Indoeuropeistiikan uusi avaus Helsingin yliopistossa

Kirjallisuusarvostelu

A Dependency Parsing Approach to Biomedical Text Mining

Biomedical research is currently facing a new type of challenge: an excess of information, both in terms of raw data from experiments and in the number of scientific publications describing their results. Mirroring the focus on data mining techniques to address the issues of structured data, there has recently been great interest in the development and application of text mining techniques to make more effective use of the knowledge contained in biomedical scientific publications, accessible only in the form of natural human language. This thesis describes research done in the broader scope of projects aiming to develop methods, tools and techniques for text mining tasks in general and for the biomedical domain in particular. The work described here involves more specifically the goal of extracting information from statements concerning relations of biomedical entities, such as protein-protein interactions. The approach taken is one using full parsing—syntactic analysis of the entire structure of sentences—and machine learning, aiming to develop reliable methods that can further be generalized to apply also to other domains. The five papers at the core of this thesis describe research on a number of distinct but related topics in text mining. In the first of these studies, we assessed the applicability of two popular general English parsers to biomedical text mining and, finding their performance limited, identified several specific challenges to accurate parsing of domain text. In a follow-up study focusing on parsing issues related to specialized domain terminology, we evaluated three lexical adaptation methods. We found that the accurate resolution of unknown words can considerably improve parsing performance and introduced a domain-adapted parser that reduced the error rate of theoriginal by 10% while also roughly halving parsing time. To establish the relative merits of parsers that differ in the applied formalisms and the representation given to their syntactic analyses, we have also developed evaluation methodology, considering different approaches to establishing comparable dependency-based evaluation results. We introduced a methodology for creating highly accurate conversions between different parse representations, demonstrating the feasibility of unification of idiverse syntactic schemes under a shared, application-oriented representation. In addition to allowing formalism-neutral evaluation, we argue that such unification can also increase the value of parsers for domain text mining. As a further step in this direction, we analysed the characteristics of publicly available biomedical corpora annotated for protein-protein interactions and created tools for converting them into a shared form, thus contributing also to the unification of text mining resources. The introduced unified corpora allowed us to perform a task-oriented comparative evaluation of biomedical text mining corpora. This evaluation established clear limits on the comparability of results for text mining methods evaluated on different resources, prompting further efforts toward standardization. To support this and other research, we have also designed and annotated BioInfer, the first domain corpus of its size combining annotation of syntax and biomedical entities with a detailed annotation of their relationships. The corpus represents a major design and development effort of the research group, with manual annotation that identifies over 6000 entities, 2500 relationships and 28,000 syntactic dependencies in 1100 sentences. In addition to combining these key annotations for a single set of sentences, BioInfer was also the first domain resource to introduce a representation of entity relations that is supported by ontologies and able to capture complex, structured relationships. Part I of this thesis presents a summary of this research in the broader context of a text mining system, and Part II contains reprints of the five included publications.

Eroosiokohteiden tarkastelu Tenojokivarressa : viranomaisyhteistyön kehittäminen Tenojokivarressa 2011–2013 -hanke

Tämä raportti on osa Viranomaisyhteistyön kehittäminen Tenojokilaaksossa 2011–2013 -hanketta. Eroosiokohteiden tarkastelutyön suorittaminen Tenojokivarressa toteutettiin kesällä 2012. Eroosiokohteiden tarkastelutyön päätavoitteena oli selvittää, onko merkityillä kohteilla tapahtunut muutoksia eroosiossa edeltävän, vuonna 1999 toteutetun, tarkastelukerran jälkeen. Hankkeen lisätavoitteina oli kartoittaa tarkemmin Tenojoen eroosiokohteilla runsaimmin kasvavat, dominantit, kasvilajit. Työssä pyrittiin selvittämään eroosion vaikutukset kohteisiin ja kuvaaman kohteet mahdollisimman tarkasti, niin digitaaliseen kuin kirjalliseen muotoon, jotta eroosion kehittymistä voitaisiin jatkossakin seurata. Toteuttajatahoina olivat Lapin ELY-keskuksen vesivarayksikkö ja NVE (Norges Vassdrags- og energidirektorat). Raportin alussa esitetään yleiskuvaus Tenojoesta, eroosioprosessista ja eroosiosuojauksista. Raportissa esitellään Tenojoen kahdeksankymmenenkolmen eri eroosiokohteen maastotöiden tulokset. Inarijoen kohteiden tarkastelun suoritti NVE (kohteet 64–83). Suomen osuudessa (kohteet 1–63) on keskitytty enemmän kasvillisuuden kartoittamiseen kuin Norjan osuudessa. Inventoinnissa tarkoituksena oli kartoittaa kohteella kasvavat yleisimmät kasvilajit sekä tunnistaa harvinaisten kasvien esiintymät. Kohteilla kirjattiin kasvillisuuden esiintymistiedot, määriteltiin rinne- ja rantavyöhyke muotoineen, tunnistettiin maalajit sekä kohteella yleisimmin kasvavat, dominantit kasvilajit. Raportissa kohteita verrataan vuoden 1999 -arkasteluun. Suurimmassa osassa kohteista ei ole tapahtunut suuria muutoksia tarkastelukertojen välillä. Osassa kohteita kasvillisuus on lisääntynyt suuresti vuoteen 1999 verrattuna, kun taas osassa tilanne on päinvastainen ja avoimen osuuden ala on lisääntynyt. Tenojoen eroosiokohteiden kasvillisuuden kartoituksen ensimmäisenä liitteenä ovat kasvillisuustaulukot (kohteet 1–63), joista selviää kullakin kohteella yleisesti kasvavat kasvilajit. Toisena liitteenä on yhteenvetotaulukko kohteiden eroosion tilasta ja kolmantena liitteenä on kartta eroosiokohteiden sijainnista. Neljäntenä liitteenä on esitetty jokainen kohde ilmakuvassa.