nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

380617_zh-CN

liliconcom

当每个报告的全文已在JMP列中时，是否可以仅对一批报告的“方法”部分中的文本进行子集设置？

大家好，

我有一个JMP表，其中包含一堆期刊文章的全文。每条记录的每一列都具有文章标题（作为ID），而另一列则具有文章全文。我有兴趣创建一个仅包含每篇论文“方法”部分中的文本的新列。我开始认为看完@brady_brady “重新编码审查”教程https://community.jmp.com/t5/JMP-On-Air/Recode-Review/ta-p/261025 。我的想法是为每个记录在全文字段中搜索“方法”一词，然后将其替换为任意且不常见的定界符（例如$％^）。接下来，我将在每个文档的全文本字段中搜索“结果”一词，并将其替换为不同的任意定界符（例如，！@＃）。然后，我可以以某种方式使用文本作为列或RegEx来仅对这两个定界符之间的文本进行子集化。从理论上讲这似乎是可能的。但是，我猜想如果在文档中多次出现“方法”或“结果”一词，这会很复杂（如果不是不切实际的话）。有什么建议/警告的话吗？

数据表

其他

回复：当每个报告的全文已在JMP列中时，是否可以仅对一批报告的“方法”部分中的文本进行子集设置？

你好，

这是可用于直接提取单词“ Methods”第一次出现和单词“ Results”第一次出现之间的文本的最基本公式。

Munger(
 :TEXT,
 Contains( Uppercase( :TEXT ), "METHODS" ),
 Contains( Uppercase( :TEXT ), "RESULTS" )
 -Contains( Uppercase( :TEXT ), "METHODS" )
)

我非常确定这仅适用于全文数据的一部分，因为这两个词在科学论文中极为常见，但是它使您了解了如何使用JMP公式而不必插入特殊字符和使用正则表达式。

最好的，

回复：当每个报告的全文已在JMP列中时，是否可以仅对一批报告的“方法”部分中的文本进行子集设置？

与许多（几乎所有？）情况一样，“取决于”。如果数据结构合理，则可以使用其他功能来解决此问题。例如，如果所有论文都来自同一期刊，则您可以利用它们之间的结构一致性。有时，您确实确实需要发挥创造力，有时，几乎不可能想出一种通过综合分析规则来分解所需文本的方法。当然，更多的工具可以带来更多的创造力和力量。

确保查看Recode的“提取段”功能，以及您提到的某些正则表达式。

抱歉，我在这里没有更多帮助了-

干杯，

布雷迪

回复：当每个报告的全文已在JMP列中时，是否可以仅对一批报告的“方法”部分中的文本进行子集设置？

你好，我们又见面了，

经过一些试验，我找到了一种方法，可以使用由...提供的简单公式来完成我的期刊文章文本分析目标。 @Thierry_S 。我面临的挑战是，我的“文章”来自大量不同的期刊，所有期刊都有不同的格式和副标题标签。因此，没有标准的面向模式的方法将起作用。我最终要做的是需要对pdf进行一些手动编辑，但这还不错，而且似乎100％有效。

首先，我打开每个pdf文件并编辑文本，以便不同的标准内容块具有自己的定界符。就我而言，我想要引用的摘要，简介，方法，结果，讨论和文献的标准类别。因此，在每篇论文中，我找到了与我的“方法”概念相符的第一个标题。在某些情况下，这实际上是“方法”一词，但在其他情况下，则是“材料和方法”或“研究领域”之类的东西。无论哪种方式，我都在所需子标题的末尾添加了唯一的定界符（例如CCCCC）。然后，我找到了与我的“结果”概念相匹配的第一个小标题，通常是“结果”一词，但每个期刊都不相同，有时还会使用其他词。无论副标题如何，我都添加了一个唯一的定界符（例如DDDDD）。对于整个语料库中我想要的六个标准内容块，我都执行了相同的操作。

接下来，我将所有编辑的pdf文件转换为.txt文件（使用JMP之外的其他软件）。

然后，我使用JMP中的AWESOME“导入多个文件”工具创建了一个数据表，该数据表每篇文章有一行，而每篇文章的全文都放在一列中。

在这一点上，我要做的就是创建6个新列，每个标题一个，然后使用Thierry_S提供的公式的变体来收集我想要的内容块。例如，要创建“方法”列，我使用了公式

Munger(
 :TEXT,
 Contains( Uppercase( :TEXT ), "CCCCC" ),
 Contains( Uppercase( :TEXT ), "DDDDD" )
 -Contains( Uppercase( :TEXT ), "CCCCC" )
)

然后，使用“公式”创建一个“结果”列

Munger(
 :TEXT,
 Contains( Uppercase( :TEXT ), "DDDDD" ),
 Contains( Uppercase( :TEXT ), "EEEEE" )
 -Contains( Uppercase( :TEXT ), "DDDDD" )
)

最后，我有一个800篇文章的数据表，其中每篇文章的标准列中的信息都包括摘要，介绍，方法，结果，讨论和引用的文献。宾果，哈利路亚！

尽管此方法确实需要手动将定界符插入PDF文件中，但是该过程只花了一天的时间。考虑到文章格式的巨大差异，以及文章之间没有一致的“标记”元数据，这是一个非常简单的方法。也许有一种方法可以通过搜索可能符合本节条件的单词列表（例如“方法”，“结果”）自动插入这些标签，但是正如该线程中其他地方提到的那样，这些单词在几乎任何部分都可能出现的期刊文章。手动方法使我能够从我所有的pdf文件中捕获文本，无论它们是来自期刊的pdf文件还是在过去30年中受到OCR扫描的报告质量较差的报告。