No abstract

No abstract

No abstract

Przedstawiony tekst koncentruje się na identyfikacji przedmiotów sporów politycznych na poziomie globalnym, Unii Europejskiej oraz Polski, które dotyczą przeciwdziałania zmianom klimatu. Tłem do analizy jest syntetyczna prezentacja stanu wiedzy odnoszącej się do zmian klimatu, a także pokazanie przykładów różnych ocen tego zagadnienia, jakie docierają do społeczeństwa w debacie publicznej. Wykonana analiza pokazuje, że argumenty w sporze politycznym odzwierciedlają status ekonomiczny państw, ich miks energetyczny oraz zaawansowanie technologiczne. W debacie krajowej przeważa kwestia tempa transformacji energetycznej i rozłożenia jej kosztów między różne grupy społeczne. W konkluzji wskazuje się na argumenty społeczne, gospodarcze i polityczne, które skłaniają do ukierunkowania polityki rozwoju na energooszczędną i niskoemisyjną.

In this paper we present a method for correcting automatic speech recognition (ASR) errors using a finite state transducer (FST) intent recognition framework. Intent recognition is a powerful technique for dialog flow management in turn-oriented, human-machine dialogs. This technique can also be very useful in the context of human-human dialogs, though it serves a different purpose of key insight extraction from conversations. We argue that currently available intent recognition techniques are not applicable to humanhuman dialogs due to the complex structure of turn-taking and various disfluencies encountered in spontaneous conversations, exacerbated by speech recognition errors and scarcity of domain-specific labeled data. Without efficient key insight extraction techniques, raw human-human dialog transcripts remain significantly unexploited.Our contribution consists of a novel FST for intent indexing and an algorithm for fuzzy intent search over the lattice -a compact graph encoding of ASR's hypotheses. We also develop a pruning strategy to constrain the fuzziness of the FST index search. Extracted intents represent linguistic domain knowledge and help us improve (rescore) the original tran-script. We compare our method with a baseline, which uses only the most likely transcript hypothesis (best path), and find an increase in the total number of recognized intents by 25.1%.