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-TW

liliconcom

當每個報告的全文已在JMP列中時，是否可以僅對一批報告的“方法”部分中的文本進行子集設置？

大家好，

我有一個JMP表，其中包含一堆期刊文章的全文。每條記錄的每一列都具有文章標題（作為ID），而另一列則具有文章全文。我感興趣的是創建一個僅包含每篇論文“方法”部分中的文本的新列。我開始認為看完@brady_brady “重新編碼審查”教程https://community.jmp.com/t5/JMP-On-Air/Recode-Review/ta-p/261025 。我的想法是為每個記錄在全文字段中搜索“方法”一詞，然後將其替換為任意且不常見的定界符（例如$％^）。接下來，我將在每個文檔的全文本字段中搜索“結果”一詞，並將其替換為不同的任意定界符（例如，！@＃）。然後，我可以以某種方式使用文本作為列或RegEx來僅將這兩個定界符之間的文本作為子集。從理論上講這似乎是可能的。但是，我猜想如果在文檔中多次出現“方法”或“結果”一詞，這會很複雜（如果不是不切實際的話）。有什麼建議/警告的話嗎？

數據表

其他

回复：當每個報告的全文已在JMP列中時，是否可以僅對一批報告的“方法”部分中的文本子集？

你好，

這是可用於直接提取單詞“ Methods”第一次出現和單詞“ Results”第一次出現之間的文本的最基本公式。

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

我非常確定這僅適用於全文數據的一部分，因為這兩個詞在科學論文中極為常見，但是它使您了解瞭如何使用JMP公式而不必插入特殊字符和使用正則表達式。

最好的，

回复：當每個報告的全文已在JMP列中時，是否可以僅對一批報告的“方法”部分中的文本子集？

與許多（幾乎所有？）情況一樣，“取決於”。如果數據結構合理，則可以使用其他功能來解決此問題。例如，如果所有論文都來自同一期刊，則您可以利用它們之間的結構一致性。有時，您確實確實需要發揮創造力，有時，幾乎不可能想出一種通過綜合分析規則來分解所需文本的方法。當然，更多的工具可以帶來更多的創造力和力量。

確保查看Recode的“提取段”功能，以及您提到的某些正則表達式。

抱歉，我在這裡沒有更多幫助了-

乾杯，

布雷迪

回复：當每個報告的全文已在JMP列中時，是否可以僅對一批報告的“方法”部分中的文本子集？

你好，我們又見面了，

經過一些實驗，我找到了一種方法，可以使用由...提供的簡單公式來完成我的期刊文章文本分析目標@Thierry_S 。我面臨的挑戰是，我的“文章”來自大量不同的期刊，所有期刊都有不同的格式和副標題標籤。因此，沒有標準的面向模式的方法將起作用。我最終要做的事情是需要對pdf進行一些手動編輯，但這並不是那麼糟糕，它似乎是100％有效的。

首先，我打開每個pdf文件並編輯文本，以便不同的標準內容塊具有自己的定界符。就我而言，我想要引用的摘要，簡介，方法，結果，討論和文獻的標準類別。因此，在每篇論文中，我找到了與我的“方法”概念相符的第一個標題。在某些情況下，這實際上是“方法”一詞，但在其他情況下，則是“材料和方法”或“研究領域”之類的東西。無論哪種方式，我都在所需子標題的末尾添加了唯一的定界符（例如CCCCC）。然後，我找到了與我的“結果”概念相匹配的第一個小標題，通常是“結果”一詞，但每個期刊都不相同，有時還會使用其他詞。無論副標題如何，我都添加了唯一的定界符（例如DDDDD）。對於整個語料庫中我想要的六個標準內容塊，我都執行了相同的操作。

接下來，我將所有編輯的pdf文件轉換為.txt文件（使用JMP之外的其他軟件）。

然後，我使用JMP中的AWESOME“導入多個文件”工具創建了一個數據表，該數據表每篇文章有一行，而每篇文章的全文都放在一列中。

在這一點上，我要做的就是創建6個新列，每個標題一個，然後使用Thierry_S提供的公式的變體來收集我想要的內容塊。例如，要創建“方法”列，我使用了公式

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

然後，使用“公式”創建一個“結果”列

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

最後，我有一個800篇文章的數據表，其中每篇文章在標準的摘要，介紹，方法，結果，討論和引用的文獻列中都有信息。賓果，哈利路亞！

儘管此方法確實需要手動將定界符插入PDF文件中的步驟，但該過程只花了一天的時間。考慮到文章格式的巨大差異，以及文章之間沒有一致的“標記”元數據，這是一個非常簡單的方法。也許有一種方法可以通過搜索可能符合本節條件的單詞列表（例如“方法”，“結果”）自動插入這些標籤，但是正如該線程中其他地方提到的那樣，這些單詞在幾乎任何部分都可能出現的期刊文章。手動方法使我能夠從我所有的pdf文件中捕獲文本，無論它們是來自期刊的pdf文件還是在過去30年中受到OCR掃描的報告質量較差的報告。