Classification of rhetorical citation functions by discipline

This repository contains several files related to the classification of rhetorical citation functions across different disciplines.

Repository Contents

PD100cit

This folder contains:
- 100_citation_sample.csv: A random sample of 100 citations from the Pear Decline (PD100cit) corpus, including their contexts and annotations.
- annotation_guidelines.pdf: Annotation guidelines used as a reference for PD100cit annotations, with examples from ecology.

script

This folder contains several scripts for citation classification:

• Scripts:
  
  • finetune_for_citation_classification.py: Main script to fine-tune a language model (BioBERT, SciBERT, RoBERTa, BioLinkBERT), specified via arguments, including the citation context window size.
    
  • citation_classifier.py: Classifier and training/validation functions.
    
  • get_citation_sequence.py: Extracts citation sequences from both corpora, output as lists.
    
  • utils.py: Helper functions used by finetune_for_citation_classification.py.

Prompt

This subfolder contains the two prompt versions tested and csvs with predictions for each of context window obtained with "Prompt-V2".

essai_modele_Jiang

This subfolder reproduces the model from Jiang & Chen (2023):

• fine_tune_several_vectors.py: Main script for training the Jiang & Chen model.
  
• citation_classifier.py: Classifier and training/validation functions, called by fine_tune_several_vectors.py.
  
• prepare_data.py: Extracts citation sequences and their contexts, delimited by @, output as lists. Used by fine_tune_several_vectors.py.

Version française

Classification des fonctions rhétoriques des citations par discipline

Ce dépôt contient plusieurs fichiers relatifs à la classification des fonctions rhétoriques des citations à travers différentes disciplines.

Contenu du dépôt

PD100cit

Ce dossier contient :
- 100_citation_sample.csv : 100 citations tirées aléatoirement du corpus Pear Decline (PD100cit), avec leurs contextes et annotations.
- annotation_guidelines.pdf : Guide d'annotation utilisé comme référence pour les annotations de PD100cit, avec des exemples en écologie.

script

Ce dossier contient plusieurs scripts pour la classification des citations :

• Scripts :

  • finetune_for_citation_classification.py : Script principal pour fine-tuner un modèle de langue (BioBERT, SciBERT, RoBERTa, BioLinkBERT), à définir en argument, avec la taille de la fenêtre de contexte.
    
  • citation_classifier.py : Classifieur et fonctions d'entraînement et de validation.
    
  • get_citation_sequence.py : Extraction des séquences de citations des deux corpus, sorties sous forme de listes.
    
  • utils.py : Fonctions auxiliaires utilisées par finetune_for_citation_classification.py.
    

• Sous-dossier Prompt

  • Contient les deux versions du prompt ainsi que les csv des prédictions obtenues avec "Prompt-V2".

• Sous-dossier essai_modele_Jiang

  • fine_tune_several_vectors.py : Script principal pour reproduire le modèle de Jiang & Chen (2023).
    
  • citation_classifier.py : Classifieur et fonctions d'entraînement et de validation, appelé par fine_tune_several_vectors.py.
    
  • prepare_data.py : Extraction des séquences de citations et de leurs contextes, avec délimitation par @. Sorties sous forme de listes. Script appelé par fine_tune_several_vectors.py.