Overall: Ik heb bewust niet het deel van de implementatie bij OSF gebruikt, aangezien ik dacht dat mijn thesis ging om het beantwoorden van een onderzoeksvraag. De implementatie leek me daar niet relevant voor, en dus niet het noemen waard. Ik hoopte het er naast te doen. Denk jij dat het wel relevant is voor mijn scriptie?
Related Work: Je vindt dat ik veel de methodiek in duik, dat snap ik wel. Maar ik heb het gevoel dat de specifieke uitleg van Word2Vec, CNN, Naive Bayes ook niet thuis hoort in de methodologie, aangezien dat er meer over gaat wat ik wil doen toch? En aangezien dit de huidige ontwikkelingen zijn dacht ik dat het beter was in related work.
Daarnaast nog een paar kleine vragen:
RQ1: Wie is de Tobias van transfer learning? Ik neem dat dat pas interessant is als de modellen niet goed generaliseren?
RQ2: Bedoel je met de verandering van taal door de tijd zoiets als dit onderzoek? Azarbonyad, H., Dehghani, M., Beelen, K., Arkut, A., Marx, M., & Kamps, J. (2017, November). Words are Malleable: Computing Semantic Shifts in Political and Media Discourse. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (pp. 1509-1518). ACM.
a. Ik vraag me af of dat binnen de scope van het onderzoek valt namelijk.
Als de implementatie niet nodig is voor je vraag kan je het er inderdaad uitlaten.
Ja prima, plak het allemaal onder 1 kopje "tekst classificatie".
klein
Tobias beers. Met transfer learning probeer je van de specifieke feautures (woorden) af te komen en diegene die inderdaad van het ene naar het andere corpus generaliseren over te houden.
Nee, dat is veel te ver gezocht. Maar je zou wel redelijk makkelijk kunnen onderzoeken of een classifier slechter wordt naarmate de trainingsdata meer in het verleden ligt. Dan heb je ook een vorm van transfer learning. Dat zou je gewoon op de overheid.nl data kunnen uitzoeken.
Daarnaast nog een paar kleine vragen: