Iskanje po katalogu digitalne knjižnice

Opis: Magistrsko delo obravnava področje analize sentimenta z uporabo strojnega učenja in obdelave naravnega jezika. Namen dela je razviti model, ki bi bil sposoben analizirati sentiment besedil, pridobljenih s spletnih platform, zlasti z družbenega omrežja X (prej Twitter). V delu smo uporabili različne metode strojnega učenja in obdelave naravnega jezika. Najprej smo podatke pridobili iz odprtih virov, jih očistili in normalizirali z metodami, kot sta lemmatizacija in tokenizacija. Pri obdelavi podatkov smo uporabili več tehnik, vključno z Bag of Words, s pozitivno/z negativno frekvenco in s TF-IDF, za kar smo uporabili Python knjižnice, kot sta NLTK in scikit-learn. Model smo učili z metodo logistične regresije, naivnega bayesa in z metodo podpornih vektorjev ter testirali njihovo natančnost s pomočjo ločenih testnih podatkov. Rezultati kažejo, da je logistična regresija v kombinaciji z značilkami TF-IDF dosegla najvišjo natančnost pri predvidevanju sentimenta, in sicer 88,65 %, kar pomeni, da je model sposoben zanesljivo prepoznati sentiment besedil kot pozitiven ali negativen. Kljub uspehu modela obstaja potencial za nadaljnje izboljšave. Uporaba večjih in bolj raznovrstnih podatkovnih zbirk ter naprednejših tehnik globokega učenja, kot so nevronske mreže (LSTM ali BERT), bi lahko še povečala natančnost in zmogljivost modela. Zaključki magistrskega dela potrjujejo, da je analiza sentimenta z uporabo strojnega učenja izvedljiva in uporabna v različnih okoljih. V prihodnje priporočamo implementacijo API-ja za omrežje X, kar bi omogočilo sprotno pridobivanje podatkov in avtomatizirano analizo sentimenta v realnem času. Prav tako bi lahko nadgradnja modela z globokim učenjem pripomogla k obvladovanju kompleksnejših jezikovnih struktur in kontekstov, kot sta sarkazem in večpomenskost.
Ključne besede: analiza sentimenta, strojno učenje, obdelava naravnega jezika
Objavljeno v DKUM: 09.04.2025; Ogledov: 0; Prenosov: 9
Celotno besedilo (4,85 MB)

Opis: Purpose:The purpose of this study is to develop a model for automated classification of old digitised texts to the Universal Decimal Classification (UDC), using machine-learning methods. Design/methodology/approach: The general research approach is inherent to design science research, in which the problem of UDC assignment of the old, digitised texts is addressed by developing a machine-learning classification model. A corpus of 70,000 scholarly texts, fully bibliographically processed by librarians, was used to train and test the model, which was used for classification of old texts on a corpus of 200,000 items. Human experts evaluated the performance of the model. Findings: Results suggest that machine-learning models can correctly assign the UDC at some level for almost any scholarly text. Furthermore, the model can be recommended for the UDC assignment of older texts. Ten librarians corroborated this on 150 randomly selected texts. Research limitations/implications: The main limitations of this study were unavailability of labelled older texts and the limited availability of librarians. Practical implications: The classification model can provide a recommendation to the librarians during their classification work; furthermore, it can be implemented as an add-on to full-text search in the library databases. Social implications: The proposed methodology supports librarians by recommending UDC classifiers, thus saving time in their daily work. By automatically classifying older texts, digital libraries can provide a better user experience by enabling structured searches. These contribute to making knowledge more widely available and useable. Originality/value: These findings contribute to the field of automated classification of bibliographical information with the usage of full texts, especially in cases in which the texts are old, unstructured and in which archaic language and vocabulary are used.
Ključne besede: digital library, artificial intelligence, machine learning, text classification, older texts, Universal Decimal Classification
Objavljeno v DKUM: 28.01.2025; Ogledov: 0; Prenosov: 5
Celotno besedilo (1,91 MB)
Gradivo ima več datotek! Več...

Opis: Sistem ocenjevanja v javni upravi predstavlja izziv, saj težje vrednotimo opravljeno delo, kot to lahko storimo v zasebnem sektorju, kjer je v določenih podjetjih produktivnost lahko zlahka merljiva. Prav tako problem predstavlja sistem ocenjevanja, ki je za celotno javno upravo univerzalen oziroma ni prilagojen glede na karakteristike oziroma značilnosti poklica. Sistem plač funkcionarjev in javnih uslužbencev v javnem sektorju, pravila za njihovo določanje, obračunavanje in izplačevanje ter pravila za določanje obsega sredstev za plače določa Zakon o sistemu plač v javnem sektorju (ZSPJS). Ne glede na plačno skupino, ki naj bi ločila zaposlene v javnem sektorju, pa je model za ocenjevanje javnih uslužbencev za vse javne uslužbence enak in ni prilagojen glede na karakteristike dela znotraj javne uprave. Ocenjevanje ima v javnem sektorju velik pomen, saj je neposredno povezano s plačnim napredovanjem. Ocena javnega uslužbenca že znotraj iste plačne skupine ne more biti objektivna, saj ima javni uslužbenec, ki je zaposlen na bolj obremenjeni izpostavi (policijska postaja na območju Ljubljane, Uprava Enota Ljubljana ali Upravna Enota Maribor …), večji obseg dela, kot ga ima javni uslužbenec, ki svoje delo opravlja na območju, kjer je število strank manjše. Prav tako omenjeni zaposleni težje svoje delo opravljajo pravočasno, nimajo časa za razvijanje novih idej in dajanja koristnih predlogov in pobud, hkrati pa je ob večji količini dela pogostost napak lahko večja. Primeren sistem ocenjevanja javnih uslužbencev bi moral biti objektiven in specifičen glede na delo znotraj enote, ki jo »pokriva« ocenjevalec. Model za ocenjevanje delovne uspešnosti bi moral biti pregleden, prilagojen zaposlenim in z jasnimi navodili ocenjevalcu ter po možnosti digitalen. Ena izmed ustreznih rešitev bi bila uporaba večparametrskega oziroma večkriterijskega odločitvenega modela z jasno določeno strukturo kriterijev, opisom zalog vrednosti in določeno funkcijo koristnosti. Omenjen model bi odločevalcu pomagal pri vrednotenju in analizi zaposlenih ter pri oblikovanju poročil.
Ključne besede: ocenjevanje delovne uspešnosti, policija, večkriterijski model odločanja
Objavljeno v DKUM: 15.11.2024; Ogledov: 0; Prenosov: 13
Celotno besedilo (4,43 MB)

Opis: Small and medium-sized enterprises (SMEs) need to keep pace with large enterprises, thus they need to digitally transform. Since they usually lack resources (budget, knowledge, and time) many countries have their support environment to help SMEs in this endeavor. To be able to ensure the right kinds of support, it is crucial to assess the digital maturity of an enterprise. There are many models and assessment tools for digital maturity, however, they are either theoretical models, partial, vendor oriented, or suited for large enterprises. In this paper, we address the problem of assessing digital maturity for SMEs. For this purpose, we developed a multi-attribute model for assessment of the digital maturity of an SME. We followed the design science research approach, where the multi-attribute model is considered as an IT artifact. Within the design cycle, the decision expert (DEX) methodology of a broader multi-attribute decision making methodologies was applied. The developed model was validated by a group of experts and upgraded according to their feedback and finally evaluated on seven real-life cases. Results show that the model can be used in real business situations.
Ključne besede: digital transformation, digital maturity assessment, multi-attribute model, small and medium-sized enterprises
Objavljeno v DKUM: 07.08.2024; Ogledov: 108; Prenosov: 23
Celotno besedilo (3,07 MB)
Gradivo ima več datotek! Več...

Opis: Namen te raziskave je ugotoviti, kako lahko uporaba tehnik strojnega učenja izboljša procese upravljanja nalog v projektnih dejavnostih podjetij. Študija je bila izvedena z uporabo metodologije CRISP-DM na podatkih iz dveh virov o projektih Jira. Glavni koraki priprave podatkov so vključevali čiščenje podatkov, tokenizacijo, lematizacijo in uravnoteženje. Modeliranje je bilo izvedeno z uporabo petih klasifikatorjev: Random Forest, SVC (angl. support vector classifier), Logistic Regression, Gradient Boosting in kNN. Upoštevani so bili različni pristopi k razvrstitvi podatkov: razvrstitev v dva, tri in štiri razrede. Analiza je pokazala, da čiščenje podatkov iz tehničnih informacij ne vpliva na rezultate razvrščanja. Uravnoteženje je izboljšalo rezultate. Po našem mnenju je razvrstitev podatkov v dva, tri in celo štiri razrede pokazala dobre rezultate. Uvedba sentimentalne sestavine v model ni izboljšala rezultatov razvrščanja. Menimo, da je bil cilj raziskave dosežen. Nadaljnje raziskave so lahko usmerjene v izboljšanje algoritmov za čiščenje opisov projektnih nalog iz tehničnih informacij. Naši rezultati in priporočila bodo pripomogli k izboljšanju procesov upravljanja nalog v projektih in povečanju njihove učinkovitosti.
Ključne besede: vodenje projektov, strojno učenje, prioriteta nalog, algoritmi za razvrščanje
Objavljeno v DKUM: 05.07.2024; Ogledov: 93; Prenosov: 22
Celotno besedilo (6,35 MB)