論文の概要: Scientometric engineering: Exploring citation dynamics via arXiv eprints
- arxiv url: http://arxiv.org/abs/2106.05027v2
- Date: Sat, 5 Feb 2022 09:13:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 04:30:39.385942
- Title: Scientometric engineering: Exploring citation dynamics via arXiv eprints
- Title（参考訳）: scientometric engineering: arxiv eprintsによる引用ダイナミクスの探求
- Authors: Keisuke Okamura
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scholarly communications have been rapidly integrated into digitised and
networked open ecosystems, where preprint servers have played a pivotal role in
accelerating the knowledge transfer processes. However, quantitative evidence
is scarce regarding how this paradigm shift beyond the traditional journal
publication system has affected the dynamics of collective attention on
science. To address this issue, we investigate the citation data of more than
1.5 million eprints on arXiv (https://arxiv.org/) and analyse the long-term
citation trend for each discipline involved. We find that the typical growth
and obsolescence patterns vary across disciplines, reflecting different
publication and communication practices. The results provide unique evidence on
the attention dynamics shaped by the research community today, including the
dramatic growth and fast obsolescence of Computer Science eprints, which has
not been captured in previous studies relying on the citation data of journal
papers. Subsequently, we develop a quantitatively-and-temporally normalised
citation index with an approximately normal distribution, which is useful for
comparing citational attention across disciplines and time periods. Further, we
derive a stochastic model consistent with the observed quantitative and
temporal characteristics of citation growth and obsolescence. The findings and
the developed framework open a new avenue for understanding the nature of
citation dynamics.
- Abstract（参考訳）: 学術的なコミュニケーションは、デジタル化されネットワーク化されたオープンエコシステムに急速に統合され、プレプリントサーバは知識伝達プロセスの加速において重要な役割を果たす。
しかし、このパラダイムが従来の雑誌出版システムを超えてどのように変化したかに関する定量的な証拠は、科学に対する集団的注意のダイナミクスに影響を与えている。
この問題に対処するために、arXiv (https://arxiv.org/) 上の150万以上の電子プリントの引用データを調査し、関連する各分野の長期引用傾向を分析する。
典型的成長パターンと強迫観念パターンは,出版やコミュニケーションの実践の相違を反映して,分野によって異なることが判明した。
この結果は、今日研究コミュニティが形成している注意力に関するユニークな証拠であり、コンピュータサイエンスのeプリントの劇的な成長と急速な陳腐化は、ジャーナル論文の引用データに依存した以前の研究では捉えられていない。
その後,量的および時空間的に正規化された引用指標を,ほぼ正規分布で作成し,各分野と期間にわたる引用注意の比較に有用である。
さらに, 励起成長と可溶化の定量的, 時間的特性に整合した確率モデルを導出した。
発見と開発フレームワークは、励起力学の性質を理解するための新しい道を開いた。
関連論文リスト
- Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。
そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。
我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
論文 参考訳（メタデータ） (2024-05-27T13:36:50Z) - 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) - Time to Cite: Modeling Citation Networks using the Dynamic Impact
Single-Event Embedding Model [0.33123773366516646]
引用ネットワークはシングルイベント動的ネットワークの顕著な例である。
このような単一イベントネットワークのキャラクタリゼーションのための新しい可能性関数を提案する。
Dynamic Impact Single-Event Embedding Model (DISEE)は、静的潜伏距離ネットワークの埋め込みアプローチを古典的な動的影響評価と照合する。
論文 参考訳（メタデータ） (2024-02-28T22:59:26Z) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳（メタデータ） (2022-10-02T07:43:26Z) - 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) - Early Indicators of Scientific Impact: Predicting Citations with
Altmetrics [0.0]
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。
論文 参考訳（メタデータ） (2020-12-25T16:25:07Z) - Longitudinal Citation Prediction using Temporal Graph Neural Networks [27.589741169713825]
シーケンス引用予測のタスクを紹介します。
目標は、学術研究が経時的に受ける引用回数の軌跡を正確に予測することである。
論文 参考訳（メタデータ） (2020-12-10T15:25:16Z) - Preprints as accelerator of scholarly communication: An empirical
analysis in Mathematics [9.899221738408581]
出版の遅れと影響の2つの影響を測定する。
プレプリント版のある記事は、ソーシャルメディアで言及されることが多く、Altmetricの注意の遅れが短い。
論文 参考訳（メタデータ） (2020-11-24T07:32:35Z) - What's New? Summarizing Contributions in Scientific Literature [85.95906677964815]
本稿では,論文のコントリビューションと作業状況について,個別の要約を生成するために,論文要約のアンタングル化という新たなタスクを導入する。
本稿では,学術論文のS2ORCコーパスを拡張し,コントリビューション・コントリビューション・コントリビューション・レファレンス・ラベルを付加する。
本稿では, 生成した出力の関連性, 新規性, 絡み合いを報告する総合的自動評価プロトコルを提案する。
論文 参考訳（メタデータ） (2020-11-06T02:23:01Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。