論文の概要: Early Indicators of Scientific Impact: Predicting Citations with Altmetrics

• arxiv url: http://arxiv.org/abs/2012.13599v1
• Date: Fri, 25 Dec 2020 16:25:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 04:29:28.192051
• Title: Early Indicators of Scientific Impact: Predicting Citations with Altmetrics
• Title（参考訳）: 科学的影響の早期指標:altmetricsによる引用予測
• Authors: Akhil Pandey Akella, Hamed Alhoori, Pavan Ravikanth Kondamudi, Cole Freeman, Haiming Zhou
• Abstract要約: altmetricsを使って、学術的な出版物が得る短期的および長期的な引用を予測する。 我々は,様々な分類モデルと回帰モデルを構築し,それらの性能を評価し,それらのタスクに最適なニューラルネットワークとアンサンブルモデルを見つける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying important scholarly literature at an early stage is vital to the academic research community and other stakeholders such as technology companies and government bodies. Due to the sheer amount of research published and the growth of ever-changing interdisciplinary areas, researchers need an efficient way to identify important scholarly work. The number of citations a given research publication has accrued has been used for this purpose, but these take time to occur and longer to accumulate. In this article, we use altmetrics to predict the short-term and long-term citations that a scholarly publication could receive. We build various classification and regression models and evaluate their performance, finding neural networks and ensemble models to perform best for these tasks. We also find that Mendeley readership is the most important factor in predicting the early citations, followed by other factors such as the academic status of the readers (e.g., student, postdoc, professor), followers on Twitter, online post length, author count, and the number of mentions on Twitter, Wikipedia, and across different countries.
• Abstract（参考訳）: 初期の重要な学術文献の特定は、学術研究コミュニティや技術企業や政府機関などの利害関係者にとって不可欠である。 出版される膨大な研究の量と学際的領域の成長のために、研究者は重要な学術研究を識別するための効率的な方法を必要としている。 特定の研究出版物が獲得した引用数は、この目的のために使われてきたが、これらは発生に時間がかかる。 本稿では,学術刊行物が得る短期的・長期的引用の予測にaltmetricsを用いた。 様々な分類と回帰モデルを構築し、それらの性能を評価し、これらのタスクに最適なニューラルネットワークとアンサンブルモデルを見つける。 また,初期の引用予測においてメンデリーの読者数が最も重要な要因であり,さらに,読者の学術的地位(学生,ポストドク,教授など),twitter上のフォロワー,オンライン投稿の長さ,著者数,twitter,wikipedia,その他の国での言及数などが挙げられる。

関連論文リスト

• ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
  ResearchAgentは、大規模言語モデルによる研究アイデア作成エージェントである。 科学文献に基づいて繰り返し精製しながら、問題、方法、実験設計を生成する。 我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-11T13:36:29Z)
• Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
  2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。 計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
  論文  参考訳（メタデータ） (2024-04-01T17:45:15Z)
• Change Summarization of Diachronic Scholarly Paper Collections by Semantic Evolution Analysis [10.554831859741851]
  本研究では,長期間にわたる研究論文の収集を解析するための新しい手法を実証する。 我々のアプローチは、時間とともに単語の意味表現を比較することに基づいており、学術出版物の大規模なドメイン中心のアーカイブをより深く理解することを目的としている。
  論文  参考訳（メタデータ） (2021-12-07T11:15:19Z)
• Scientometric engineering: Exploring citation dynamics via arXiv eprints [0.0]
  本稿では,arXiv上の150万以上の電子プリントの引用データについて検討する。 典型的成長パターンと可溶化パターンは, 分野によって異なることが判明した。 我々は, 励起成長と可溶化の観測量的, 時間的特性に整合したモデルを導出した。
  論文  参考訳（メタデータ） (2021-06-09T12:38:44Z)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• A Measure of Research Taste [91.3755431537592]
  生産性と味の両方に報いる引用に基づく尺度を提案する。 提示された尺度capは、出版物とその量の影響のバランスをとる。 本研究では, 生物学, 計算機科学, 経済学, 物理分野の研究者を対象に, capの特性を解析した。
  論文  参考訳（メタデータ） (2021-05-17T18:01:47Z)
• Semantic Analysis for Automated Evaluation of the Potential Impact of Research Articles [62.997667081978825]
  本稿では,情報理論に基づくテキスト意味のベクトル表現のための新しい手法を提案する。 この情報意味論がLeicester Scientific Corpusに基づいてテキスト分類にどのように使用されるかを示す。 テキストの意味を表現するための情報的アプローチは,研究論文の科学的影響を効果的に予測する方法であることを示す。
  論文  参考訳（メタデータ） (2021-04-26T20:37:13Z)
• A Graph Convolutional Neural Network based Framework for Estimating Future Citations Count of Research Articles [0.03937354192623676]
  グラフ畳み込みネットワーク (gcn) を用いて, 短期(1年), 長期(5年, 10年)のいずれにおいても, 今後の研究論文の引用を推定する枠組みを提案する。 我々は、コンピュータサイエンス領域の研究記事、特に0.8百万以上の記事からなるAMinerデータセット上の私たちの提案されたアプローチをテストしました。
  論文  参考訳（メタデータ） (2021-04-11T07:20:53Z)
• Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
  引用グラフを用いて科学論文の要約作業を再定義します。 我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。 我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
  論文  参考訳（メタデータ） (2021-04-07T11:13:35Z)
• Utilizing Citation Network Structure to Predict Citation Counts: A Deep Learning Approach [0.0]
  本稿では,情報カスケードの効果を組み合わせ,引用数予測問題に注目するエンド・ツー・エンドのディープラーニングネットワークであるDeepCCPを提案する。 6つの実データ集合の実験によると、DeepCCPは引用数予測の精度において最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-09-06T05:27:50Z)
• Attention: to Better Stand on the Shoulders of Giants [34.5017808610466]
  本稿では,長期科学的影響予測のための注意機構を開発する。 実際の大規模引用データセットに基づいて,本手法の検証を行う。
  論文  参考訳（メタデータ） (2020-05-27T00:25:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。