Panggih Kusuma Ningrum

Panggih Kusuma Ningrum

Auto-generated profile, based on publicly available information

Panggih Kusuma Ningrum

Université Marie et Louis Pasteur, CRIT, Besançon, France

Research Focus & Metrics

Academic Career Length

5Years (2022-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
9 June 2022 in Journal of Indonesian Legal Studies
Verified
Journal Article
Open access
PDF file
MHMarkus Y Hage
Markus Y Hage
PNPanggih Kusuma Ningrum
Panggih Kusuma Ningrum
This article attempts to explore corrective justice and its significant role in private law. Corrective justice can be traced back to Aristotle's ideas of justice and Kant's ideas of rights. Hans Kelsen sharply criticized the concept of corrective justice for only proposing formal ideas without touching anything substantial. Apart from this criticism, corrective justice remains very important in private law studies because it provides solutions between two private actors in which one benefits from the losses experienced by the other. So far, the dispute settlement mechanism in private law gives the winning party a full share, while the loser does not receive any share at all. Corrective justice offers a quantitative measure that balances what the defendant is deducting and what is added to the claimant's loss. The application of this principle encourages the creation of equal punishment between the disputed parties.

18 May 2024 in Scientometrics
Verified
Journal Article
Closed access
PDF file
PNPanggih Kusuma Ningrum
Panggih Kusuma Ningrum
IAIana Atanassova
Iana Atanassova

5 April 2025 in Journal of Informetrics
Verified
Journal Article
Open access
PNPanggih Kusuma Ningrum
Panggih Kusuma Ningrum
PMPhilipp Mayr
Philipp Mayr
NSNina Smirnova
Nina Smirnova
IAIana Atanassova
Iana Atanassova

26 July 2023 in arXiv
Verified
Preprint
Open access
PDF file
PNPanggih Kusuma Ningrum
Panggih Kusuma Ningrum
PMPhilipp Mayr
Philipp Mayr
IAIana Atanassova
Iana Atanassova
This demo paper presents UnScientify, an interactive system designed to detect scientific uncertainty in scholarly full text. The system utilizes a weakly supervised technique that employs a fine-grained annotation scheme to identify verbally formulated uncertainty at the sentence level in scientific texts. The pipeline for the system includes a combination of pattern matching, complex sentence checking, and authorial reference checking. Our approach automates labeling and annotation tasks for scientific uncertainty identification, taking into account different types of scientific uncertainty, that can serve various applications such as information retrieval, text mining, and scholarly document processing. Additionally, UnScientify provides interpretable results, aiding in the comprehension of identified instances of scientific uncertainty in text.

22 July 2026 in Scientometrics
Verified
Journal Article
Closed access
PDF file
IAIana Atanassova
Iana Atanassova
PNPanggih Kusuma Ningrum
Panggih Kusuma Ningrum
NGNicolas Gutehrlé
Nicolas Gutehrlé
FLFrancis Lareau
Francis Lareau
CMChristophe Malaterre
Christophe Malaterre

9 April 2026
Verified
Thesis
Closed access
PNPanggih Kusuma Ningrum
Panggih Kusuma Ningrum
Identifying and annotating scientific uncertainty in scholarly texts : methods, frameworks, and applications: L'incertitude scientifique est au cœur du processus de recherche et de la construction de nouvelles connaissances. Cette thèse explore la manière dont l'incertitude est exprimée dans les textes académiques, en abordant les défis liés à son identification et à sa classification. Premièrement, la majorité des corpus annotés existants se concentrent sur des aspects spécifiques de l'incertitude — tels que l'atténuation (hedging), la négation ou la modalité — sans parvenir à en saisir toute la diversité à travers les disciplines scientifiques. Deuxièmement, la détection de l'incertitude scientifique est une tâche complexe à cause de la polysémie des indices linguistiques d'incertitude, dont le sens peut varier selon le contexte. Les approches antérieures ont souvent négligé le contexte linguistique et sémantique, ce qui peut entraîner des erreurs de classification. Troisièmement, l'expression de l'incertitude est linguistiquement complexe, stylistiquement variable, et peut dépendre des auteurs et des disciplines.Pour relever ces défis, ce travail propose : 1) un cadre d'annotation à cinq dimensions pour catégoriser l'incertitude de manière exhaustive ; 2) un corpus de référence annoté, comprenant 2,523 phrases extraites de 22 revues en sciences, technologies et médecine (STM) ainsi qu'en sciences humaines et sociales (SHS), et de 53 revues issues du dépôt SSOAR (Social Science Open Access Repository). Ce corpus constitue une ressource précieuse pour l'entraînement et l'évaluation de modèles de détection de l'incertitude, en assurant la reproductibilité des résultats et en rendant possible les recherches futures ; 3) un système appelé UnScientify, qui permet de détecter et d'annoter automatiquement l'incertitude scientifique dans des domaines variés. UnScientify est interprétable, efficace, et offre de bonnes performances tout en nécessitant peu de données annotées, ce qui en fait un outil adapté à des applications concrètes. En s'appuyant sur des motifs et des règles prédéfinis, le système atteint une précision et un rappel élevés, surpassant les grands modèles de langage (GMLs), avec une exactitude de 0,816, une précision de 0,952 pour les étiquettes de non-incertitude, et un rappel de 0,956 pour les étiquettes d'incertitude. Une validation externe a confirmé l'applicabilité du système à d'autres corpus, avec une amélioration de l'exactitude (0,841) et un rappel équilibré (0,803 pour l'incertitude, 0,885 pour la non-incertitude).