Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind6. Dezember 2023 · Q005785

MingOfficial: A Ming Official Career Dataset and a Historical Context-Aware Representation Learning Framework

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Text ist nur ein Auszug, bestehend aus Abstract und bibliografischen Angaben. Er beschreibt MingOfficial, eine Datensammlung zu 9.376 Ming-Amtsträgern, die strukturierte Karriere- und Personendaten mit historischen Texten verbindet und laut den Autorinnen und Autoren durch ein Graph-Neuronales-Netzwerk für Analysen genutzt wird. Für eine Aufgabe zur Erkennung nuancierter Identitäten berichten sie einen Anstieg des F1-Werts von 24,6 auf 98,2 Prozent; Details zur Prüfung dieser Angabe fehlen im Auszug.

Mittel

Der vorliegende Text ist nur ein Auszug mit Abstract und bibliografischen Angaben, nicht der vollständige Bericht. Er stellt MingOfficial vor, eine multimodale Datensammlung zu 9.376 Amtsträgern der chinesischen Ming-Dynastie. Sie verbindet laut Abstract strukturierte Karriereaufzeichnungen und annotierte Personentypen mit historischen Texten. Ein Graph-Neuronales-Netzwerk soll beide Datenarten zusammenführen, soziale Strukturen erschließbar machen und Merkmale für weitere Aufgaben liefern.

Die Autorinnen und Autoren berichten, dass MingOfficial explorative Analysen von Amtsträger-Identitäten ermögliche. Bei der Erkennung nuancierter Identitäten, etwa von Zivilbeamten mit militärischer Macht, sei der F1-Wert auf einem zurückgehaltenen Testdatensatz von 24,6 auf 98,2 Prozent gestiegen. Datensatz und interaktives Werkzeug sollen öffentlich verfügbar sein. Der Auszug enthält keine näheren Angaben zu Datenaufbau, Versuchsdesign, Vergleichsverfahren oder Unsicherheiten; die Ergebnisse können daher auf dieser Grundlage nicht weiter geprüft oder verallgemeinert werden.

Ausführlich lesen

Der vorliegende Text ist ein Auszug: Er enthält den Abstract und bibliografische Angaben, aber nicht den vollständigen Bericht. Die Zusammenfassung stützt sich daher nur auf diese Angaben.

Der Beitrag stellt MingOfficial vor, eine multimodale Datensammlung zu 9.376 Amtsträgern der chinesischen Ming-Dynastie. Laut Abstract verbindet sie strukturierte Daten – darunter Karriereaufzeichnungen und annotierte Personentypen – mit historischen Texten. Die Autorinnen und Autoren begründen das Vorhaben damit, dass subtile Eigenschaften historischer Personen aus biografischen Daten allein oft schwer zu erkennen seien und dafür Fachwissen sowie historischer Kontext nötig seien.

Als Ansatz koppelt der Beitrag die Datensammlung mit einem Graph-Neuronalen-Netzwerk (GNN), das beide Datenarten zusammenführen soll. Damit sollen soziale Strukturen untersuchbar werden und Merkmale für nachgelagerte Aufgaben entstehen. Als Ergebnis berichtet der Abstract, MingOfficial ermögliche explorative Analysen von Amtsträger-Identitäten. Für die Erkennung nuancierter Identitäten – als Beispiel werden Zivilbeamte mit militärischer Macht genannt – sei der F1-Wert im zurückgehaltenen Testdatensatz von 24,6 auf 98,2 Prozent gestiegen.

Die Autorinnen und Autoren geben an, Datensatz und interaktives Werkzeug öffentlich bereitzustellen, und hoffen, damit weitere Forschung zu sozialem Kontext und Repräsentationslernen anzuregen. Sie sehen zudem mögliche Impulse für rechnergestützte Ansätze außerhalb der China-Studien. Der Auszug nennt jedoch weder die genaue Zusammensetzung der Daten und das Versuchsdesign noch Vergleichsverfahren, Unsicherheiten oder weitere Ergebnisse. Die berichtete Leistungssteigerung lässt sich anhand dieses Textes daher nicht näher prüfen oder verallgemeinern.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 40 %beantwortet teilweise oder widerspricht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →