BERTIS

🚀 BERTISモデルのモデルカード

このREADMEでは、BERTISモデルの概要、目的、使い方について説明します。BERTISは論文 "META4: Semantically-Aligned Generation of metaphoric gestures using self-supervised text and speech representations" で発表されています。

もしこの研究が役に立った場合は、論文を引用することを検討してください。

Bibtex:

@article{fares2023META4,
  title={META4: Semantically-Aligned Generation of metaphoric gestures using self-supervised text and speech representations},
  author={Fares, Mireille and Pelachaud, Catherine and Obin, Nicolas},
  journal={arXiv preprint arXiv:2311.05481},
  year={2023}
}

🚀 クイックスタート

このREADMEでは、BERTISモデルについての概要、目的、使い方を説明します。このモデルに関する詳細な情報が提供されています。

✨ 主な機能

• 入力テキストを特定のイメージスキーマクラスに分類する機能を持つ。
• 14種類の異なるイメージスキーマクラスを考慮して分類を行う。

📚 ドキュメント

BERTISモデルの説明

BERTIS（BERT-based Image Schema）は、入力テキストを特定のイメージスキーマクラスに分類するために設計された計算モデルです。イメージスキーマは、人間が言語に含まれる様々な概念を概念化し、推論する方法を形作る上で基本的な役割を果たす認知パターンです。BERTISはBERTアーキテクチャに基づいて構築されており、Wachowiakら（2022）によって作成された特殊なコーパスを使用してファインチューニングされています。

BERTISのイメージスキーマクラス

BERTISの主な目的は、入力テキストを事前定義されたイメージスキーマクラスに自動的に分類することです。BERTISは14種類の異なるイメージスキーマクラスを考慮しており、それぞれが特定の認知パターンを捉えています。これらのクラスとそれに対応する例（Wachowiakら（2022）から引用）は以下の通りです。

• 中心 - 周辺（CENTER - PERIPHERY）: She brushed the thought away.
• 接触（CONTACT）: That blew me away.
• 包含（CONTAINMENT）: Keep it in the back of your mind.
• 覆い（COVERING）: His judgement is clouded.
• 力（FORCE）: They are attracted to each other.
• 結びつき（LINK）: Breaking social ties.
• 物体（OBJECT）: Seize the opportunity.
• 部分 - 全体（PART - WHOLE）: They assembled a theory.
• 尺度（SCALE）: This class is bigger than that one.
• 源 - 経路 - 目標（SOURCE_PATH_GOAL）: The time for action has arrived.
• 分割（SPLITTING）: What separates the men from the boys?
• 物質（SUBSTANCE）: Emotions are tinged with suffuse.
• 垂直性（VERTICALITY）: No known spoken language uses the lateral axis for time.
• 支持（SUPPORT）: The poor in our country need a boost up.

トレーニングとテストの詳細

BERTISのトレーニング、検証、テストに使用されるデータは、以下のリンクにあります。 https://github.com/lwachowiak/Systematic-Analysis-of-Image-Schemas-through-Explainable-Multilingual-Language-Models/blob/main/Data/Image%20Schemas%20English%20and%20German.csv

データの80％はBERTISのトレーニングに、10％は検証に、10％はテストに使用されました。

評価

指標

• 適合率（Precision）: 正と予測されたすべてのインスタンスのうち、正しく予測された正のインスタンスの割合を測定します。正の予測の精度に焦点を当てています。
• 再現率（Recall）: すべての実際の正のインスタンスのうち、正しく予測された正のインスタンスの割合を測定します。正のインスタンスを捕捉する能力に焦点を当てています。
• F1スコア: 適合率と再現率の調和平均で、両方の指標を組み合わせたバランスの取れた測定値を提供します。

結果

全体的な正解率 : 0.93

すべてのイメージスキーマクラスについて、F1スコアは0.77から1の間であり、BERTISが正しいイメージスキーマクラスを正確に予測する（適合率）とともに、できるだけ多くの正しいイメージスキーマクラスを捕捉する（再現率）点で良好な性能を示しています。実際、これらの結果はすべてのイメージスキーマクラスの適合率と再現率のスコアにも反映されています。すべてのクラスについて高い適合率（0.74から1の間）が観察されており、これは正しく予測されたイメージスキーマクラスの数を示しています。ほとんどのクラスの再現率は0.74を超えており、1つのイメージスキーマクラスの再現率は0.67です。すべてのイメージスキーマクラスに関するBERTISの全体的な正解率は0.93であり、入力テキストを正しいイメージスキーマクラスに分類する際の高い正確性と良好な性能を示しています。

📄 ライセンス

Academic Free License（AFL - 3.0）

開発者: Mireille Fares

言語（NLP）: 英語。ドイツ語などの他の言語にも汎化可能。

ファインチューニング元のモデル: BERT Base Casedモデル