Paper-Analyzer zielt darauf ab, die Wissensgewinnung aus wissenschaftlichen (biomedizinischen) Artikeln über Deep Learning (DL)-Modelle für die Verarbeitung natürlicher Sprache (NLP) zu erleichtern. Der Kern des Paper-Analyzers ist ein Sprachmodell (LM), das mit Transformatoren-ähnlichen Architekturen entwickelt wurde, die auf wissenschaftliche Arbeiten abgestimmt sind. Das Ziel von LM ist es, das nächste Wort angesichts des Kontextes vorherzusagen. Wir haben Modelle trainiert, die auf dem LM aufbauen, um mehrere nachgelagerte Aufgaben wie Named-Entity-Recognition (NER), Relation-Extraction (RE) und Question-Answering (QA) als konsekutive Schritte zum Hauptziel, die automatische Wissensgewinnung, zu lösen.