論文の概要: Number and quality of diagrams in scholarly publications is associated
with number of citations
- arxiv url: http://arxiv.org/abs/2104.14815v1
- Date: Fri, 30 Apr 2021 08:01:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 21:41:41.704990
- Title: Number and quality of diagrams in scholarly publications is associated
with number of citations
- Title（参考訳）: 学術刊行物における図面の数と質は引用数と関連している
- Authors: Guy Clarke Marshall and Caroline Jay and Andre Freitas
- Abstract要約: 我々は,学術計算言語学会議におけるダイアグラムのコーパスを分析する。
高い評価を得ている論文と、図のガイドラインの遵守度によって定量化された「良い図作りの実践」との相関性を見出す。
本研究は、図表が引用の予測に有用な品質データ源となり得ることを示唆し、現在不足している学者にとって「グラフィック」が鍵となるスキルであることを示唆している。
- 参考スコア（独自算出の注目度）: 6.233820957059352
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Diagrams are often used in scholarly communication. We analyse a corpus of
diagrams found in scholarly computational linguistics conference proceedings
(ACL 2017), and find inclusion of a system diagram to be correlated with higher
numbers of citations after 3 years. Inclusion of over three diagrams in this
8-page limit conference was found to correlate with a lower citation count.
Focusing on neural network system diagrams, we find a correlation between
highly cited papers and "good diagramming practice" quantified by level of
compliance with a set of diagramming guidelines. Two diagram classification
types (one visually based, one mental model based) were not found to correlate
with number of citations, but enabled quantification of heterogeneity in those
dimensions. Exploring scholarly paper-writing guides, we find diagrams to be a
neglected media. This study suggests that diagrams may be a useful source of
quality data for predicting citations, and that "graphicacy" is a key skill for
scholars with insufficient support at present.
- Abstract（参考訳）: ダイアグラムはしばしば学術的なコミュニケーションに使用される。
学術的計算言語学会議(acl 2017)で見出された図のコーパスを分析し,システム図の包含と3年後の引用数との関係を見いだした。
この8ページ制限会議の3つ以上の図を含めると、引用数と相関することがわかった。
ニューラルネットワークシステムダイアグラムに着目し,高引用論文と一連のダイアグラムガイドラインの遵守度によって定量化される「良いダイアグラム化プラクティス」との相関性を見出した。
2つの図分類(視覚ベース、1つのメンタルモデルベース)は、引用数と相関しないが、これらの次元における不均一性の定量化を可能にした。
学術的な論文執筆ガイドを探求すると、ダイアグラムは無視されたメディアであることが分かる。
本研究は、図表が引用の予測に有用な品質データ源となり得ることを示唆し、現在不足している学者にとって「グラフィック」が鍵となるスキルであることを示唆している。
関連論文リスト
- Word Grounded Graph Convolutional Network [24.6338889954789]
グラフ畳み込みネットワーク(GCN)は、テキスト分類などの様々なタスクにおけるテキスト表現の学習において、高いパフォーマンスを示している。
本稿では,文書非依存グラフを用いて,文書グラフをワードグラフに変換し,データサンプルとGCNモデルを分離することを提案する。
提案したWord-level Graph(WGraph)は、コーパスで一般的に使われている単語共起による単語表現を暗黙的に学習するだけでなく、さらにグローバルなセマンティック依存も含んでいる。
論文 参考訳（メタデータ） (2023-05-10T19:56:55Z) - H2CGL: Modeling Dynamics of Citation Network for Impact Prediction [13.00224680454585]
対象論文の階層的および異質なグラフを年次視点で構築する。
このグラフは、対象論文の科学的文脈情報の年次動態を記録することができる。
階層型および不均一なグラフ学習モデルであるグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2023-04-16T13:04:32Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。
本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。
本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文 参考訳（メタデータ） (2022-06-11T04:05:29Z) - Deep Graph Learning for Anomalous Citation Detection [55.81334139806342]
本稿では,新たな深層グラフ学習モデルであるGLAD(Graph Learning for Anomaly Detection)を提案する。
GLADフレームワーク内ではCPU(Citation PUrpose)と呼ばれるアルゴリズムが提案され,引用テキストに基づく引用の目的が明らかになった。
論文 参考訳（メタデータ） (2022-02-23T09:05:28Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - Structuralist analysis for neural network system diagrams [6.233820957059352]
我々は、ニューラルネットワークシステムで使われる異種図式表記法が、この領域における意味を示唆していると論じる。
コーパス分析を用いて,著者の表象選択に従って図を定量的に分類する。
論文 参考訳（メタデータ） (2021-04-30T07:50:19Z) - 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) - Structured Citation Trend Prediction Using Graph Neural Networks [6.325999141414098]
本論文では,公開時に論文のトップセットを予測するGNNベースのアーキテクチャを提案する。
実験では,さまざまなカンファレンスを対象とした学術的引用グラフの集合をキュレートし,提案モデルがF1スコアで他の古典的機械学習モデルより優れていることを示す。
論文 参考訳（メタデータ） (2021-04-06T14:58:29Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z)
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。