Automatická analýza vztahů mezi vědeckými publikacemi s využitím velkých jazykových modelů

Vodička, Daniel

Automatická analýza vztahů mezi vědeckými publikacemi s využitím velkých jazykových modelů

dc.contributor.advisor	Král Pavel, prof. Ing. Ph.D.	cs
dc.contributor.author	Vodička, Daniel	cs
dc.contributor.referee	Šmíd Jakub, Ing.	cs
dc.date.accepted	2025-06-09
dc.date.accessioned	2026-02-21T03:52:17Z
dc.date.available	2024-09-30
dc.date.available	2026-02-21T03:52:17Z
dc.date.issued	2025-05-04
dc.date.submitted	2025-05-04
dc.description.abstract	Tato práce se zabývá využitím velkých jazykových modelů (LLMs) pro automatickou analýzu vztahů mezi vědeckými publikacemi, se zaměřením na klasifikaci citací. Zkoumáme různé datasety vědeckých publikací a citační klasifikační schémata, včetně vytvoření nového datasetu s rozšířenou klasifikační taxonomií. Práce implementuje funkční prototyp systému a porovnává několik předem natrénovaných a doladěných velkých jazykových modelů pro úlohu klasifikace citací s využitím technik tzv. zero-shot, few-shot a fine-tuning. Experimentální výsledky ukazují významné rozdíly ve výkonu mezi různými modely a datasety, přičemž nejlepších výsledků dosahují modely s doladěním na specifická data. Analýza také odhaluje, že kontext citace významně ovlivňuje výsledek klasifikace a že modely mají tendenci k nesprávné klasifikaci vzácnějších citačních tříd. Tato práce poskytuje cenné poznatky pro budoucí výzkum v oblasti automatické analýzy vědeckých textů a nabízí směry pro zlepšení klasifikace citací pomocí velkých jazykových modelů.	cs
dc.description.abstract-translated	This thesis explores the use of large language models (LLMs) for automatic analysis of relationships between scientific publications, with a focus on citation classification. We examine various scientific publication datasets and citation classification schemes, including the creation of a novel dataset with an expanded classification taxonomy. The work implements a functional prototype and compares several pretrained and fine-tuned LLMs for the citation classification task using zero-shot, few-shot, and fine-tuning techniques. Experimental results show significant variations in performance across different models and datasets, with fine-tuned models achieving the best results. The analysis also reveals that citation context significantly impacts result of classification, and models show a tendency to misclassify rarer citation classes. This work provides valuable insights in automatic scientific text analysis and suggests directions for improving citation classification using LLMs.	en
dc.description.department	Katedra informatiky a výpočetní techniky	cs
dc.description.result	Obhájeno	cs
dc.format	81
dc.identifier	100720
dc.identifier.uri	http://hdl.handle.net/11025/66572
dc.language.iso	en
dc.publisher	Západočeská univerzita v Plzni	cs
dc.rights	Plný text práce je přístupný bez omezení	cs
dc.rights.access	openAccess	cs
dc.subject	Analýza citací	cs
dc.subject	Klasifikace citací	cs
dc.subject	LLama	cs
dc.subject	Velké jazykové modely	cs
dc.subject	Mistral	cs
dc.subject	Dolování textu	cs
dc.subject.translated	Citation Analysis	en
dc.subject.translated	Citation Classification	en
dc.subject.translated	LLama	en
dc.subject.translated	LLMs (Large Language Models)	en
dc.subject.translated	Mistral	en
dc.subject.translated	Text Mining	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd	cs
dc.thesis.degree-level	Bakalářský	cs
dc.thesis.degree-name	Bc.	cs
dc.thesis.degree-program	Informatika a výpočetní technika	cs
dc.title	Automatická analýza vztahů mezi vědeckými publikacemi s využitím velkých jazykových modelů	cs
dc.title.alternative	Automatic Analysis of Relations between Scientific Publications using Large Language Models	en
dc.type	bakalářská práce	cs
local.files.count	6	*
local.files.size	291279890	*
local.has.files	yes	*
local.relation.IS	https://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=100720