通过使用深度神经网络,对研究人员生物素描和提案资金请求进行自动匹配
Sifei Han1, Russell Richie1,2, Lingyun Shi1
1Tsui Laboratory, Department of Biomedical and Health Informatics, Children's Hospital of Philadelphia, Philadelphia, PA 19146, USA.
IEEE access : practical innovations, open solutions
|July 30, 2025
概括
研究人员现在可以通过新的自动化系统更快地找到合适的资金. 这种深度学习模型准确地与研究人员的个人资料相匹配,以提供机会,节省宝贵的时间并提高资助申请的成功率.
科学领域:
- 计算机科学 计算机科学
- 信息科学 信息科学 信息科学
- 计算语言学 计算语言学
背景情况:
- 研究人员花费过多的时间申请资助,原因是成功率低,匹配系统效率低下.
- 现有的将研究人员的生物素描与资助机会相匹配的方法通常依赖于不可靠的关键字搜索和通用建议.
- 美国面临着一个复杂的融资环境,有许多联邦和基金会赠款计划,需要提高应用效率.
研究的目的:
- 开发和评估一个自动匹配系统,将研究人员的生物素描与提案资助请求 (RFP) 结合起来.
- 改善当前系统的局限性,例如关键字搜索不可靠性和适合所有人的建议.
- 利用先进的深度学习技术,实现更精确,更有效的研究资金分配.
主要方法:
- 分析了12991个研究人员的生物素描和2234个国家卫生研究院 (NIH) 2014-2019年的RFP.
- 实施和对四种深度学习模型进行基准测试,包括带有交叉编码的BERT,语网络和BiLSTM层.
- 深度学习模型与逻辑回归和支持向量机器等传统方法的比较.
主要成果:
- 最有效的模型,将BERT与交叉编码,BERT后BiLSTM层和反向翻译 (BC2BT) 集成在一起,获得了F1得分71.15%.
- 先进的深度学习模型在生物素描-RFP匹配任务中明显优于传统的预测模型.
- 开发的系统在确定适合研究人员的资金机会方面表现出更高的精度.
结论:
- 复杂的自然语言处理 (NLP) 技术,特别是深度学习,可以在研究资助领域自动化复杂的匹配.
- BC2BT模型为提高赠款申请流程的准确性和效率提供了一个有希望的进步.
- 这种自动化方法有可能简化资金机制并支持未来的研究工作.
