LLM per il Riconoscimento di Entità Nominate in Testi Storici
Un nuovo articolo su arXiv (2508.18090) esplora l'uso di modelli linguistici di grandi dimensioni (LLM) per il Riconoscimento di Entità Nominate (NER) in testi storici. Il NER identifica nomi propri come persone, organizzazioni, luoghi e date. I metodi supervisionati tradizionali richiedono grandi set di dati annotati, che sono scarsi per i documenti storici a causa degli alti costi di annotazione e della necessità di competenze specialistiche. Inoltre, il linguaggio storico soffre di ortografia incoerente e vocabolario arcaico. Lo studio indaga la capacità degli LLM di eseguire il NER senza estesi dati di addestramento, affrontando queste sfide.
Fatti principali
- Articolo arXiv 2508.18090
- Si concentra sul NER per testi storici
- LLM utilizzati come alternativa all'apprendimento supervisionato
- I testi storici mancano di set di dati annotati
- Le sfide includono variabilità ortografica e linguaggio arcaico
- Il NER identifica persone, organizzazioni, luoghi, date
- Gli approcci supervisionati richiedono grandi dati annotati
- L'articolo esplora la versatilità degli LLM nei compiti di NLP
Entità
Istituzioni
- arXiv