과학 논문의 수사적 섹션을 자동 분류한 대규모 데이터셋
Large-scale dataset of automatically classified rhetorical sections in scientific papers
과학 논문은 서론, 방법론, 결과, 논의 등의 섹션으로 내용을 구성하는 수사적 구조를 따른다. 이러한 섹션을 대규모로 자동 식별하면 과학적 글쓰기 패턴에 대한 세밀한 분석이 가능해진다. 우리는 Semantic Scholar Open Research Corpus(S2ORC)에서 수백만 편의 과학 논문에 대한 섹션 수준 주석 데이터셋을 제시한다. 규칙 기반 분류(classification) 알고리즘을 사용하여 품질 필터링 후 1,560만 편의 논문에서 주요 섹션을 식별하고 레이블링하였다. 이 데이터셋(dataset)은 주로 STEM 분야를 다루며, 의학 및 생물학 분야가 강하게 대표된다. 분류기와 인간 주석자 간의 일치율이 인간 주석자 간 일치율과 동등함을 보여주는 포괄적인 인간 및 대규모 언어 모델(LLM) 기반 검증(validation)을 제공한다. 이 데이터셋은 과학적 담론 및 글쓰기 패턴에 대한 대규모 전산 연구를 가능하게 한다.