Biomedical Entity Recognition by Detection and Matching
1. 本研究の学術的な背景と研究が解決する問題は何ですか？
==> 生物医学において、Named Entity Recognition（NER）は多数のテキストマイニングタスクの基盤となっています。しかし、外部の知識をトレーニングデータ以外に取り込むことは非常に困難であり、ドメインの包括的な理解が必要となるため、一般的なNERとは異なる課題を抱えています。
2. 本研究の目的及び学術的独自性と創造性は何ですか？
==> 本研究では、SAPBERTという既存のEntity Representation Modelsを使用することで、生物医学におけるNamed Entity Recognition（NER）を改善する新しいBNERフレームワークであるDMNERを提案しています。このフレームワークは、生成されたフレーズの品質が向上し、従来のNERモデルと比較して高い精度を誇ります。
3. 研究の着想を得た経緯や、関連する国内外の研究動向とは何ですか？
==> 生物医学におけるNamed Entity Recognitionには、様々な研究が行われていますが、外部の知識をトレーニングデータ以外に取り込むことに関しては残された課題があります。
4. 本研究で何をどのように，どこまで明らかにした？
==> 本研究では、SAPBERTを使用することにより、生物医学におけるNamed Entity Recognition（NER）において、高品質なフレーズを生成することができる新しいDMNERフレームワークを提案しました。また、このフレームワークの有効性を、10のベンチマークデータセットを用いた実験により実証しました。
5. 本研究の有効性はどのように検証した？
==> 本研究では、10のベンチマークデータセットを用いた実験によりDMNERの強みを確認しました。DMNERは従来のNERモデルよりも高い精度を誇り、外部の知識をトレーニングデータ以外に取り込むことが可能であるため、生物医学におけるテキストマイニングタスクにおいて有用となっています。