентативність. Підкреслено, що підґрунтям такого використання доцільно зробити смислову диференціацію, завдяки якій лінгвісти можуть оптимізувати пошук, аналіз даних для своїх досліджень. Зокрема, врахування семантичних, морфологічних, синтаксичних особливостей дозволить продукувати достовірніші, фундаментальніші результати у різних задачах Natural Language Processing (NLP). Автор акцентує увагу на тому, що наслідком цього стане якісний стрибок наукових досліджень українських мовознавців, можливість представлення їх результатів світовій науці й подальше плідне співробітництво з зарубіжними колегами у межах грантових програм. Смислова диференціація текстів є невід’ємним складником актуалізації Artificial Neural Networks (ANNs) (зокрема, Bidirectional Long Short-Term Memory Network (BiLSTM), Convolutional Neural Networks (CNNs), Deep Learning Networks (DLNs), Deep Neural Networks (DNNs), Graph Neural Networks (GNNs), Recurrent Neural Networks (RNNs) тощо) у сучасних лінгвістичних дослідженнях у межах цифрових гуманітарних наук. На думку автора, останнє продиктоване орієнтацією на практичний результат, локалізацією впровадження (зокрема, Natural Language Processing (NLP), sentiment analysis тощо). Відтак, подальше вивчення, вдосконалення та оптимізація наявного інноваційного інструментарію (зокрема нейромережевого моделювання мовних одиниць) – це діяльність щодо методів роботи з контекстом (через поєднання різних типів Artificial Neural Networks (ANNs) з різними шарами, що наочно представлене у працях зарубіжних колег), локалізації мовних стилів (особливо важливо в процесі фактчекінгових ініціатив – як віха до валідації текстових даних) без ручного втручання у ці процеси. uk
dc.language.iso en uk
dc.publisher Вид-во УДУ імені Михайла Драгоманова uk
dc.subject neural network modelling uk
dc.subject applied linguistics uk
dc.subject computational linguistics uk
dc.subject artificial neural networks uk
dc.subject neural network models uk
dc.subject sense uk
dc.subject sense differentiation uk
dc.subject нейромережеве моделювання uk
dc.subject прикладна лінгвістика uk
dc.subject комп’ютерна лінгвістика uk
dc.subject штучні нейронні мережі uk
dc.subject нейромережеві моделі uk
dc.subject смисл uk
dc.subject смислова диференціація uk
dc.title Sense Differentiation of Texts as a Component of Neural Network Modelling uk
dc.title.alternative Смислова диференціація текстів як складник нейромережевого моделювання uk
dc.type Article uk
dc.identifier.udc 811.161’32]:004.032.26:004.055:004.423.46
dc.identifier.doi https://doi.org/10.31392/NPU-nc.series9.2024.27.02


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account

Statistics