論文の概要、ライセンス

# (参考訳) 深層学習と弱信号解析を用いた新興技術の検出とその進化 [全文訳有]

Detecting Emerging Technologies and their Evolution using Deep Learning and Weak Signal Analysis ( http://arxiv.org/abs/2205.05449v1 )

ライセンス: CC BY 4.0		Ashkan Ebadi and Alain Auger and Yvan Gauthier(参考訳) 新興技術は経済に大きな影響を与え、戦略的安定に影響を及ぼす可能性がある。 しかし、新興技術の早期発見は依然として困難である。 新興テクノロジをタイムリーかつ信頼性の高い方法で識別するためには,関連する科学技術動向とその関連文献を総合的に検討する必要がある。 この試験は一般的にドメインの専門家によって行われ、洞察を得るためにかなりの時間と労力を要する。 S&Tトレンドから新興技術を特定するためのドメインエキスパートの使用は、大量の情報を分析し、アセスメントに主観性を導入する能力を制限する可能性がある。 意思決定支援システムは、環境の定常的かつ継続的な監視を通じて、正確で信頼性の高い証拠に基づく指標を提供し、セキュリティと経済の繁栄を変える可能性のある新興技術のシグナルを特定するのに役立つ。 例えば、超音速の研究分野は、最近、重要な技術、商業、および国家安全保障に影響を及ぼすいくつかの進歩を目撃している。 本研究では,深層学習と弱信号解析を利用して,超音速科学論文から将来の兆候を識別できる多層定量的手法を提案する。 提案されたフレームワークは、戦略的プランナーやドメインの専門家が新興技術トレンドを特定し監視するのに役立つ。

Emerging technologies can have major economic impacts and affect strategic stability. Yet, early identification of emerging technologies remains challenging. In order to identify emerging technologies in a timely and reliable manner, a comprehensive examination of relevant scientific and technological (S&T) trends and their related references is required. This examination is generally done by domain experts and requires significant amounts of time and effort to gain insights. The use of domain experts to identify emerging technologies from S&T trends may limit the capacity to analyse large volumes of information and introduce subjectivity in the assessments. Decision support systems are required to provide accurate and reliable evidence-based indicators through constant and continuous monitoring of the environment and help identify signals of emerging technologies that could alter security and economic prosperity. For example, the research field of hypersonics has recently witnessed several advancements having profound technological, commercial, and national security implications. In this work, we present a multi-layer quantitative approach able to identify future signs from scientific publications on hypersonics by leveraging deep learning and weak signal analysis. The proposed framework can help strategic planners and domain experts better identify and monitor emerging technology trends. 		公開日: Wed, 11 May 2022 12:50:43 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語（論文から抽出）日本語訳スコア
Detecting Emerging Technologies and their Evolution using Deep Learning and Weak Signal Analysis Ashkan Ebadi1,*, Alain Auger2, and Yvan Gauthier3 1. National Research Council Canada, Montreal, QC H3T 1J4, Canada 2. Science and Technology Foresight and Risk Assessment Unit, Defence Research and Development Canada, Ottawa, Ontario, Canada 3. National Research Council Canada, Ottawa, ON K1K 2E1, Canada * Corresponding author: Ashkan Ebadi (ashkan.ebadi@nrc-cn rc.gc.ca) Abstract Emerging technologies can have major economic impacts and affect strategic stability. Detecting Emerging Technologies and their Evolution using Deep Learning and Weak Signal Analysis Ashkan Ebadi1,*, Alain Auger2, and Yvan Gauthier3 1. National Research Council Canada, Montreal, QC H3T 1J4, Canada 2. Science and Technology Foresight and Risk Assessment Unit, Defence Research and Development Canada, Ottawa, Ontario, Canada 3. National Research Council Canada, Ottawa, ON K1K 2E1, Canada * Corresponding author: Ashkan Ebadi (ashkan.ebadi@nrc-cn rc.gc.ca) Abstract Emerging technologies can have major economic impacts and affect strategic stability.
訳抜け防止モード: 深層学習と弱信号解析ashkan ebadi1を用いた新興技術とその進化 ※alain auger2及びyvan gauthier3 1. national research council canada モントリオール, qc h3 t 1j4, canada 2. science and technology foresight カナダ国防研究開発部 リスクアセスメント部門 オタワ カナダ オンタリオ カナダ カナダ カナダ オタワ k2e1 カナダ * 対応する著者 : ashkan ebadi (ashkan.ebadi@nrc-cn rc.gc.ca) 抽象的な新興技術は経済的に大きな影響を与え、戦略的安定性に影響を与える可能性がある。 		0.84
Yet, early identification of emerging technologies remains challenging. しかし、新興技術の早期発見は依然として困難である。 0.56
In order to identify emerging technologies in a timely and reliable manner, a comprehensive examination of relevant scientific and technological (S&T) trends and their related references is required. 新興テクノロジをタイムリーかつ信頼性の高い方法で識別するためには,関連する科学技術動向とその関連文献を総合的に検討する必要がある。
訳抜け防止モード: タイムリーかつ信頼性の高い方法で新興技術を特定するには 関連する科学と技術(S&T)の動向の総合的な調査 関連した参照が必要なのです。 		0.78
This examination is generally done by domain experts and requires significant amounts of time and effort to gain insights. この試験は一般的にドメインの専門家によって行われ、洞察を得るためにかなりの時間と労力を要する。 0.62
The use of domain experts to identify emerging technologies from S&T trends may limit the capacity to analyse large volumes of information and introduce subjectivity in the assessments. S&Tトレンドから新興技術を特定するためのドメインエキスパートの使用は、大量の情報を分析し、アセスメントに主観性を導入する能力を制限する可能性がある。 0.72
Decision support systems are required to provide accurate and reliable evidence-based indicators through constant and continuous monitoring of the environment and help identify signals of emerging technologies that could alter security and economic prosperity. 意思決定支援システムは、環境の定常的かつ継続的な監視を通じて、正確で信頼性の高い証拠に基づく指標を提供し、セキュリティと経済の繁栄を変える可能性のある新興技術のシグナルを特定するのに役立つ。
訳抜け防止モード: 環境の定常的・連続的なモニタリングによる正確かつ確実な証拠提供のための意思決定支援システムの必要性 安全保障と経済の繁栄を変える 新興技術のシグナルを 特定するのに役立つでしょう 		0.73
For example, the research field of hypersonics has recently witnessed several advancements having profound technological, commercial, and national security implications. 例えば、超音速の研究分野は、最近、重要な技術、商業、および国家安全保障に影響を及ぼすいくつかの進歩を目撃している。 0.50
In this work, we present a multi-layer quantitative approach able to identify future signs from scientific publications on hypersonics by leveraging deep learning and weak signal analysis. 本研究では,深層学習と弱信号解析を利用して,超音速科学論文から将来の兆候を識別できる多層定量的手法を提案する。 0.81
The proposed framework can help strategic planners and domain experts better identify and monitor emerging technology trends. 提案されたフレームワークは、戦略的プランナーやドメインの専門家が新興技術トレンドを特定し監視するのに役立つ。 0.61
Keywords emerging terms, future sign, weak signal, natural language processing, deep learning, hypersonics キーワードの創発語、未来の記号、弱い信号、自然言語処理、ディープラーニング、ハイパーソニックス 0.73
1. Introduction The complex and rapidly evolving nature of modern science has given rise to emerging technologies with transformative and disruptive characteristics, as recently exemplified by deep learning [1], cryptocurrencies [2], mRNA vaccines [3], and solar cells [4]. 1. 現代科学の複雑で急速に進化する性質は、最近、ディープラーニング[1]、暗号[2]、mRNAワクチン[3]、太陽電池[4]で実証されたように、革新的で破壊的な特徴を持つ新興技術の台頭をもたらした。 0.70
Such technologies have changed the landscape of existing industries while creating new economic opportunities and affecting societies and the lives of people [5]. このような技術は、新たな経済機会を生み出しつつ、既存の産業の景観を変え、社会や人々の生活に影響を与える[5]。
訳抜け防止モード: このような技術は既存の産業の景観を変えつつも 新しい経済機会を創造し、社会や人々の生活に影響を与える[5]. 		0.85
Given the highly competitive and evolving environment, planners always seek insights into emerging technologies that could affect long-term strategic stability [6], economic development, and national security. 高度に競争力があり進化している環境を考えると、プランナーは常に長期的な戦略的安定(6)、経済発展、そして国家安全保障に影響を及ぼす新興技術についての洞察を求めている。 0.48
Early detection of new technology trends is of critical importance for governments and businesses, as it enables them to identify opportunities and risks quickly and react to them accordingly by formulating appropriate research, development, and innovation strategies [7]. 新しい技術トレンドの早期発見は、適切な研究、開発、イノベーション戦略を定式化することによって、機会とリスクを迅速に特定し、それらに対応することができるため、政府やビジネスにとって極めて重要である [7]。
訳抜け防止モード: 新しい技術トレンドの早期発見は、政府や企業にとって非常に重要である。 機会やリスクを素早く特定し、それに応じて反応することができるので 適切な研究・開発・イノベーション戦略の策定 [7] 		0.77
Several Scientometrics studies have considered various data sources, such as scientific publications and patents, and employed different techniques, such as bibliometrics and keyword network analysis, to identify the emergence and evolution of new technologies [8, 9, 10]. いくつかのサイエントメトリックス研究は、科学出版物や特許のような様々なデータソースを検討し、新しいテクノロジーの出現と進化を特定するために、書誌学やキーワードネットワーク分析のような様々な技術を用いた [8, 9, 10]。 0.80
Using co-word analysis and by means of scientometric indicators, Lee [11] identified emerging research themes in the field of information security by analyzing patterns and trends. コーワード分析とサイエントメトリック指標を用いて、Lee [11]はパターンや傾向を分析して情報セキュリティ分野における新たな研究テーマを特定した。 0.79
1 1 0.42
英語（論文から抽出）日本語訳スコア
Abercrombie et al. abercrombieとal。 0.76
[12] analyzed the relationships among several data sources and proposed a scientometric model to track the emergence of new technologies. 12]いくつかのデータソース間の関係を分析し,新技術の出現を追跡するサイエントメトリックモデルを提案した。 0.85
In another study, Kim and Zhu [13] applied dynamic topic modeling to identify and investigate the thematic patterns and emerging trends of the scientific publications in scientometrics. 別の研究では、KimとZhu [13]は、サイエントメトリックスにおける科学出版物のテーマパターンと出現傾向を特定し、調査するために動的トピックモデリングを適用した。 0.71
More recently, Park and Yoon [14] presented a quantitative approach to discover potential future technological opportunities from the patent-citation network. 最近では、ParkとYoon [14]が特許引用ネットワークから将来の技術機会を発見するための定量的アプローチを提示している。 0.67
Recent advances in digital technology have made such data more accessible than ever. デジタル技術の最近の進歩は、そのようなデータをこれまで以上にアクセスしやすくしている。 0.60
Various science and technology (S&T) databases exist for many fields of innovation, with data continuously increasing in size and variety [15]. さまざまな科学技術(S&T)データベースがイノベーションの多くの分野で存在しており、データはサイズと多様性が継続的に増加しています [15]。 0.78
On the other hand, the fast-evolving nature of modern science and technology has made strategic planning more complex [16]. 一方で、近代科学技術の急速な進化によって、戦略的計画がより複雑になった [16]。 0.80
The incomplete and asynchronous information, in some cases, adds to this complexity [17]. 不完全で非同期な情報は、場合によってはこの複雑さを増す[17]。 0.75
These attributes along with the availability of advanced computer science algorithms provide new opportunities to gain better insights from S&T databases. これらの属性と高度なコンピュータサイエンスアルゴリズムの可用性は、S&Tデータベースからより良い洞察を得る新しい機会を提供する。 0.79
For example, in a recent study, Xu et al [18] combined several machine learning models and proposed a framework to identify and foresight emerging research topics at the thematic level. 例えば、最近の研究では、Xu et al [18]はいくつかの機械学習モデルを組み合わせて、テーマレベルで新しい研究トピックを特定し、予測するためのフレームワークを提案しました。 0.63
Computerized systems can help human experts keep pace with increasing and evolving data and extract knowledge about a specific technology domain [19]. コンピュータシステムは、人間の専門家がデータの増加と進化に追随し、特定の技術領域に関する知識を抽出するのに役立ちます [19]。 0.71
For instance, the research field of hypersonics is rapidly progressing and has various commercial and military applications [20]. 例えば、超音速の研究分野は急速に進歩しており、様々な商業・軍事用途がある[20]。 0.71
The term hypersonic means “pertaining to or moving at a speed greatly in excess of the speed of sound, usually meaning greater than Mach 5. All speeds in excess of the speed of sound are supersonic, but to be hypersonic requires even higher speed” [21]. ハイパーソニック(hypersonic)とは、「音の速度よりも大きな速度で、すなわちマッハ5よりも大きい速度で動くか、あるいは非常に速く動く」という意味で、音速を超えるすべての速度はスーパーソニックであるが、ハイパーソニックになるためにはさらに高速を必要とする [21]。 0.72
Research in hypersonics is now central to many civilian and military aerospace programs. ハイパーソニックスの研究は現在、多くの民間および軍事航空計画の中心となっている。 0.56
In this research, we propose a multi-layer approach to extract signals and trace their evolution, combining various techniques such as natural language processing (NLP), deep learning, and weak signal analysis. 本研究では,自然言語処理(nlp),深層学習,弱信号解析といった様々な手法を組み合わせて,信号抽出とその進化を追跡する多層手法を提案する。 0.88
Our contribution is threefold: first, we improve upon keyword extraction by going beyond traditional statistical approaches and leverage a pre-trained transformer-based deep learning technique, namely BERT [22], and get domain experts to validate the extracted keywords. まず、従来の統計的アプローチを超えて、トレーニング済みのトランスフォーマーベースのディープラーニング技術であるBERT[22]を活用し、抽出したキーワードをドメインの専門家に検証することで、キーワード抽出を改善する。 0.66
Second, we apply recent concepts of weak signal analysis to the early detection of technology emergence. 第2に, 弱信号解析の最近の概念を, 技術出現の早期検出に適用する。 0.85
Third, we offer an end-to-end, modular approach that can be re-applied to other technology fields and leverage additional data sources. 第3に、他の技術分野に再適用して、追加のデータソースを活用する、エンドツーエンドのモジュラーなアプローチを提供しています。 0.55
The resulting approach enables faster comprehensive and large-scale quantitative analyses that can complement expert-based methods. 結果として得られたアプローチは、専門家ベースの手法を補完するより高速な包括的かつ大規模な定量的分析を可能にする。 0.46
As a test case to measure the ability of the approach to identify trends and extract early signals, we focus on scientific publications in the domain of hypersonics for the period from 1985 to 2020. 1985年から2020年までのハイパーソニックス分野の学術論文を中心に,トレンドを識別し,早期信号を抽出するためのアプローチの能力を評価するテストケースについて検討した。 0.72
The remainder of the paper is organized as follows: previous works on text mining and weak signal analysis are reviewed in Section 2. テキストマイニングと弱い信号分析に関する以前の研究は、第2節でレビューされている。
訳抜け防止モード: 残りの論文は以下のとおりにまとめられている。 第2節では,テキストマイニングと弱信号解析に関する先行研究について概説する。 		0.62
Section 3 describes data and methodology. 第3節ではデータと方法論について記述する。 0.44
We present our findings in Section 4 and discuss them in Section 5. 本報告は第4節で報告し,第5節で考察する。 0.53
Section 6 covers the limitations of this work and draws some directions for future research. 第6節では、この研究の限界をカバーし、今後の研究の方向性を定めている。 0.46
2. Related Work Our proposed approach is based on automatic keyword extraction using state-of-the-art techniques and weak signal analysis. 2. 関連作業 提案手法は,最先端技術と弱信号解析を用いた自動キーワード抽出に基づく。 0.91
In this section, these topics are briefly introduced and previous work is discussed. 本節では、これらのトピックを簡潔に紹介し、先行研究について論じる。 0.52
2.1. Automatic Keyword Extraction Automatic keyword extraction (AKE) is the process of automatically extracting representative keywords (and/or phrases) from a document (or a collection of documents) [23]. 2.1. 自動キーワード抽出自動キーワード抽出(ake)は、文書(あるいは文書の集合)から代表キーワード(および/または句)を自動的に抽出するプロセス [23]。 0.62
The extracted keywords may help the user to grasp a high-level understanding of the content presented in the respective documents. 抽出されたキーワードは、ユーザが各文書に提示された内容の高レベルな理解を理解するのに役立つ。
訳抜け防止モード: 抽出されたキーワードは ユーザは、各ドキュメントに提示されたコンテンツの高レベルな理解を得る。 		0.76
This is crucial especially if the user deals with large data sets, which is usually the case in real-world 特にユーザが大規模なデータセットを扱う場合、これは非常に重要です。 0.67
2 2 0.42
英語（論文から抽出）日本語訳スコア
applications. AKE has been widely studied. アプリケーション。 明は広く研究されている。 0.68
At a high-level, keyword extraction approaches can be classified into four categories: 1) statistical approaches, 2) linguistics approaches, 3) machine/deep learning approaches, and 高レベルでは、キーワード抽出アプローチは、1)統計的アプローチ、2)言語学的アプローチ、3)機械/深層学習アプローチ、そして、4つのカテゴリに分類される。 0.67
4) hybrid methods [24]. 4)ハイブリッド手法 [24] 0.68
We briefly introduce these approaches in the following sections. 以下にこれらのアプローチを簡単に紹介する。 0.64
2.1.1. Statistical Approaches Statistical methods for keyword extraction are mostly based on simple statistics calculated from nonlinguistic features of a (set of) document(s) [25]. 2.1.1. 統計的アプローチ キーワード抽出の統計的手法は、主に(集合)文書の非言語的特徴から計算された単純な統計に基づいています [25]。 0.55
Several papers have reported results for the extraction of a set of keywords from a corpus using simple statistical measures such as term frequency (TF) [26], word co-occurrences [27], and term frequency-inverse document frequency (TF-IDF) [28]. いくつかの論文では、項頻度(TF)[26]、単語共起[27]、項周波数逆文書頻度(TF-IDF)[28]といった単純な統計的尺度を用いて、コーパスからキーワードの集合を抽出する結果を報告している。 0.76
Since these approaches are based on the frequency of terms/occurrences, their results could be noisy and not very precise [25]. これらの手法は項/事象の頻度に基づいており、その結果はノイズがあり、非常に正確ではない[25]。 0.68
2.1.2. Linguistic Approaches Linguistic methods use natural language processing techniques and linguistic features of words in a (set of) document(s) to detect and extract representative keywords [25]. 2.1.2. 言語的アプローチ 言語的手法は、自然言語処理技術と(一連の)文書中の単語の言語的特徴を用いて、代表キーワードを検出し抽出する [25]。 0.57
For example, [29] used lexical analysis to summarize documents, [30] employed syntactic analysis to improve automatic keyword extraction, and [31] performed discourse analysis to automatically structure and summarize documents. 例えば,[29] は語彙解析を用いて文書を要約し,[30] は構文解析を用いて自動キーワード抽出を改良し,[31] は談話解析を行い,文書を自動的に構造化し要約した。 0.82
2.1.3. Machine Learning Approaches Machine learning techniques are used to extract keywords from the corpus. 2.1.3. 機械学習アプローチ 機械学習技術は、コーパスからキーワードを抽出するために使用される。 0.51
The learning phase can be done in a supervised setting where a model is trained using (large) annotated text corpora or in an unsupervised setting without using any annotated dataset. 学習フェーズは、(大きな)注釈付きテキストコーパスを使用してモデルをトレーニングする教師付き設定や、注釈付きデータセットを使用せずに教師なし設定で実行することができる。 0.67
There are several works in the literature that performed supervised learning approaches for keyword extraction using various machine learning techniques such as support vector machine (SVM) [32] and Naive Bayes [33]. サポートベクターマシン(SVM)[32]やネイブベイズ[33]など,さまざまな機械学習技術を用いて,キーワード抽出のための教師付き学習アプローチを行った文献はいくつかある。 0.87
Rapid Automatic Keyword Extraction (RAKE) [34] is an example of an unsupervised, domain- and language-independent method for automatic keyword extraction from documents. Rapid Automatic Keyword extract (RAKE) [34] は、文書からの自動キーワード抽出のための教師なし、ドメインに依存しない手法の例である。 0.75
YAKE! [35] is another example of an unsupervised automatic keyword extraction approach using statistical text features. YAKE! [35]は統計テキストの特徴を用いた教師なしの自動キーワード抽出手法の一例である。 0.76
With recent advancements in language representation such as the Bidirectional Encoder Representations from Transformers (BERT) method [22], new techniques are introduced that use BERT embeddings for keyword and keyphrase retrieval [36, 37]. 変換器(BERT)法[22]による双方向エンコーダ表現などの言語表現の最近の進歩により,キーワードやキーフレーズ検索にBERT埋め込みを用いる新たな手法が導入された[36,37]。 0.85
2.1.4. Hybrid Approaches Hybrid methods combine the above-mentioned approaches or use heuristics to calculate the best features from the target text corpora and use them to extract keywords and/or keyphrases [38, 39]. 2.1.4. ハイブリッドアプローチ ハイブリッドメソッドは、上記のアプローチを組み合わせるか、あるいはヒューリスティックを使ってターゲットテキストコーパスから最高の特徴を計算し、キーワードやキーフレーズを抽出する[38, 39]。 0.53
2.2. Weak Signal Analysis Detection of weak signals, trends, and issues in the evolving technology landscape as early as possible has been emphasized in the literature for strategic planning [40, 41]. 2.2. 戦略計画の文献(40, 41)では,技術展開における弱信号,トレンド,課題を可能な限り早期に検出することの重要性が強調されている。 0.58
Different types of changes could be of interest from an unexpected discontinuity in a technology trend to a new emerging (mega-)trend with a high impact on society and the technology landscape itself [42]. テクノロジートレンドの予期せぬ不連続から、社会やテクノロジーのランドスケープそのものに大きな影響を与える新しい新興(メガ)トレンドまで、さまざまなタイプの変化が興味をそそられるかもしれません [42]。 0.75
The weak signal concept was first introduced by Ansoff [40] as an alternative to strategic planning in the 1970s and 1980s. 弱い信号の概念は、1970年代と1980年代に戦略的計画の代替としてAnsoff [40]によって初めて導入された。 0.68
Later in 1997, Coffman [43] provided a more detailed definition of Ansoff’s, defining a weak signal as a signal that: 1997年後半、coffman [43] はアンソフのより詳細な定義を提供し、弱信号は次の信号として定義した。 0.77
1) can affect the business or its environment, 2) is new to the receiver of the signal despite not being necessarily new to others, 1) 事業又はその環境に影響し得ること,2) 他人に必ずしも新しいものではないにもかかわらず,信号の受信者には新規である。 0.74
3) could be difficult to track, 3)追跡が難しい場合がある。 0.72
4) can be regarded as a threat or opportunity to a specific group, 5) can be downgraded by those who perceive and know this signal, 6) needs time to become mature and mainstream, and 4)特定のグループに対する脅威や機会とみなすことができ、(5)この信号を理解して知っていれば、(6)成熟し、主流になるための時間が必要である。 0.78
7) is an opportunity to learn and grow. 7) 学び、成長する機会である。 0.74
According to Saritas [44], サリタスによれば[44]。 0.59
3 3 0.42
英語（論文から抽出）日本語訳スコア
weak signals are “early signs of possible but not confirmed changes that may later become more significant indicators of critical forces”, hence, they can be regarded as signals about future trends of a given technology. 弱い信号は“可能性の兆候だが、後に重要な力の指標になる可能性のある変化は確認されていない”ため、それらは与えられた技術の将来の動向に関する信号とみなすことができる。 0.74
In other words, these signals are potential indicators of the discontinuity or emergence of a target technology even with no current significant impact [45]. 言い換えれば、これらの信号は、現在有意な影響がなくても、ターゲット技術の不連続や出現の潜在的な指標である [45]。 0.76
More recently in 2021, van Veer and Ortt [46] reviewed 68 definitions of weak signals and proposed a common unified definition that crosses foresight domains: “A perception of strategic phenomena detected in the environment or created during interpretation that are distant to the perceiver’s frame of reference”. 2021年、Van VeerとOrtt [46]は68の弱い信号の定義をレビューし、「環境において検出された、または知覚者の参照枠から離れた解釈の間に生成された戦略現象の認識」という、フォアサイト領域を横断する共通の統一された定義を提案した。
訳抜け防止モード: 2021年, van Veer と Ortt [46 ] は弱い信号の68 の定義をレビューした 前向きな領域を横断する共通統一的定義の提案 : 「環境中で検出された戦略的現象の認識」 解釈の過程で作り出され は知覚者の参照のフレームから遠ざかっている。 		0.85
Weak signal analysis is one of the methods used to detect emerging terms in a specific technology domain. 弱信号解析は、特定の技術領域における新しい用語を検出する方法の1つである。 0.76
According to Hiltunen [47], future signs are current oddities and strange issues that are key indicators of predicting future changes. Hiltunen氏 [47] によると、将来の兆候は現在の異常と奇妙な問題であり、将来の変化を予測する重要な指標である。 0.59
Hiltunen [47] suggested three dimensions for future signs: Hiltunen [47] は将来の兆候の3次元を示唆している。 0.57
1) signal, i.e., an indicator of visibility, 1)信号、すなわち可視性の指標。 0.67
2) issue, i.e., an indicator of diffusion of a future sign, and 2)課題,すなわち,将来の記号の拡散の指標,及び 0.69
3) interpretation, i.e., the meaning of the future sign to the receiver. 3) 解釈,すなわち,受信者に対する将来の符号の意味。 0.70
Signs can be categorized into weak to strong signals in this three dimensional space. 符号はこの3次元空間において弱い信号から強い信号に分類できる。 0.82
Figure 1 shows Hiltunen’s three dimensions of future signs and the characteristics of weak and strong signals [47]. 図1は、ヒルトゥネンの将来の記号の3次元と弱い信号と強い信号の特性を示しています [47]。 0.77
In this future sign space, a weak signal has low levels of signal, issue, and interpretation and can turn into a strong signal exhibiting higher levels of the mentioned dimensions. この将来の符号空間では、弱い信号は信号、問題、解釈のレベルが低く、前述の次元のより高いレベルを示す強い信号となる。 0.64
Figure 1. Weak and strong signals in Hiltunen’s three dimensions of future signs. 図1に示す。 ヒルトゥネンの3次元の将来の記号における弱く強い信号。 0.60
Several qualitative studies have been conducted on the concept of the weak signals to analyze business environments, assist corporate decision-making, and strategy-creation process [48, 49], support strategic planning and foresight services in corporations [50], and utilize an image-based medium to trigger employees’ future thinking in analyzing organizations [51], among others. ビジネス環境の分析、企業意思決定支援、戦略策定プロセス(48,49)、企業における戦略的計画・監視サービスのサポート(50)、イメージベースメディアを活用した組織分析における従業員の今後の思考を促すため(51)、弱信号の概念に関する定性的な研究が行われている。 0.81
Although Hiltunen’s qualitative framework could assist experts in identifying signals, it may suffer from subjectivity and may require lots of resources to be implemented [52]. Hiltunenの定性的なフレームワークは、専門家が信号を特定するのを助けることができるが、主観性に悩まされ、実装に多くのリソースが必要になるかもしれない[52]。 0.54
Yoon [45] proposed a quantitative method for Hiltunen’s framework [47] based on text mining to mitigate analysts’ subjectivity and overcome the limitations of the qualitative approach. Yoon [45]は、テキストマイニングに基づくヒルトネンのフレームワーク [47] の定量的手法を提案し、アナリストの主観性を緩和し、定性的アプローチの限界を克服した。 0.77
Despite its limitations, term frequency is often considered as a measure of the importance of a term [53]. その制限にもかかわらず、用語の頻度は、しばしば[53]の重要性の尺度と見なされる。 0.80
Document frequency represents the number of documents in which a specific term has appeared [54] and is used as a measure of dissemination of a term in a collection of documents [53]. 文書頻度は、特定の用語が出現した文書数(54)を表し、文書コレクションにおける用語の普及の指標として使用される[53]。 0.72
Using term and document frequencies, Yoon [45] described a weak signal as a term with low term and document frequencies and a high growth rate. 陽音[45]は, 用語と文書頻度を用いて, 弱信号を低項, 文書頻度, 高い成長率の用語として記述した。 0.76
Yoon [45] also described a strong signal as a term with high term and document frequencies and a high growth rate. ユーン[45]はまた、強い信号は、高い周期と文書の頻度と高い成長率を持つ用語であると記述した。 0.69
4 4 0.43
英語（論文から抽出）日本語訳スコア
3. Data and Methodology 3.1. 3.データと方法論 3.1 0.86
Data Researchers mostly convey their scientific discoveries and findings to the scientific community and the general public via scientific publications [55], hence it is considered the major output of scientific research [56]. データ研究者は、主に科学的発見や発見を科学出版物(55)を通じて科学界や一般大衆に伝えており、科学研究の主要な成果とされている[56]。 0.84
Therefore, in this study, we focused on scientific publications as the primary data source to identify emerging technologies in hypersonics using machine learning and weak signal analysis. そこで本研究では,機械学習と弱信号解析を用いて,超音速の新興技術を特定するための主要なデータ源として,学術出版物に焦点を当てた。 0.70
Data collection and preparation involved several steps. データ収集と準備にはいくつかのステップがあった。 0.52
First, using the string “hypersonic*” as the search query, we collected the bibliographic data of hypersonics-related publications that were published within the period from 1985 to 2020 from the Elsevier’s Scopus database. まず「hypersonic*」という文字列を検索クエリとして使用し、1985年から2020年にかけて、エルゼビアのscopusデータベースから発行されたハイパーソニック関連出版物の書誌データを収集した。 0.71
A total of (n = 21, 669) articles was retrieved in August 2021. 2021年(2021年)8月に全(n = 21, 669)が回収された。 0.57
This included many meta-data about each of the retrieved articles such as date of publication, title, abstract, and list of authors and affiliations. これには、出版日、題名、要約、著者と所属者のリストなど、検索された各記事に関する多くのメタデータが含まれていた。
訳抜け防止モード: これには、出版日など、回収された各記事に関する多くのメタデータが含まれていた。 title , abstract , and list of author and affiliations 		0.76
We checked and ensured that for all of the collected articles either the title or abstract was available. 収集された記事のタイトルや要約がすべて利用可能であることを確認し、確認しました。 0.58
We then created a new field combining title and abstract and removed duplicated records (n = 79). 次に、タイトルと抽象と削除された重複レコード(n = 79)を組み合わせた新しいフィールドを作成しました。 0.67
The final dataset contains (n = 21, 590) publication records spanning from 1985 to 2020. 最終データセットには1985年から2020年までの(n = 21 590)出版記録が含まれている。 0.73
Figure 2 shows the annual distribution of publications over the examined period. 図2は、調査期間における出版物の年次分布を示している。 0.72
As shown below, there is an overall growth in the number of publications. 以下に示すように、出版物数は全体として増加している。 0.77
The number of publications has almost plateaued between 2017 and 2020, after 15 years of sustained growth. 出版物の数は15年間の持続的な成長の後、2017年から2020年の間にほぼ減少している。 0.63
The majority of the publications were either published in scientific journals or presented at conferences. 出版物の大半は科学雑誌に掲載されるか、会議で発表される。 0.77
Figure 2. Annual distribution of the publications in the dataset (n = 21, 590). 図2。 データセットにおける出版物の年次分布(n = 21 590)。 0.76
3.2. Methodology Figure 3 shows the high-level conceptual flow of the analytic pipeline used in this study. 3.2. 方法論図3は、この研究で使用される分析パイプラインのハイレベルな概念フローを示しています。 0.52
After data collection, the process is followed by preparing the collected data and extracting keywords. データ収集の後、プロセスは収集したデータを作成し、キーワードを抽出する。 0.72
Next, keyword portfolio maps are constructed and signals are extracted. 次にキーワードポートフォリオマップを構築し、信号を抽出する。 0.63
Then, the extracted signals are post-processed and verified by domain experts, and are categorized into defined categories. そして、抽出した信号を後処理し、ドメインの専門家によって検証し、定義されたカテゴリに分類する。 0.57
Finally, the strength of the extracted signals as well as the evolution of the categories over time are analyzed and depicted. 最後に、抽出された信号の強度と、時間とともにカテゴリの進化を解析し、表現する。 0.68
The rest of this section describes our methodology and the analytic pipeline in detail. このセクションの残りの部分は、我々の方法論と分析パイプラインを詳細に説明します。 0.63
5 5 0.42
英語（論文から抽出）日本語訳スコア
Figure 3. The high-level conceptual flow of the analyses. 図3。 分析のハイレベルな概念の流れ。 0.74
3.2.1. Data Intervals As mentioned in Section 3.1, our dataset covers hypersonics publications within the period from 1985 to 2020. 3.2.1. データ間隔 セクション3.1で述べたように、データセットは1985年から2020年までの期間におけるハイパーソニックスの出版物をカバーする。 0.40
We experimented with various time intervals for dividing the examined period and found that a 3year window would produce the best results in terms of a representative sampling of the keywords across the entire dataset. 調査期間を分割するために様々な時間間隔を実験したところ、3年間のウィンドウがデータセット全体にわたってキーワードを代表的にサンプリングすることで最良の結果が得られることがわかった。 0.75
Therefore, we divided the examined time period into 3-year time intervals, starting from the [1985, 1987] period to [2018, 2020]. そこで,調査期間を[1985, 1987] から[2018, 2020] までの3年間隔に分けた。
訳抜け防止モード: そこで,検討した期間を3年間隔に分けた。 1985年, 1987年]から[2018年, 2020年]まで。 		0.73
We will refer to these intervals as t1 to t12 in the rest of the paper. 残りの論文では、これらの区間を t1 から t12 と呼びます。 0.74
Based on the created 3-year data intervals, we divided the dataset into 3 periods as follows: 作成した3年間のデータ間隔に基づいて,データセットを次の3つの周期に分割する。 0.70
• Period 1 (P1): data from [1985, 1987] to [1994, 1996], i.e., t1 to t4. • 周期 1 (P1): [1985, 1987] から [1994, 1996] 、すなわち t1 から t4 までのデータ。 0.86
• Period 2 (P2): data from [1997, 1999] to [2006, 2008], i.e., t5 to t8. • period 2 (p2): [1997, 1999] から [2006, 2008]、すなわち t5 から t8 までのデータ。 0.84
• Period 3 (P3): data from [2009, 2011] to [2018, 2020], i.e., t9 to t12. • 期間3(P3): [2009, 2011] から [2018, 2020] 、すなわち t9 から t12 までのデータ。 0.84
3.2.2. Keyword Extraction Several approaches have been proposed in the literature to extract keywords from a corpus. 3.2.2. キーワード抽出 コーパスからキーワードを抽出するためのいくつかの手法が文献に提案されている。 0.45
These approaches include but are not limited to information filtering [57], graph-based methods [58], centrality measures [59], and domain knowledge [60]. これらのアプローチには、情報フィルタリング[57]、グラフベースメソッド[58]、集中度測定[59]、ドメイン知識[60]が含まれるが、それに限定されない。
訳抜け防止モード: これらのアプローチには含まれているが、情報フィルタリングに限らない[57 ]。 graph-based method [ 58 ], centrality measures [ 59 ] ドメイン知識 [60 ] 		0.85
These techniques are mostly based on term frequencies in the corpus. これらの技術は主にコーパスの項周波数に基づいている。 0.72
Over the recent years, the natural language processing (NLP) community has developed and used large language models (LLMs) such as Bidirectional Encoder Representations from Transformers (BERT) [22]. 近年,自然言語処理 (nlp) コミュニティは,トランスフォーマ (bert) [22] からの双方向エンコーダ表現など,大規模言語モデル (llm) を開発し,利用してきた。 0.84
LLMs are self-supervised task-agnostic neural networks and are good at learning general linguistic patterns in a corpus. LLMは自己教師型タスク非依存ニューラルネットワークであり、コーパスにおける一般的な言語パターンの学習に長けている。 0.59
This property has boosted the performance of downstream models by focusing on specific tasks rather than learning linguistic patterns [61]. この特性により,言語パターンを学習するよりも特定のタスクに注目することで,下流モデルのパフォーマンスが向上した [61]。 0.72
In this study, we used the BERT language model [22] to extract keywords. 本研究では,BERT言語モデル[22]を用いてキーワードを抽出した。 0.79
We applied BERT to extract document-level representation for each of the time intervals defined in Section 3.2.1, i.e., t1 to t12. 我々は,第3.2.1節で定義された各時間区間,すなわち t1 から t12 への文書レベルの表現を BERT に適用した。 0.64
Word embeddings were extracted for n-grams and cosine similarity was used to find the most representative keywords (and phrases) of each document in the dataset. n-gramで単語埋め込みが抽出され、データセット内の各文書の最も代表的なキーワード(および句)を見つけるためにコサイン類似性が使用された。 0.72
Following these steps, 500 keywords were extracted for each of the 12 time intervals, resulting in 6,000 keywords in total. これらのステップに従って、12時間間隔毎に500のキーワードが抽出され、合計6,000のキーワードが得られた。 0.64
We then combined these そしてこれらを組み合わせると 0.67
6 6 0.43
英語（論文から抽出）日本語訳スコア
keywords in a list and removed duplicates. リスト内のキーワードと重複の削除。 0.81
Finally, we applied a customized stop words list to remove common words. 最後に,一般的な単語を削除するために,単語をカスタマイズしたストップワードリストを適用した。 0.52
The final keyword set contained 4,366 terms. 最後のキーワードは4,366語だった。 0.59
3.2.3. Keyword Emergence Map The frequency of a keyword in a time period may reflect its degree of visibility during that period. 3.2.3. キーワード創発マップ 時間内のキーワードの頻度は、その期間の可視性の度合いを反映する可能性がある。 0.52
It is assumed that highly frequent keywords with more occurrences in recent years are important indicators of emergence. 近年の出現頻度が高いキーワードは,出現の指標として重要であると考えられる。 0.81
Term frequencies were used to calculate keywords’ degree of visibility. 用語周波数はキーワードの可視性を計算するのに使われた。 0.67
Following Yoon [45], we used a time-weighted formula to calculate the degree of visibility (DoV) of the extracted keywords (n = 4,366) in each of the 12 aforementioned time intervals, i.e., t1 to t12: Yoon [45] に続いて、上記の12時間間隔,すなわち t1 から t12 における抽出したキーワード(n = 4,366)の可視度(DoV)を計算するために、時間重式を使用した。 0.78
𝐷𝑜𝑉𝑖𝑗 = ( 𝑇𝐹𝑖𝑗 𝑁𝑗 𝐷𝑜𝑉𝑖𝑗 = ( 𝑇𝐹𝑖𝑗 𝑁𝑗 0.42
) ∗ (1 − 𝑤 ∗ (𝑛 − 𝑗)) (1) ) ∗ (1 − 𝑤 ∗ (𝑛 − 𝑗)) (1) 0.43
where TFij is the total frequency of keyword i in time interval j, Nj is the total number of documents in time interval j, n is the number of time intervals (n = 12, in our experiment), and w is a constant time-weight. tfij が時間区間 j におけるキーワード i の総頻度である場合、nj は時間区間 j における文書の総数、n は時間間隔の数(実験では n = 12)、w は一定の時間重み付けである。 0.77
We set w = 0.05 as optimal after experimenting with different values and carefully reviewing the results. 我々は、w = 0.05 を、異なる値を実験し、結果を慎重にレビューした後、最適な値に設定した。
訳抜け防止モード: w = 0.05 を最適とする。 異なる値で実験し、結果を慎重にレビューします。 		0.68
The Keyword Emergence Map (KEM) can next be created from the calculated DoV values. 次に、計算されたDoV値からキーワードEmergence Map(KEM)を作成することができる。 0.67
In KEM, the xaxis represents the average term frequencies of the keywords, and the y-axis indicates the DoV’s growth rate, calculated as the geometric mean. KEMでは、x軸はキーワードの平均項頻度を表し、y軸は幾何学平均として計算されたDoVの成長率を示す。 0.75
The quadrants in the KEM are divided based on the medians of the respective values on each axis. KEMの四分体は、各軸上の各値の中央値に基づいて分割される。 0.73
This creates 4 quadrants in the KEM map as follows: これにより、KEM写像の4つの四角形が生成される。 0.49
1) the top-right region represents strong signals that are keywords with high average term frequency and high average DoV growth rate, 1) 右上領域は, 平均項頻度が高く, 平均DoV増加率が高いキーワードである強信号を表す。 0.86
2) the top-left region represents weak signals that are keywords with low average term frequency and high average DoV growth rate, 2) 左上領域は, 平均項頻度が低く, 平均DoV増加率が高いキーワードである弱い信号を表す。 0.89
3) keywords in the bottom left region are marked as latent signals, and 3)左下領域のキーワードは潜伏信号としてマークされ、 0.80
4) bottom right of the KEM represents well-known but not strong signals that are keywords with high term frequency but low DoV growth rate. 4) KEMの右下端は、高頻度だがDoV成長率の低いキーワードである、よく知られたが強い信号ではない。 0.74
Using these definitions, we assigned a signal label to each of the keywords in KEM in each examined period, i.e., P1 to P3. これらの定義を用いて,各試験期間,すなわちP1〜P3において,各キーワードに信号ラベルを割り当てた。 0.80
3.2.4. Keyword Issue Map In Hiltunen’s model [47], the issue dimension focuses on how much the signals are disseminated. 3.2.4. キーワードイシューマップ Hiltunen氏のモデル[47]では、イシューディメンションは、どれだけのシグナルが散布されるかに焦点を当てている。 0.42
To measure the diffusion rate quantitatively, we followed Yoon’s approach [45] and used the document frequencies of the extracted keywords. 拡散率を定量的に測定するために,Yoonのアプローチ[45]に従い,抽出したキーワードの文書頻度を使用した。 0.83
For this purpose, we first used the following time-weighted formula to calculate the degree of diffusion (DoD) of the extracted keywords in each of the 12 aforementioned time intervals, i.e., t1 to t12: この目的のために、先述した12時間間隔、すなわちt1〜t12のそれぞれにおける抽出したキーワードの拡散度(DoD)を計算するために、まず以下の時間重み付け式を使用した。
訳抜け防止モード: そこで我々はまず,上記の12時間間隔毎に抽出したキーワードの拡散度(DoD)を計算するために,重み付け式を用いた。 t1からt12: 		0.83
𝐷𝑜𝐷𝑖𝑗 = ( 𝐷𝐹𝑖𝑗 𝑁𝑗 𝐷𝑜𝐷𝑖𝑗 = ( 𝐷𝐹𝑖𝑗 𝑁𝑗 0.43
) ∗ (1 − 𝑤 ∗ (𝑛 − 𝑗)) (2) ) ∗ (1 − 𝑤 ∗ (𝑛 − 𝑗)) (2) 0.42
In equation (2), DFij is the document frequency of keyword i in time interval j, Nj is the total number of publications in time interval j, n is the number of time intervals (n = 12, in our experiment), and w is a constant time-weight, w = 0.05. 方程式 (2) において、dfij はキーワード i の時間間隔 j における文書周波数、nj は時間間隔 j における出版物の総数、n は時間間隔 (n = 12) の数、w は一定の時間重み w = 0.05 である。 0.79
Next, the Keyword Issue Map (KIM) was generated by plotting the average time-weighted increasing rate of keywords’ document frequencies on the y-axis, and keywords’ average document frequencies on the x-axis. 次に、キーワード発行マップ(KIM)は、y軸上のキーワードの文書頻度の平均時重増加率とx軸上のキーワードの平均文書頻度をプロットすることによって生成される。 0.75
According to Yoon [45], weak signals correspond to those terms with relatively low document frequency but a high growth rate. yoon [45] によると、弱い信号は文書の頻度が比較的低いが成長率が高い用語に対応している。 0.73
Therefore, similar to the approach explained in the previous section, we divided the KIM into 4 quadrants based on the medians of the values on each axis, as follows: したがって、前節で説明したアプローチと同様に、各軸の値の中央値に基づいて、kimを4つの四分法に分けた。 0.63
1) the top-right region represents strong signals that are keywords with high average document frequency and high average DoD growth rate, 1) 右上の領域は,高い平均文書頻度と高い平均DoD成長率を持つキーワードである強い信号を表す。 0.87
2) the top-left region represents weak signals that are terms with low average document frequency and high average DoD growth rate, 2) 左上領域は, 平均文書頻度が低く, 平均DoD増加率が高い, 弱信号を表す。 0.78
3) keywords in 7 3)キーワード 7 0.60
英語（論文から抽出）日本語訳スコア
the bottom-left region are labeled as latent signals, and 4) bottom-right of the KIM represents well-known but not strong signals. 左下領域は潜在信号とラベル付けされ、4)KIMの右下はよく知られたが強い信号ではない。 0.70
Using these definitions, we assigned a signal label to each of the keywords in KIM in each examined period, i.e., P1 to P3. これらの定義を用いて,各試験期間,すなわちP1〜P3において,各キーワードに信号ラベルを割り当てた。 0.82
3.2.5. Signals Extraction Figure 4 shows the process of extracting signals from KEMs and KIMs by analyzing their intersection. 3.2.5. 信号抽出図4は、ケムスとキムの交点を分析して信号を抽出する過程を示す。 0.49
Signals appearing in the same quadrant in both KEM and KIM indicated similar degrees of visibility and dissemination and were extracted. KEMとKIMで同一の四角形に現れる信号は、類似の可視性と拡散の度合いを示し、抽出した。 0.66
We did this process for KEMs and KIMs in each of the examined periods, i.e., P1 to P3, and extracted the final weak, strong, and well-known but not strong signals. 我々は,各試験期間,すなわちP1〜P3において,KEMおよびKIMに対してこの処理を行い,最終弱信号,強信号,強信号を抽出した。 0.75
For example, in Figure 4, “Term-A” and “Term-B” are extracted as weak signals since they are both listed as weak signals in both maps. 例えば図4では、"Term-A" と "Term-B" が弱い信号として抽出される。
訳抜け防止モード: 例えば、図4で " Term - A" は、その後弱い信号として抽出される。 どちらも地図の弱い信号として リストされています 		0.72
However, “Term-C” is not listed as a weak signal because it does not appear as a weak signal in both maps. しかし、"term-c" は両方の地図に弱い信号として表示されないため、弱い信号としてリストされていない。
訳抜け防止モード: しかし、“ Term - C ” は弱い信号としてリストされない。 どちらの地図にも 弱い信号とは見えません 		0.79
The extracted signals were then verified and validated by domain experts. 抽出されたシグナルはドメインの専門家によって検証され検証された。 0.49
Figure 4. The process of extracting signals from KEM and KIM. 図4。 KEMとKIMから信号を抽出するプロセス。 0.70
4. Results 4.1. Extracted Terms Categories Following the methodology that was explained in Section 3.2, senior scientists with domain expertise in hypersonics carefully verified and validated the extracted signals (n = 442) and classified them into 5 highlevel categories. 結果4.1。 抽出用語カテゴリ セクション3.2で説明された方法論に従って、ハイパーソニックスにおけるドメインの専門知識を持つ上級科学者は、抽出された信号(n = 442)を慎重に検証し、5つの上位カテゴリに分類した。 0.59
Table 1 shows the defined categories along with a set of sample terms listed under each category. 表1は、定義されたカテゴリと、各カテゴリの下にリストされたサンプル用語のセットを示す。 0.63
For example, terms such as “aeroshell”, “aerobrake”, and “aerohydrodynamic” were grouped into the Aerothermodynamics category. 例えば、"aeroshell"、"aerobrake"、"aerohydrodynamic&quo t;といった用語は、aerothermodynamicsカテゴリに分類された。 0.62
Letters in brackets, listed under the Abbreviation column of Table 1, are used in the rest of this paper to refer to term categories. 表1の省略欄に記載された括弧の文字は、この論文の残りの部分でカテゴリを参照するために使用される。 0.73
As illustrated, the Materials and structures and the Guidance, navigation, and control categories contain the highest and the lowest number of terms, respectively. 説明されているように、材料と構造とガイダンス、ナビゲーション、および制御カテゴリーはそれぞれ、最も高い語数と最も低い語数を含んでいる。 0.63
Table 1. The defined high-level categories of the extracted signals along with a sample set of terms for each category. 表1。 抽出された信号の高レベルカテゴリと各カテゴリの用語のサンプルセットを定義した。 0.74
Category Abbreviation Sample keywords (n = 10) カテゴリー 略語 サンプルキーワード (n = 10) 0.73
Aerothermodynamics (n = 103) 熱力学 (n = 103) 0.50
Guidance, navigation, and control (n = 54) 誘導・航法・制御(n = 54) 0.31
[a] [g] aeroshell, aerobrake, aerohydrodynamic, aeromechanics, aerosol, 【a】 【g】 エアシェル エアブレーキ 空気流体力学 エアロメカニクス エアロゾル 0.63
aerospike, airfoil, anisotropic, blast, buoyancy, ... エアロスパイク エアフォイル 異方性 爆発 浮力... 0.54
accelerometer, aerodisk, ailerons, altimeter, azimuthal, backscattered, controllability, dynamic surface control, 加速度計、エアロディスク、アイロン、高度計、アジムタール、後方散乱、制御性、動的表面制御 0.70
8 8 0.42
英語（論文から抽出）日本語訳スコア
electronic flight display, extender, ... 電子飛行表示 延長器... 0.78
Materials and [m] ablation, adiabatic, aeroelastic, airbag, airframes, alkanes, alloying, 材料 【m】 アブレーション、断熱、空気弾性、エアバッグ、機体、アルカン、合金、 0.52
structures (n = 133) 構造(n = 133) 0.40
Modelling, simulation, and analysis (n = 59) Vehicles, propulsion, モデル、シミュレーション、および分析 (n = 59) 車両、推進装置。 0.76
and fuels (n = 93) 燃料(n = 93) 0.33
[s] [v] astrophysics, bellman, bhatnagar, brownian, burnett, cad, captive, [s] [v] 天体物理学、ベルマン、バトナガー、ブラウン、バーネット、カド、捕虜 0.47
anharmonicity, antiwindup, argon, ... 無調和、反巻頭、アルゴン... 0.53
chapman, dirac, discretisation, ... チャップマン ディラック 差別化... 0.46
acetylene, aegis, afterburn, ammonia, apertures, air turbo rocket, アセチレン、エージス、アフターバーン、アンモニア、アパーチャ、エアターボロケット 0.66
autoignition, ballistic, bursts, capsule, ... 自動発火 弾道 バースト カプセル... 0.48
Figure 5 shows the coverage percentage of defined categories in each examined period. 図5は、各調査期間における定義されたカテゴリのカバレッジ比率を示しています。 0.60
As shown in the figure, the “Materials and structures” category has a higher coverage in all periods, except for the strong signals in P1 where it is dominated by the “Vehicles, propulsion, and fuels” category. 図に示すように、"機械と構造"カテゴリーは、"車両、推進、燃料"カテゴリに支配されるP1の強い信号を除いて、すべての期間において高いカバレッジを持つ。
訳抜け防止モード: 図に示すように、"材料と構造"カテゴリーは、すべての期間において高いカバレッジを持つ。 P1の強い信号を除いて それは“自動車、推進、燃料”というカテゴリーが支配している。 		0.71
The proportion of categories calculated based on all the extracted terms is almost similar in P1, P2, and P3, however, more changes in terms of categories coverage is observed for strong signals. 抽出された全ての項に基づいて計算されたカテゴリの割合は、P1、P2、P3とほぼ同様であるが、強い信号に対して、カテゴリのカバレッジの変化がより多く見られる。 0.66
Moreover, although the proportion of the “Modelling, simulation, and analysis” category is not high compared to other categories, its weak signals coverage has increased from P1 to P3. さらに,「モデリング,シミュレーション,解析」カテゴリーの比率は,他のカテゴリに比べて高くはないものの,P1からP3にかけて弱い信号カバレッジが増加している。 0.90
Figure 5. Percentage of related terms per category in each period for all terms, weak signals, and strong signals. 図5。 すべての項、弱い信号、強い信号について、各期間におけるカテゴリ毎の関連項の割合。 0.73
4.2. Signals Evolution over Time Before analyzing signals’ temporal changes, we first investigate the existence of temporal evolution in the documents during the examined period. 4.2. 時間による信号の進化 信号の時間的変化を分析する前に、まず、調査期間中の文書における時間的進化の存在を調査する。 0.55
For this purpose, using the extracted keywords for each examined time interval (n = 500 ∗ 12, as explained in Section 3.2.2), a bipartite graph G(V,E) of keywords and time intervals is created such that each time interval is linked to its representative keywords. この目的のために、検討された時間間隔(n = 500 ∗ 12)ごとに抽出されたキーワード(n = 500 ∗ 12)を用いて、各時間間隔が代表キーワードとリンクするようにキーワードと時間間隔の2部グラフg(v,e)を作成する。 0.74
Next, the Louvain modularity method [62] is applied to the graph to detect the community structure. 次に,luuvain modular method [62]をグラフに適用してコミュニティ構造を検出する。 0.77
Figure 6a shows the generated <time interval, keyword> graph. 図6aは生成された<time interval, keyword>グラフを示しています。 0.67
The bipartite graph contains two types of nodes: 1) time intervals that are the bigger nodes in the graph, e g , [1985, 1987], and 2部グラフには2種類のノードが含まれる: 1)グラフ内のより大きなノードである時間間隔、例えば、[1985, 1987]、 0.77
2) keywords that are the smaller nodes in the graph, e g , “radar”. 2) グラフ内の小さなノードであるキーワード、eg, “radar”。 0.67
Node colors in the figure represent different communities where, for example, keywords of [2012, 2014] and [2015, 2017] belong to the same community. 図のノードの色は、[2012, 2014]と[2015, 2017]のキーワードが同じコミュニティに属する、異なるコミュニティを表しています。 0.75
Figure 6-b shows the degree distribution of keyword nodes. 図6-bはキーワードノードの度数分布を示しています。 0.62
As shown in the figure, most of the nodes are of degree 1 indicating that they have only appeared in 1 time interval, therefore, the extracted keywords are highly specific. 図に示すように、ほとんどのノードは、1時間間隔でのみ出現したことを示す次数1であるため、抽出されたキーワードは極めて特異である。 0.78
Figure 6-c shows the same graph as in Figure 6-a except for the nodes with a degree of 1 are excluded. 図6-cは、次数1のノードを除いて図6-aと同じグラフを示している。 0.75
As it is observed in Figures 6-a and –c the community structure implies the existence of a 図6-aおよび-cに見られるように、共同体構造はaの存在を意味する。 0.62
9 9 0.43
英語（論文から抽出）日本語訳スコア
temporal trend/evolution since there are 8 different groups (communities) of time intervals identified. 時間間隔の8つの異なるグループ(コミュニティ)が存在するため、時間トレンド/進化。 0.66
This confirms that there is a relationship between the extracted keywords and the publication dates. これにより,抽出したキーワードと出版日との関係が確認される。 0.77
Figure 6. a) The <interval, keyword> network for the extracted term in t1 to t12, 図6。 a) t1 から t12 への抽出項の <interval, keyword> ネットワーク 0.76
b) degree distribution of the terms, b) 用語の程度分布 0.55
c) the <interval, keyword> network including terms with degree greater than one. c) <interval, keyword> ネットワーク。 0.35
Color in graphs represents network community. グラフの色はネットワークコミュニティを表す。 0.85
After verifying the existence of a temporal pattern, we extract signals for each period. 時間的パターンの存在を検証した後、各周期の信号を抽出する。 0.80
Table 2 lists alphabetically ordered the first 30 weak and strong signals per period, i.e., P1, P2, and P3. 表2は、最初の30個の弱信号、すなわちP1、P2、P3をアルファベット順に列挙する。 0.75
Letters in brackets represent the category of the respective term. 括弧内の文字は、それぞれの用語のカテゴリを表す。 0.68
The table can be read at least in two ways: テーブルは少なくとも2つの方法で読むことができる。 0.77
1) the identified signals of the same category, i.e., weak/strong, can be compared to the same type of signals in other periods, and 1)同じカテゴリの識別された信号、すなわち弱い/強い信号は、他の期間の同じ種類の信号と比較することができる。 0.84
2) different types of signals in the same period can be compared, e g , weak vs. strong signals in P1. 2) p1の弱い信号と強い信号など,同じ期間の信号の種類を比較できる。
訳抜け防止モード: 2) 同じ期間に異なる種類の信号を比較することができる。 eg, 弱信号と強信号はP1。 		0.82
This would provide insights on the evolution of the field, recent progress and/or focus, and oddities. これは、フィールドの進化、最近の進歩と/または焦点、および奇異性についての洞察を提供する。 0.57
Table 2. The defined high-level categories of the extracted signals along with a selected set of keywords for each category. 表2。 抽出された信号の高レベルカテゴリと、カテゴリ毎に選択されたキーワードセットを定義した。 0.69
Period P1 Signal Weak (n = 112) 時代 P1 信号弱(n = 112) 0.42
P1 Strong (n = 46) P1 strong (複数形 strongs) 0.45
Signal’s keywords Signalのキーワード 0.79
g]accelerometer, [v]acetylene, [a]aerohydrodynamic, a]aerophysical, g]加速度計, [v]アセチレン, [a]aerohydrodynamic, a]aerophysical 0.41
[a]aeroshell, [v]afterburn, [m]anharmonicity, [m]b2o3, [g]backscattered, [m]beveled, [s]bhatnagar, [a]blast, ..., [m]throttling, [v]throughput, [a]tmk, a]aeroshell, [v]afterburn, [m]anharmonicity, [m]b2o3, [g]backscattered, [m]beveled, [s]bhatnagar, [a]blast, ..., [m]throttling, [v]throughput, [a]tmk, 0.43
[m]topologies, [g]tunability, [v]turbopump, [s]twin, [m]ultrarelativistic, [m]トポロジー, [g]tunability, [v]turbopump, [s]twin, [m]ultrarelativistic, 0.41
[v]uncooled, [v]vehicular, [a]velocimetry, [a]windkanal [v]未冷却,[v]車両,[a]速度計,[a]ウィンドカナル 0.58
[a]aerobrake, [m]aeroelastic, [a]aeronautics, [a]airfoil, [m]airframes, [s]burnett, a)エアロブレーク, [m]エアロ弾性, [a]航空工学, [a]エアフォイル, [m]エアフレーム, [s]バーネット 0.68
[m]coat, [m]combustible, [m]combustors, [g]controllability, [v]coolant, [m]コート, [m]コンバーチブル, [m]コンバーチブル, [g]制御性, [v]冷却性, 0.73
[a]crossflow, ..., [s]schlieren, [v]scramjet, [g]sensors, [v]spacecrafts, a]クロスフロー, ..., [s]シュリエレン, [v]スクラムジェット, [g]センサー, [v]宇宙機, 0.68
[v]spaceplanes, [m]thermochemical, [a]thermomechanical, [v]thrust, [v]turbo, [v]飛行機,[m]サーモケミカル, [a]サーモメカニクス, [v]スラスト, [v]ターボ 0.72
[a]vortex, [v]waveride, [g]yaw a]渦,[v]導波路,[g]ヨー 0.43
10 10 0.43
英語（論文から抽出）日本語訳スコア
P2 P2 P3 P3 P2 P2 P3 P3 0.39
Weak (n = 153) 弱(n = 153) 0.34
[v]acetylene, [a]aerogasdynamical, [a]aerohydrodynamic, [m]abstraction, v]アセチレン, [a]エアロガス力学, [a]エアロ流体力学, [m]アブトラクション, 0.74
[v]aegis, [a]aerophysical, [m]ageing, [m]airbag, [a]aeromechanics, [g]ailerons, v]エアギス,[a]エアロフィック,[m]エアバッグ, [a]エアロメカニクス, [g]エアレロン, 0.50
Strong (n = 68) strong (複数形 strongs) 0.54
Weak (n = 131) 弱(n = 131) 0.34
Strong (n = 85) strong (複数形 strongs) 0.53
[v]ammonia, [g]altimeter, ..., [m]vitrified, [s]vsl, [g]unguided, [v]vickers, [m]vulcan, [m]wafers, [a]waveguides, [g]waypoints, [g]whirl, [a]windside, [v]アンモニア、[g]アルタイタ、...、[m]アルタイタ、[s]vsl、[g]アンギド、[v]ヴィッカー、[m]ヴァルカン、[m]ワーファー、[a]導波路、[g]ウェイポイント、[g]ウィンドサイド、 0.61
[m]winglet, [m]zirconium [m]ウイングレット,[m]ジルコニウム 0.69
[a]aerobrake, [m]aeroelastic, [a]aeronautics, [a]airfoil, [m]alloying, [a]aeroshell, a]エアロブレーク, [m]エアロ弾性, [a]エアロビクス, [a]エアロフォイル, [m]アロイリング, [a]エアロシェル, 0.60
[m]argon, [m]biconic, [s]bhatnagar, [a]blast, [v]capsule, [m]airframes, ..., [m]argon, [m]biconic, [s]bhatnagar, [a]blast, [v]capsule, [m]airframes, ... 0.43
[g]sensors, [s]reliability, [m]silicon, [v]thermocouples, [v]spacecrafts, g]センサー,[s]信頼性, [m]シリコン, [v]サーモカップル, [v]航空宇宙, 0.64
[a]shockwave, [v]uavs, [m]topologies, [g]telemetry, [m]titan, [a]vaporization, a]shockwave, [v]uavs, [m]topologies, [g]telemetry, [m]titan, [a]vaporization, 0.39
[v]viscosities v]viscosities 0.26
[v]acetylene, [a]aerohydrodynamic, [a]aeroph-flow, [m]airbag, v]アセチレン, [a]エアロヒドロダイナミック, [a]エアロフィフロー, [m]エアバッグ, 0.72
[a]aerothermochemistry, [m]alkanes, [m]antiwindup, [v]atr, [v]autoignition, [m]b2o3, [g]backscattered, [s]bellman, ..., [v]turbomachinery, [v]turbopump, a]好熱化学, [m]アルカン, [m]反ワインドップ, [v]atr, [v]オートグニション, [m]b2o3, [g]バック散乱, [s]ベルマン, ..., [v]ターボ機械, [v]ターボポンプ, 0.81
[v]turboramjets, [s]uhlenbeck, [m]underbody, [g]unguided, [s]vdf, [v]ventilation, [v]turboramjets, [s]uhlenbeck, [m]underbody, [g]unguided, [s]vdf, [v]ventilation, 0.42
[a]vibrometer, [m]viscoplastic, [m]wafers, [s]wcns a)ビブロメータ、[m]ビスコプラスティック、[m]ウエハ、[s]wcns 0.59
[m]ablation, [m]abstraction, [g]aerodisks, [a]aeronautics, [a]aerospike, [m]アブレーション, [m]アブトラクション, [g]エアロディスク, [a]航空工学, [a]エアロスパイク, 0.63
[m]alloying, [a]anisotropic, [v]apertures, [g]azimuthal, [v]ballistic, [m]合金, [a]異方性, [v]アパーチャー, [g]azimuthal, [v]ボール 0.36
[g]boundedness, [v]bursts, ..., [a]streak, [a]swbli, [g]tangential, [v]tanks, [g]有界性, [v]bursts, ..., [a]streak, [a]swbli, [g]tangential, [v]tanks, 0.41
[m]thermochemical, [v]throughput, [m]titan, [a]transmittance, [g]tunability, m]サーモケミカル, [v]スループ, [m]タイタン, [a]トランスミッション, [g]チューニング性, 0.66
[g]vane, [a]vaporization, [m]zirconium g]ベイン, [a]気化, [m]ジルコニウム 0.58
Figure 7 depicts the temporal evolution of terms that are weak signals in either P1 or P2 and become strong signals in the subsequent period. 図7は、P1 または P2 の弱い信号であり、その後に強い信号となる用語の時間的進化を描いている。 0.74
Terms in black are the stems of the signals and the red terms in brackets are their corresponding terms. 黒の用語は信号の語幹であり、括弧の赤い語は対応する語である。 0.63
In the figure, “odw” stands for Oblique Detonation Wave, “pse” for Parabolized Stability Equations, and “swbli” for Shock-Wave/Boundary- Layer Interaction. 図中、"odw" は斜めデトネーション波、"pse" は放物型安定性方程式、"swbli" は衝撃波/境界層相互作用を表す。 0.71
The majority of these terms belong to the “Aerothermodynamics” and “Materials and structures” categories. これらの用語の大部分は、"Aerothermodynamics&q uot; と "Materials and Structure" に分類される。 0.83
Of course, some of the extracted signals are not useful by themselves to provide useful insights, e g , “explosion” and “throughput”. もちろん、抽出された信号のいくつかは、自身では“爆発”や“貫通”といった有用な洞察を提供するのに役に立たない。
訳抜け防止モード: もちろん、抽出された信号の一部は自分では役に立たない。 爆発”や“スループット”といった有用な洞察を提供する。 		0.79
However, some terms are related to significant advancements in hypersonics over the last 30 years, e g , “aeroshell”, “magnetohydrodynamics ”, and “microstructures”. しかしながら、いくつかの用語は、過去30年間に超音速の顕著な進歩、例えば、"aeroshell"、"magnetohydrodynamics "、"microstructures" ;に関係している。 0.73
11 11 0.42
英語（論文から抽出）日本語訳スコア
Figure 7. Weak signals in P1 or P2 that converted into a strong signal at P2 or P3. 図7。 P1またはP2の弱信号はP2またはP3の強い信号に変換される。 0.74
Terms in black are stems of the signals and the red terms in brackets are their corresponding terms. 黒の用語は信号の語幹であり、括弧の赤い語は対応する語である。 0.66
Stems are sorted based on their category. ステムはそのカテゴリに基づいてソートされる。 0.60
Out of 131 weak signals in the final period (P3), 58 of them have no appearance in the prior periods, suggesting they could be emerging weak signals of new research activities. 最終期の131の弱い信号のうち(P3)、58の信号はそれ以前の期間に現れず、新しい研究活動の弱い信号が現れる可能性があることを示唆している。 0.74
Figure 8 lists these terms along with their representative category. 図8は、これらの用語とその代表的カテゴリを列挙している。 0.56
The majority of the terms belong to the “Materials and structures” category, followed by “Aerothermodynamics” and “Modelling, simulation, and analysis”. 用語の大部分が"Materials and Structure"カテゴリに属し、続いて"Aerothermodynamics&q uot;と"Modelling, Simulation, and Analysis"が続く。 0.73
Figure 8. Weak signals in P3 that did not appear as a signal in P1 and P2. 図8。 P1とP2のシグナルとして現れなかったP3の弱信号。 0.77
12 12 0.42
英語（論文から抽出）日本語訳スコア
4.3. Terms with Specific Signal Patterns The proposed framework allows strategic planners to extract terms with specific signal patterns of interest. 4.3. 特定の信号パターンを参照 提案されたフレームワークにより、戦略的プランナーは特定の信号パターンを持つ用語を抽出することができる。
訳抜け防止モード: 4.3. 提案フレームワークが許容する特定の信号パターンの項 戦略プランナーは、特定の信号パターンの用語を抽出する。 		0.59
Among the extracted signals, none of them follow a sinusoidal pattern over time, i.e., “WeakP1 → StrongP2 → WeakP3” or “StrongP1 → WeakP2 → StrongP3”. 抽出された信号のうち、「WeakP1 → StrongP2 → WeakP3」や「StrongP1 → WeakP2 → StrongP3」といった正弦波パターンに従うものは存在しない。 0.81
This implicitly verifies the validity of the signals as sinusoidal patterns are not expected to be frequent in the evolving landscape of the case technology. これは、ケース技術の発展する風景において、正弦波パターンが頻繁でないと期待される信号の妥当性を暗黙的に検証する。 0.65
However, some of the extracted signals follow a constant signal strength over time. しかし、抽出された信号のいくつかは時間とともに一定の信号強度に従う。 0.65
“Controllability”, “coolant”, “fibers”, and “decomposition” are strong signals in all the examined periods (n = 4), that may indicate enduring challenges mobilizing the research community. コントロール可能性”,“coolant”,“fibers”,“decomposition”は,すべての調査期間(n = 4)において強いシグナルであり,研究コミュニティを動員する永続的な課題を示す可能性がある。 0.84
Similarly, other keywords remain weak signals in all periods of the dataset (n = 9). 同様に、他のキーワードはデータセットのすべての期間(n = 9)で弱い信号を残す。 0.76
Examples include “mixer”, “backscattered”, “acetylene”, “aerohydrodynamic”, “brownian”, and “striations”. 例として、“mixer”、“backscattered”、“acetylene”、“aerohydrodynamic”、“brownian”、“striations”がある。 0.79
5. Discussion and Conclusion Given that the research field of hypersonics encompasses a wide range of technologies, thoroughly assessing the performance of weak signal detection is a challenging task. 5. ハイパーソニックスの研究分野が幅広い技術を含んでいることを踏まえ、弱い信号検出の性能を徹底的に評価することは困難な課題である。 0.80
Nevertheless, we can still assess the usefulness of the approach by looking at which signals went from weak in P1 or P2 to strong later on. それでも、P1 や P2 の弱い信号が後から強い信号になるかを調べることで、アプローチの有用性を評価できる。 0.69
These terms are shown in Figure 7. これらの項は図7に示す。 0.79
Although they are all relevant to the field of hypersonics, many of them do not represent a technology per se but are rather indicators of scientific and technical research areas. これらはすべてハイパーソニックス(hypersonics)の分野に関係しているが、その多くは技術を表すものではなく、むしろ科学および技術研究分野の指標である。 0.72
Examples of such terms include “cloud”, “ice”, “abstraction”, “tangential”, or “echo”. そのような用語の例としては、"cloud"、"ice"、"abstraction"、"tangential"、"echo"などがある。 0.70
Another set of terms seems more specific to the measurement and observation of physical phenomena during experimentation than the technology itself, such as “blast”, “burst”, “explos”, “shockwave”, “swbli” (for shock-wave-boundary- layer interaction), and “throughput”. また、「ブラスト」や「バースト」、「露光」、「衝撃波」、「衝撃波-境界層相互作用」や「スループ」といった技術よりも、実験中の物理現象の測定や観測に特有な用語もある。
訳抜け防止モード: 別の用語の集合は、実験中の物理現象の測定と観測に、技術そのものよりも特異に思える。 例えば “ blast ”, “ burst ”, “ explos ” などです。 衝撃波”, “波動” (衝撃波, 波動, 境界, 層間相互作用) および“スループット”。 		0.86
Although these terms are not directly representative of a technology, they help understand how the field has been developing (e g , engineers paying more attention to ice formation on wings) and still have value, especially when analyzed in the context of their category (e g , propulsion). これらの用語は直接技術を表すものではないが、特にカテゴリ(例えば推進)の文脈で分析した場合、どのようにフィールドが発展してきたかを理解するのに役立つ(例えば、翼上の氷の形成により多くの注意を払うエンジニア)。 0.70
Furthermore, even for a broad field such as hypersonics, it is not too onerous for a subject-matter expert engaged in technology foresight to review the list and retain terms with signal patterns of interest. さらに、ハイパーソニックスのような広い分野においても、そのリストをレビューし、興味のある信号パターンとの条件を維持する技術に携わる主観的な専門家にとって、それほど面倒ではない。 0.59
In the present case, among the terms that remain, many represent actual technologies that had a major and demonstrable impact on the broader field of hypersonics1, including: この場合、残った用語の中には、以下のものを含む、より広い分野のhypersonics1に大きな影響を与えるような実際の技術を表すものが多い。 0.66
• Aeroshel - Aeroshells are the rigid heat-shielded shells that help decelerate and protect spacecraft from pressure, with shapes now computationally designed to achieve specified lift-to-drag ratios [65]. エアロシェル - エアロシェルは、宇宙船を圧力から減速し、保護する硬い熱シールドシェルで、現在は特定のリフト・アンド・ドラッグ比[65]を達成するように設計されている。
訳抜け防止モード: エアロシェル(Aerosheel)は、宇宙船の圧力を抑えるためのシェル。 形状を計算的に設計し to achieve certain lift―contained lift ---ドラッグ比 [65 ]。 		0.61
• Magnetohydrodynam - Magnetohydrodynamic (MHD) bypass has become a common way to boost airbreather engine performance in hypersonic propulsion systems [63, 66]. 磁気流体ダイナム - 磁気流体力学(mhd)バイパスは、超音速推進システム [63, 66] における空気呼吸エンジンの性能を向上させる一般的な方法である。 0.66
The technology was originally used on Russian scramjet demonstrators. この技術はもともとロシアのスクラムジェットのデモに使われた。 0.60
• Microstructur - New thermal protection structure designs rely heavily on the conduct of complex ・ミクロ構造体-錯体の導電性に大きく依存する新しい耐熱構造体 0.69
aero-thermo-elastic simulations and thermoelastic materials [63]. エアロ・サーモ弾性シミュレーションと熱弾性材料 [63] 0.75
Accordingly, we can conclude that for the particular field and dataset analyzed, the multi-layer approach presented in this paper has successfully identified weak signals associated with emerging technologies in the field of hypersonics, without presenting experts with an overwhelming number of technical terms to review and validate. そこで,本論文で提示された多層アプローチは,ハイパーソニックス分野における新興技術に関連する弱信号の同定に成功し,専門家にレビューや検証に必要な技術用語を圧倒的に多く提示することはできなかった。 0.78
This approach could thus have important benefits for organizations engaged in technology roadmapping as a means to inform and prioritize research and development activities. このアプローチは、研究開発活動の通知と優先順位付けの手段として、技術ロードマップ作成に従事している組織にとって重要な利益をもたらす可能性がある。 0.52
1 If we consider terms that went from weak to well-known, many also represent significant advances in the field, including scramjet engines that, although still under development, have been propelling many test aircraft already [63]. 1 弱いものからよく知られたものへ移行した用語を考えると、スクランジェットエンジンを含む多くの分野における重要な進歩を表しており、まだ開発中であるが既に多くの試験機を推進させている [63]。 0.71
We also find endothermic reactions now leveraged to cool aircraft [63, 64], especially through “reformed” fuels such as steam-reforming hydrocarbon fuel that create endothermic reactions [63]. また、現在冷却された航空機[63, 64]、特に内温反応を発生させる蒸気改質炭化水素燃料のような「改質」燃料によって、内温反応が利用されています。
訳抜け防止モード: また, 冷却機 [63, 64] に利用された熱内反応も見いだした。 特に蒸気などの燃料を「改質」することで 熱反応を起こす炭化水素燃料の改質 [63] 		0.76
13 13 0.85
英語（論文から抽出）日本語訳スコア
6. Limitations and Future Work 6.1. 6. 限界と今後の作業 6.1 0.88
Limitations As illustrated above, the approach often returns terms that, although relevant, do not seem directly associated with technologies (e g , “hazard”, “kw”), and as such the signal-to-noise ratio (i.e., precision) of the output could still be improved. 上記の制限のように、このアプローチは、関連があるものの、技術(例えば「ハザード」や「kw」)に直接関連していないように思われる用語を返すことが多く、出力の信号対雑音比(すなわち精度)が改善される可能性がある。 0.75
Another limitation is that although the approach successfully identified early many technologies of importance in hypersonics, it also identified many of them very late. もう一つの制限は、このアプローチが超音速において重要な多くの技術を特定することに成功しているが、その多くを非常に遅く同定したことである。
訳抜け防止モード: もう一つの制限は、しかしながら このアプローチは超音速で重要な技術の多くを 早期に特定しました それらの多くは 遅くまで特定されました 		0.66
For example, the term “glider” was picked up as a strong signal in P3, but not categorized at all in P1 or P2. 例えば、"glider" という単語は p3 では強い信号として拾われたが、p1 や p2 では全く分類されなかった。 0.68
Yet, some types of hypersonic platforms, such as boost-glide missiles, have been conceived over 80 years ago and in development since the early 2000s [67]. しかし、ブースターグライドミサイルのようないくつかの極超音速プラットフォームは、80年以上前から2000年代初期 [67] から開発が進められている。 0.72
They are now becoming of concern due to claims of them being fielded in military operations [68]. 軍事作戦に投入されたとの主張から、現在では懸念の対象となっている[68]。 0.67
This omission could be due to the use of a single source of data or to the fact that such platforms were linked to multiple stems (e g , “boost”, “glide”) of different strengths. この省略は、単一のデータソースを使用することや、異なる強度の複数のステム(例えば“boost”、“glide”)にそのようなプラットフォームがリンクされているという事実による可能性がある。 0.70
As such, this limitation might be more a limitation in the data or post-processing than a limitation of the approach itself. このように、この制限は、アプローチ自体の制限よりも、データや後処理の制限であるかもしれない。 0.74
Nevertheless, it shows that the recall performance of the method could be improved to reduce the risk of missing important terms, but this would have to be done without compromising precision performance. それにもかかわらず、このメソッドのリコール性能は重要な用語を欠くリスクを減らすために改善される可能性があるが、正確な性能を損なうことなく実行する必要がある。 0.66
6.2. Future Work A follow-on project will validate the proposed multi-layer approach by applying it to a different scientific and technical research area and re-assess the performance of the approach in detecting weak signals of emergence. 6.2. 今後の作業 後続のプロジェクトは、異なる科学・技術研究分野に適用することで、提案された多層アプローチを検証し、出現の弱い信号を検出するためのアプローチの性能を再評価する。 0.55
The project will also consider the benefits of introducing new data sources beyond scientific publications, for instance, patent-related information. このプロジェクトは、科学出版物、例えば特許関連の情報以外の新しいデータソースを導入する利点も考慮している。 0.80
7. Acknowledgements We would like to thank Inbal Marcovitch and Karla Cisneros Rosado from Defence Research and Development Canada (DRDC) for their useful comments and suggestions. 7. 承認 Inbal Marcovitch と Karla Cisneros Rosado の防衛研究開発カナダ (DRDC) の有益なコメントと提案に感謝します。 0.65
We also want to acknowledge the contribution of domain experts who reviewed and validated lists of signals. また、信号のリストをレビューし検証したドメインの専門家の貢献を認めたいと思っています。 0.55
References [1] Y. LeCun, Y. Bengio, G. Hinton, Deep learning, nature 521 (7553) (2015) 436–444. 参照:[1] Y. LeCun, Y. Bengio, G. Hinton, Deep Learning, nature 521 (7553) (2015) 436–444。 0.94
[2] S. Nakamoto, Bitcoin: A peer-to-peer electronic cash system, Decentralized Business Review (2008) [2] S. Nakamoto, Bitcoin: a peer-to-peer Electronic cash system, Decentralized Business Review (2008) 0.47
21260. [3] U. Sahin, K. Karik´o, ¨ O. T¨ureci, mRNA-based therapeutics—developing a new class of drugs, Nature 21260. U. Sahin, K. Karik ́o, . O. T 'ureci, mRNAベースの治療薬 : 新しい種類の薬物、Natureを開発
訳抜け防止モード: 21260. [3 ]U. Sahin, K. Karik ́o, 新しい種類の薬物を開発するmRNAベースの治療薬、Nature 		0.61
reviews Drug discovery 13 (10) (2014) 759–780. 薬品発見13 (10) (2014) 759-780を参照。 0.80
[4] X. Li, Q. Xie, L. Huang, Identifying the development trends of emerging technologies using patent analysis and web news data mining: the case of perovskite solar cell technology, IEEE Transactions on Engineering Management (2019). 4] x. li, q. xie, l. huang, 特許分析とwebニュースデータマイニングによる新興技術の発展トレンドの特定: ペロブスカイト太陽電池技術の事例, ieee transactions on engineering management (2019) 0.73
[5] J. Rifkin, The third industrial revolution: how lateral power is transforming energy, the economy, and J.リフキン(J. Rifkin) 第3次産業革命 横力がいかにエネルギー、経済、そして経済を変えるか
訳抜け防止モード: 第3次産業革命 [5 ] j. rifkin : 横力がエネルギーをいかに変化させているか 経済や 		0.81
the world, Macmillan, 2011. ザ・ワールド、マクミラン、2011年。 0.61
[6] T. S. Sechser, N. Narang, C. Talmadge, Emerging technologies and strategic stability in peacetime, crisis, [6]T. S. Sechser, N. Narang, C. Talmadge, Emerging Technology and Strategy stability in peacetime, crisis,
訳抜け防止モード: [6 ]T. S. Sechser, N. Narang, C. Talmadge, 平和期における新興技術と戦略的安定 		0.87
and war, Journal of strategic studies 42 (6) (2019) 727–735. そして、journal of strategic studies 42 (6) (2019) 727–735。 0.78
[7] X. Li, Y. Zhou, L. Xue, L. Huang, Integrating bibliometrics and roadmapping methods: A case of dyesensitized solar cell technology based industry in China, Technological Forecasting and Social Change 97 (2015) 205–222. [7] X. Li, Y. Zhou, L. Xue, L. Huang, Integrating bibliometrics and roadmapping methods: a case of dyesensitized solar cell technology based industry in China, Technological Forecasting and Social Change 97 (2015) 205–222。
訳抜け防止モード: [7 ]X. Li, Y. Zhou, L. Xue, L. Huang, 書誌学とロードマップ作成の融合 中国における色素増感太陽電池産業の事例 Technological Forecasting and Social Change 97 (2015 ) 205–222。 		0.77
14 14 0.42
英語（論文から抽出）日本語訳スコア
[8] T. U. Daim, G. Rueda, H. Martin, P. Gerdsri, Forecasting emerging technologies: Use of bibliometrics T. U. Daim, G. Rueda, H. Martin, P. Gerdsri, Forecasting emerging technology: using bibliometrics
訳抜け防止モード: [8 ]T. U. Daim, G. Rueda, H. Martin P. Gerdsri, 新興技術の予測 書誌学の活用 		0.80
and patent analysis, Technological forecasting and social change 73 (8) (2006) 981–1012. そして特許分析、技術予測、社会変化 73 (8) (2006) 981–1012。 0.71
[9] F. Dotsika, A. Watkins, Identifying potentially disruptive trends by means of keyword network analysis, 9] f. dotsika, a. watkins, キーワードネットワーク分析による破壊的傾向の同定
訳抜け防止モード: [9]F.Dotsika,A.Watkins, キーワードネットワーク分析による潜在的破壊的傾向の同定 		0.81
Technological forecasting and social change 119 (2017) 114–127. 技術予測と社会変化 119 (2017) 114-127。 0.83
[10] H. Noh, Y. K. Song, S. Lee, Identifying emerging core technologies for the future: Case study of patents published by leading telecommunication organizations, Telecommunications Policy 40 ((10–11)) (2016) 956–970. [10]H. Noh, Y. K. Song, S. Lee, Identifying emerging core technology for the future: Case study of patents published by leading telecommunication organization, Telecommunications Policy 40 ((10–11)) (2016) 956–970。
訳抜け防止モード: 〔10〕h.能、y.k.歌、s.リー 次世代のコア技術を見極める : 主要な通信機関である電気通信政策40 (10–11 ) (2016 ) 956–970 による特許の事例研究 		0.72
[11] W. Lee, How to identify emerging research fields using scientometrics: An example in the field of 11]W. Lee, サイエントメトリックスを用いた新しい研究分野の特定方法--分野の例 0.53
information security, Scientometrics 76 (3) (2008) 503–525. 情報セキュリティ、scientometrics 76 (3) (2008) 503–525。 0.84
[12] R. K. Abercrombie, A. W. Udoeyop, B. G. Schlicher, A study of scientometric methods to identify 12] r. k. abercrombie, a. w. udoeyop, b. g. schlicher, a study of scientometric methods to identify
訳抜け防止モード: [12 ] R. K. Abercrombie, A. W. Udoeyop, B. G. Schlicher 科学的手法の同定に関する研究 		0.80
emerging technologies via modeling of milestones, Scientometrics 91 (2) (2012) 327–342. マイルストーンのモデリングによる新興技術、scientometrics 91 (2) (2012) 327–342。 0.73
[13] M. C. Kim, Y. Zhu, Scientometrics of scientometrics: mapping historical footprint and emerging 13]M.C. Kim, Y. Zhu, Scientometrics of scientometrics: mapping historical footprint and emerging 0.45
technologies in scientometrics, in: Scientometrics, 2018, pp. 9–27. Scientometrics, 2018, pp. 9-27。 0.44
[14] I. Park, B. Yoon, Technological opportunity discovery for technological convergence based on the prediction of technology knowledge flow in a citation network, Journal of Informetrics 12 (4) (2018) 1199–1222. I. Park, B. Yoon, Technological opportunity discovery for technology convergence based on the prediction of technology knowledge flow in a citation network, Journal of Informetrics 12 (4) (2018) 1199–1222。
訳抜け防止モード: [14]I. Park, B. Yoon, 引用ネットワークにおける技術知識フローの予測に基づく技術的収束の技術的機会発見 Journal of Informetrics 12 ( 4 ) ( 2018 ) 1199–1222 。 		0.82
[15] M. Bengisu, R. Nekhili, Forecasting emerging technologies with the aid of science and technology [15]M. Bengisu, R. Nekhili, 科学技術の力を借りて新興技術の予測 0.87
databases, Technological Forecasting and Social Change 73 (7) (2006) 835–844. データベース、Technological Forecasting and Social Change 73 (7) (2006) 835–844。 0.86
[16] C. Muhlroth, M. Grottke, A systematic literature review of mining weak signals and trends for C. Muhlroth, M. Grottke, A systematic literature review of mining weak signal and trend for 0.36
corporate foresight, Journal of Business Economics 88 (5) (2018) 643–687. corporate foresight, journal of business economics 88 (5) (2018) 643–687。 0.43
[17] R. Rohrbeck, M. Bade, Environmental scanning, futures research, strategic foresight and organizational future orientation: a review, integration, and future research directions, paper presented at the ISPIM Annual Conference, June 2012 (2012). [17]R. Rohrbeck, M. Bade, Environmental scanning, futures research, Strategy foresight and Organization future orientation: a review, integration and future research direction, presented at the ISPIM Annual Conference, June 2012 (2012)。
訳抜け防止モード: [17 ]R. Rohrbeck, M. Bade, 環境スキャン, 未来研究・戦略的展望・組織的未来志向 : レビュー・統合・未来研究の方向性 2012年6月(2012年)、ISPIM年次大会にて発表。 		0.65
[18] S. Xu, L. Hao, X. An, G. Yang, F. Wang, Emerging research topics detection with multiple machine [18]S.Xu, L. Hao, X. An, G. Yang, F. Wang, Emerging research topics detection with multiple machine
訳抜け防止モード: 18 ] s. xu, l. hao, x. an. g. yang氏, f. wang氏, マルチマシンによる新たな研究トピックの検出 		0.66
learning models, Journal of Informetrics 13 (4) (2019) p.100983. Journal of Informetrics 13 (4) (2019) p.100983。 0.63
[19] J. Keller, A. Heiko, The influence of information and communication technology (ict) on future foresight processes—results from a delphi survey, Technological Forecasting and Social Change 85 (2014) 91–92. 19] j. keller, a. heiko, the influence of information and communication technology (ict) on future foresight process—results from a delphi survey, technical forecasting and social change 85 (2014) 91-92 0.43
Deloitte, Hypersonics, Deloitte ハイパーソニックス 0.30
Breaking from: [20] 破断 から [20] 0.47
New Barriers: The 新しいもの 障壁: その... 0.41
Rise of https://www2.deloitt e.com/content/dam/De loitte/us/Documents/ energyresources/us-b reakingnew-barriers. pdf, 2020. 起立 ですから https://www2.deloitt e.com/content/dam/De loitte/us/Documents/ energyresources/us-b reakingnew-barriers. pdf, 2020 0.39
[21] definitions.net, https://www.definiti ons.net/definition/h ypersonic, Accessed 10 Mar 2022. 関連スポンサーコンテンツ [21] definitions.net, https://www.definiti ons.net/definition/h ypersonic, access 10 mar 2022 0.56
[22] J. Devlin, M. W. Chang, K. Lee, K. Toutanova, Bert: Pre-training of deep bidirectional transformers for J. Devlin, M. W. Chang, K. Lee, K. Toutanova, Bert: ディープ双方向トランスフォーマーの事前学習 0.77
language understanding, ArXiv preprint arXiv:1810.04805 (2018). 言語理解, ArXiv preprint arXiv:1810.04805 (2018)。 0.41
[23] Z. Nasar, S. W. Jaffry, M. K. Malik, Textual keyword extraction and summarization: State-of-the-art, Z. Nasar, S. W. Jaffry, M. K. Malik, Textual keyword extract and summarization: State-of-the-art,
訳抜け防止モード: [23 ]Z. Nasar, S. W. Jaffry, M. K. Malik テキストキーワード抽出と要約 : 現状 - アート- 		0.79
Information Processing & Management 56 (6) (2019) p.102088. Information Processing & Management 56 (6) (2019) p.102088。 0.91
[24] C. Zhang, Automatic keyword extraction from documents using conditional random fields, Journal of [24] c. zhang, 条件付き乱数を用いた文書の自動キーワード抽出, journal of 0.84
Computational Information Systems 4 (3) (2008) 1169–1180. 計算情報システム 4 (3) (2008) 1169–1180。 0.84
[25] S. K. Bharti, K. S. Babu, Automatic keyword extraction for text summarization: A survey, arXiv preprint [25] S. K. Bharti, K. S. Babu, Automatic keyword extract for text summarization: A survey, arXiv preprint 0.49
arXiv:1704.03242 (2017). arXiv:1704.03242 (2017)。 0.34
[26] H. P. Luhn, A statistical approach to mechanized encoding and searching of literary information, IBM 26] h. p. luhn, ibm, 機械化符号化と文芸情報の検索への統計的アプローチ 0.69
Journal of research and development 1 (4) (1957) 309–317. journal of research and development 1 (4) (1957) 309–317。 0.46
[27] Y. Matsuo, M. Ishizuka, Keyword extraction from a single document using word co-occurrence 【27]松尾英,石塚氏,単語共起を用いた単一文書からのキーワード抽出 0.71
statistical information, International Journal on Artificial Intelligence Tools 13 (01) (2004) 157–169. International Journal on Artificial Intelligence Tools 13 (01) (2004) 157–169。 0.34
[28] J. Ramos, Using tf-idf to determine word relevance in document queries, in Proceedings of the first [28] j. ramos, tf-idf を用いて文書クエリにおける単語の関連性を第一審の手続で決定する 0.68
instructional conference on machine learning (Vol. 242, No. 1, pp. 29-48), December 2003 (2003). 機械学習に関する教育会議 (Vol. 242, No. 1, pp. 29-48) 2003年12月(2003年)。 0.89
[29] R. Barzilay, E. M., Using lexical chains for text summarization, Advances in automatic text [29] r. barzilay, e. m., 辞書連鎖を用いたテキスト要約, 自動テキストの進歩 0.80
summarization (1999) 111–121. 1999年) 111-121頁。 0.40
15 15 0.43
英語（論文から抽出）日本語訳スコア
[30] A. Hulth, Improved automatic keyword extraction given more linguistic knowledge, in Proceedings of the 2003 conference on Empirical methods in natural language processing, ACL, 2003, pp. 216-223 (2003). [30] a. hulth, improved automatic keyword extraction given more language knowledge, in proceedings of the 2003 conference on empirical methods in natural language processing, acl, 2003, pp. 216-223 (2003)
訳抜け防止モード: [30 ]A.Hulth, より言語的な知識を与えられた自動キーワード抽出の改善。 In Proceedings of the 2003 Conference on Empirical Method in natural language processing, ACL, 2003, pp . 216 - 223 ( 2003 ) . 		0.89
[31] G. Salton, A. Singhal, M. Mitra, C. Buckley, Automatic text structuring and summarization, Information [31]G. Salton, A. Singhal, M. Mitra, C. Buckley, Automatic Text structuring and summarization, Information 0.49
Processing & Management 33 (2) (1997) 193–207. Processing & Management 33 (2) (1997) 193–207。 0.46
[32] K. Zhang, H. Xu, J. Tang, J. Li, Keyword extraction using support vector machine, in international conference on web-age information management (pp. 85-96). [32] k. zhang, h. xu, j. tang, j. li, keyword extraction using support vector machine, in international conference on web-age information management (pp. 85-96)
訳抜け防止モード: 32 ] k. zhang, h. xu, j. tang, j. li, support vector machine, in international conference on web - age information management (pp 85 - 96) によるキーワード抽出 		0.79
Springer, Berlin, Heidelberg, June 2006 (2006). スプリンガー、ベルリン、ハイデルベルク、2006年6月(2006年)。 0.66
[33] E. Frank, G. W. Paynter, I. H. Witten, C. Gutwin, C. G. Nevill-Manning, Domain-specific key-phrase extraction, in 16th International Joint Conference on Artificial Intelligence, vol. E. Frank, G. W. Paynter, I. H. Witten, C. Gutwin, C. G. Nevill-Manning, Domain-specific key-phrase extract, in 16th International Joint Conference on Artificial Intelligence, vol.
訳抜け防止モード: He 33 ] E. Frank, G. W. Paynter, I. H. Witten. C. Gutwin, C. G. Nevill - Manning, Domain - specific key - phrase extract, 第16回人工知能国際会議に参加して 		0.75
2, 1999, pp. 1999年2月2日、p。 0.61
668-67 (1999). 668-67 (1999). 0.88
[34] S. Rose, D. Engel, N. Cramer, W. Cowley, Automatic keyword extraction from individual documents, [34] S. Rose, D. Engel, N. Cramer, W. Cowley, 個々の文書から自動キーワード抽出。 0.84
Text mining: applications and theory 1 (2010) 1–20. テキストマイニング:アプリケーションと理論 1 (2010) 1–20。 0.86
[35] R. Campos, V. Mangaravite, A. Pasquali, A. Jorge, C. Nunes, A. Jatowt, Yake! keyword extraction from [35]R. Campos, V. Mangaravite, A. Pasquali, A. Jorge, C. Nunes, A. Jatowt, Yake!キーワード抽出
訳抜け防止モード: [35 ] R. Campos, V. Mangaravite, A. Pasquali A. Jorge , C. Nunes , A. Jatowt , Yake ! キーワード抽出 		0.94
single documents using multiple local features, Information Sciences 509 (2020) 257–289. 複数のローカル特徴を用いた単一の文書、Information Sciences 509 (2020) 257–289。 0.76
[36] Y. Qian, C. Jia, Y. Liu, Bert-based text keyword extraction, in Journal of Physics: Conference Series (Vol. Y. Qian, C. Jia, Y. Liu, Bert-based text keyword extract, in Journal of Physics: Conference Series (Vol。
訳抜け防止モード: [36 ]Y. Qian, C. Jia, Y. Liu, Bert-based text keyword extract, in Journal of Physics : Conference Series ( Vol ) 		0.48
1992, No. 4, p. 042077). 1992年4月4日、p.042077。 0.63
IOP Publishing (2021). IOPパブリッシング(2021年)。 0.59
[37] P. Sharma, L. Y., Self-supervised contextual keyword and keyphrase retrieval with self-labelling [37]P. Sharma, L. Y., Self-supervised contextual keyword and keyphrase search with self-labelling 0.43
(2019). [38] J. K. Humphreys, Phraserate: An html key-phrase extractor, dept. of Computer Science, University of (2019). [38] j. k. humphreys, phraserate: an html key-phrase extractor, dept. of computer science, university of university
訳抜け防止モード: (2019). [38 ]J. K. Humphreys, Phraserate : An html key - phrase extractor, 大学コンピュータサイエンス科 		0.60
California, Riverside, California, USA, Tech. カリフォルニア、リバーサイド、カリフォルニア、アメリカ、テック。 0.75
Rep. (2002). [39] J. R. Thomas, S. K. Bharti, K. S. Babu, Automatic keyword extraction for text summarization in enewspapers, in Proceedings of the International Conference on Informatics and Analytics, ACM, 2016, pp. 86-93 (2016). 2002年)。 J.R. Thomas, S. K. Bharti, K. S. Babu, Automatic keyword extract for text summarization in enewspapers, in the Proceedings of the International Conference on Informatics and Analytics, ACM, 2016 pp. 86-93 (2016)
訳抜け防止モード: 2002年)。 [39 ]J. R. Thomas, S. K. Bharti, K. S. Babu 国際情報・分析学会紀要におけるenewspapersにおけるテキスト要約のためのキーワードの自動抽出 ACM, 2016, pp . 86 - 93 ( 2016 ) . 		0.65
[40] H. I. Ansoff, Managing strategic surprise by response to weak signals, California management review [40]H.I.アンソフ、弱信号への対応による戦略的サプライズ管理、カリフォルニア州経営見直し 0.70
18 (2) (1975) 21–33. 18 (2) (1975) 21–33. 0.49
[41] R. Rohrbeck, N. Thom, H. Arnold, It tools for foresight: The integrated insight and response system of deutsche telekom innovation laboratories, Technological Forecasting and Social Change 97 (2015) 115–126. [41] r. rohrbeck, n. thom, h. arnold, it tools for for foresight: the integrated insight and response system of deutsche telekom innovation laboratories, technical forecasting and social change 97 (2015) 115–126。
訳抜け防止モード: [41 ] R. Rohrbeck, N. Thom, H. Arnold, 予見ツール : ドイツテレコム研究所の総合的な洞察と応答システム Technological Forecasting and Social Change 97 (2015 ) 115–126。 		0.78
[42] H. I. Ansoff, Futures signals sense-making framework (fssf): A start-up tool to analyse and categorise weak signals, wild cards, drivers, trends and other types of information, Futures 42 (1) (2010) 42–48. 42] h.i. ansoff, futures signals sense-making framework (fssf): 弱い信号、ワイルドカード、ドライバ、トレンド、その他の情報の分析と分類を行うスタートアップツール、futures 42 (1) (2010) 42–48。 0.81
[43] B. Coffman, Weak signal research, part i: Introduction, Journal of Transition Management 2 (1) (1997). [43] b. coffman, weak signal research, part i: introduction, journal of transition management 2 (1) (1997) 0.39
[44] O. Saritas, J. E. Smith, The big picture–trends, drivers, wild cards, discontinuities and weak signals, 44] O. Saritas, J. E. Smith, The big picture–trends, driver, wild card, discontinuity and weak signal。
訳抜け防止モード: 44 ] O. Saritas, J. E. Smith, The big picture – trend? ドライバー ワイルドカード 不連続と弱い信号 		0.77
Futures 43 (3) (2011) 292–312. 43 (3) (2011) 292-312。 0.32
[45] J. Yoon, Detecting weak signals for long-term business opportunities using text mining of web news, [45]J.Yoon, Webニュースのテキストマイニングによる長期ビジネス機会のための弱い信号の検出 0.87
Expert Systems with Applications 39 (16) (2012) 12543–12550. アプリケーション 39 (16) (2012) 12543–12550 のエキスパートシステム。 0.86
[46] B. L. van Veen, J. R. Ortt, Unifying weak signals definitions to improve construct understanding, [46] b. l. van veen, j. r. ortt, 構成理解を改善するために弱信号の定義を統合する。
訳抜け防止モード: [46 ] B. L. van Veen, J. R. Ortt, 構造理解を改善するために弱い信号の定義を統一する。 		0.72
Futures 134 (102837) (Dec. 2021). futures 134 (102837) (2021年12月)。 0.41
[47] E. Hiltunen, The future sign and its three dimensions, Futures 40 (3) (2008) 247–260. [47] E. Hiltunen, The future sign and its three dimensions, Futures 40 (3) (2008) 247–260。 0.46
[48] L. Ilmola, O. Kuusi, Filters of weak signals hinder foresight: Monitoring weak signals efficiently in [48]L. Ilmola, O. Kuusi, Filters of weak signals hinder foresight: Monitoring weak signals faster in 0.44
corporate decision-making, Futures 38 (8) (2006) 908–924. 企業による意思決定、Futures 38 (8) (2006) 908–924 0.76
[49] P. Rossel, Weak signals as a flexible framing space for enhanced management and decision-making, 49] p. rossel, 柔軟なフレーミング空間としての弱い信号 : 管理と意思決定の強化 0.71
Technology Analysis & Strategic Management 21 (3) (2009) 307–320. 技術分析・戦略管理21(3)(2009年)307-320。 0.81
[50] O. Pirinen, Weak signal based foresight service, (Master’s thesis) (2010). [50] O. Pirinen, Weak signal based foresight service, (Master'sthesis) (2010) 0.38
[51] E. Hiltunen, The futures window-a medium for presenting visual weak signals to trigger employees’ [51] hiltunen, the futures window--従業員の引き金となる視覚弱信号提示媒体 0.68
futures thinking in organizations, hSE Publications, working paper (2007). futures thinking in organizations, hse publications, working paper (2007)を参照。 0.41
[52] C. Park, S. Cho, Future sign detection in smart grids through text mining, Energy Procedia 128 (2017) 52]C. Park, S. Cho, Future sign detection in Smart Grids through text mining, Energy Procedia 128 (2017)
訳抜け防止モード: 52]C. Park, S. Cho, Future sign detection in Smart Grids through text mining エネルギープロセディア128(2017年) 		0.74
79–85. 16 79–85. 16 0.39
英語（論文から抽出）日本語訳スコア
[53] G. Salton, C. Buckley, Term-weighting approaches in automatic text retrieval, Information processing 53]G. Salton, C. Buckley, 自動テキスト検索における項重み付け手法, 情報処理 0.86
& management 24 (5) (1988) 513–523. & management 24 (5) (1988) 513–523. 0.50
[54] H. Joho, M. Sanderson, Document frequency and term specificity, in Proceedings of the Recherche H. Joho, M. Sanderson, Document frequency and term specificity, in Proceedings of the Recherche 0.37
d’Information Assist´ee par Ordinateur Conference (RIAO). d'Information Assist ́ee par Ordinateur Conference (RIAO) 0.42
Sheffield (2007). シェフィールド(2007年)。 0.75
[55] D. Nelkin, Publication and promotion. [55] d. nelkin, publication and promotion. 0.43
the performance of science, Lancet 352 (1998) 893–894. 科学のパフォーマンス lancet 352 (1998) 893–894。 0.74
[56] D. Rennie, V. Yank, L. Emanuel, When authorship fails: a proposal to make contributors accountable, D. Rennie, V. Yank, L. Emanuel: 著者が失敗したとき: コントリビュータに説明責任を与える提案。 0.72
Jama 278 (7) (1997) 579–585. ジャマ278 (7) (1997) 579-585。 0.81
[57] Z. Boger, T. Kuflik, P. Shoval, B. Shapira, Automatic keyword identification by artificial neural networks compared to manual identification by users of filtering systems, Information Processing & Management 37 (2) (2001) 187–198. 57] Z. Boger, T. Kuflik, P. Shoval, B. Shapira, 人工知能によるキーワードの自動識別, フィルタリングシステム, Information Processing & Management 37 (2) (2001) 187–198。
訳抜け防止モード: [57 ]Z. Boger, T. Kuflik, P. Shoval, B. Shapira, ニューラルネットワークによるキーワードの自動識別 : フィルタリングシステムのユーザによる手動識別との比較 Information Processing & Management 37 (2 ) (2001 ) 187–198 。 		0.87
[58] S. Anjali, N. M. Meera, M. G. Thushara, A graph based approach for keyword extraction from International Conference on Advanced Computational and 58] S. Anjali, N. M. Meera, M. G. Sohara, a graph based approach for keyword extract from International Conference on Advanced Computational and
訳抜け防止モード: [58 ]S. Anjali, N. M. Meera, M. G. Sohara International Conference on Advanced Computational and からのキーワード抽出のためのグラフベースアプローチ 		0.87
in 2019 Second documents, Communication Paradigms (ICACCP) (pp. 1-4). 2019年 第2回 文書,通信パラダイム (ICACCP) (pp. 1-4) 0.76
IEEE (2019). IEEE (2019)。 0.80
[59] G. K. Palshikar, Keyword extraction from a single document using centrality measures, in International conference on pattern recognition and machine intelligence (pp. 503-510). [59]g. k. palshikar, international conference on pattern recognition and machine intelligence (pp. 503-510) において、集中度尺度を用いた単一の文書からキーワードを抽出する。 0.75
Springer, Berlin, Heidelberg (2007). springer, berlin, heidelberg (2007)を参照。 0.70
[60] A. Hulth, J. Karlgren, A. Jonsson, H. Bostr¨om, L. Asker, Automatic keyword extraction using domain knowledge, in International Conference on Intelligent Text Processing and Computational Linguistics (pp. 472-482). A. Hulth, J. Karlgren, A. Jonsson, H. Bostr 'om, L. Asker, Automatic keyword extract using domain knowledge, in International Conference on Intelligent Text Processing and Computational Linguistics (pp. 472-482)
訳抜け防止モード: 60 ] a. hulth, j. karlgren, a. jonsson. ドメイン知識を用いたキーワードの自動抽出 知的テキスト処理と計算言語学に関する国際会議(pp . 472 - 482)において。 		0.75
Springer, Berlin, Heidelberg (2001). スプリンガー、ベルリン、ハイデルベルク(2001年)。 0.68
[61] M. E. Peters, M. Neumann, M. Iyyer, M. Gardner, C. Clark, K. Lee, L. Zettlemoyer, Deep contextualized word representations, in Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, NAACL-HLT 2018, New Orleans, Louisiana, USA, June 1-6, 2018, Volume 1 (Long Papers), pages 2227–2237. M. E. Peters, M. Neumann, M. Iyyer, M. Gardner, C. Clark, K. Lee, L. Zettlemoyer, Deep contextualized word representations, in Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, NAACL-HLT 2018, New Orleans, Louisiana, USA, June 1-6, 2018, Volume 1 (Long Papers), page 2227–2237.
訳抜け防止モード: 61 ] M. E. Peters, M. Neumann, M. Iyyer, M. Gardner, C. Clark, K. Lee, L. Zettlemoyer 深層文脈化語表現 : 2018年北米計算言語学会北米支部講演要旨 : ヒューマン・ランゲージ・テクノロジー NAACL - HLT 2018, New Orleans, Louisiana, USA 2018年6月1日～6日、第1巻(長編) 2227-2237頁。 		0.80
Association for Computational Linguistics (2018). Association for Computational Linguistics (2018) の略。 0.77
[62] V. D. Blondel, J. L. Guillaume, R. Lambiotte, E. Lefebvre, Fast unfolding of communities in large V. D. Blondel, J. L. Guillaume, R. Lambiotte, E. Lefebvre, Fast Unfolding of community in large
訳抜け防止モード: [62 ] V. D. Blondel, J. L. Guillaume, R. Lambiotte, E. Lefebvre, 大規模コミュニティの高速展開 		0.89
networks, Journal of statistical mechanics: theory and experiment 10 (2008) p.P10008. ネットワーク, Journal of statistical mechanics: theory and experiment 10 (2008) p.P10008。 0.93
[63] D. Sziroczak, H. Smith, A review of design issues specific to hypersonic flight vehicles, Progress in [63]d. sziroczak, h. smith, a review of design issues specifically to hypersonic flight vehicles, progress in 0.42
Aerospace Sciences 84 (2016) 1–28. エアロスペース・サイエンス 84 (2016) 1-28。 0.57
[64] S. Dinda, K. Vuchuru, S. Konda, A. N. Uttaravalli, Heat management in supersonic/hypersoni c vehicles [64]S. Dinda, K. Vuchuru, S. Konda, A. N. Uttaravalli, Heat Management in Supersonic/hypersoni c vehicle
訳抜け防止モード: [64 ]S.Dinda,K.Vuchuru,S. Konda, 超音速・超音速車両における熱管理 		0.71
using endothermic fuel: Perspective and challenges, ACS omega 6 (40) (2021) 26741–26755. ACSオメガ6 (40) (2021) 26741-26755。 0.24
[65] J. E. Theisinger, R. D. Braun, Hypersonic entry aeroshell shape optimization, MS Special Problems [65] J. E. Theisinger, R. D. Braun, Hypersonic entry aeroshell shape Optimization, MS Special Problems 0.49
Report, Georgia Institute of Technology 12 (2007). ジョージア工科大学第12研究所(2007年)。 0.60
[66] A. Kuranov, A. Korabelnikov, Hypersonic technologies of atmospheric cruise flight under ajax concept, in: 15th AIAA international space planes and hypersonic systems and technologies conference, 2008, p. 2524. [66] a. kuranov, a. korabelnikov, hypersonic technologies of atmospheric cruise flight under ajax concept, in: 15th aiaa international space planes and hypersonic systems and technologies conference, 2008 p. 2524. (英語)
訳抜け防止モード: A. Kuranov, A. Korabelnikov, Hypersonic Technologies of atmosphere Cruise flight under ajax concept 第15回AIAA国際宇宙機・超音速システム・技術会議 2008年、p.2524。 		0.73
[67] J. M. Acton, Hypersonic boost-glide weapons, Science & Global Security 23 (3) (2015) 191–219. 67] J. M. Acton, Hypersonic boost-glide weapons, Science & Global Security 23 (3) (2015) 191–219。
訳抜け防止モード: [67 ]J.M.アクトン,ハイパーソニックブースター-グライダー兵器 Science & Global Security 23 (3 ) (2015 ) 191–219 。 		0.72
[68] J. Ismay, Russia claims to use a hypersonic missile in attack on arms depot in Ukraine, New York Times ロシアはウクライナの武器基地攻撃に超音速ミサイルを使用したとニューヨーク・タイムズが報じた
訳抜け防止モード: [68]J・イスメイ氏、ロシアが主張 ウクライナの武器庫への攻撃に超音速ミサイルを使用する 		0.70
(Mar 2022). 17 (2022年) 17 0.38
                                   ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。