인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
While recent advances in deep learning many existing approaches primarily emphasize textual descriptions and fail to fully capture the mathematical content of equations. To address this limitation, this study proposes a hybrid model that integrates a Long Short-Term Memory (LSTM) network with Bidirectional Encoder Representations from Transformers (BERT) for classifying equations into topic domains. In the proposed method, LaTeX-formatted equations are transformed into bigram token sequences for structural analysis by the LSTM encoder, while the surrounding textual context is processed by the BERT encoder to capture semantic meaning. The two encoded representations are concatenated and passed through a feed-forward neural network for final classification. Experiments on a high school mathematics dataset demonstrate that this approach outperforms standalone LSTM and BERT models, achieving 91.96% accuracy, 92.11% precision, 91.97% recall, and an F1-score of 0.92, confirming the effectiveness of jointly leveraging structural and contextual information for mathematical problem classification.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-094347649
