論文の概要: Studying the characteristics of scientific communities using
individual-level bibliometrics: the case of Big Data research
- arxiv url: http://arxiv.org/abs/2106.05581v1
- Date: Thu, 10 Jun 2021 08:17:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 02:09:09.220456
- Title: Studying the characteristics of scientific communities using
individual-level bibliometrics: the case of Big Data research
- Title（参考訳）: 個人レベルの書誌分析を用いた科学コミュニティの特徴の研究--ビッグデータ研究を事例として
- Authors: Xiaozan Lyu and Rodrigo Costas
- Abstract要約: 我々は,ビッグデータ研究に携わる作家コミュニティの学齢,生産,研究の焦点について検討する。
以上の結果から,「ビッグデータ」の学術領域は,著者のコミュニティが拡大する中で,近年の話題となっている。
- 参考スコア（独自算出の注目度）: 2.208242292882514
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unlike most bibliometric studies focusing on publications, taking Big Data
research as a case study, we introduce a novel bibliometric approach to unfold
the status of a given scientific community from an individual level
perspective. We study the academic age, production, and research focus of the
community of authors active in Big Data research. Artificial Intelligence (AI)
is selected as a reference area for comparative purposes. Results show that the
academic realm of "Big Data" is a growing topic with an expanding community of
authors, particularly of new authors every year. Compared to AI, Big Data
attracts authors with a longer academic age, who can be regarded to have
accumulated some publishing experience before entering the community. Despite
the highly skewed distribution of productivity amongst researchers in both
communities, Big Data authors have higher values of both research focus and
production than those of AI. Considering the community size, overall academic
age, and persistence of publishing on the topic, our results support the idea
of Big Data as a research topic with attractiveness for researchers. We argue
that the community-focused indicators proposed in this study could be
generalized to investigate the development and dynamics of other research
fields and topics.
- Abstract（参考訳）: 出版物に焦点をあてたほとんどの書誌学研究と異なり,ビッグデータ研究を事例研究として,個々の視点から科学コミュニティの状況を明らかにするための新しい書誌学アプローチを提案する。
本研究では,ビッグデータ研究に携わる著者コミュニティの学年,生産,研究の焦点について検討する。
人工知能(AI)は、比較目的の基準領域として選択される。
結果から,「ビッグデータ」の学術領域は,作家のコミュニティが拡大する中で,特に毎年新たな著者の関心が高まりつつあることが示唆された。
AIと比較すると、ビッグデータは長い学術的年齢の著者を引き付け、コミュニティに入る前に出版経験を蓄積したと見なすことができる。
両方のコミュニティの研究者の間で生産性が著しく低下しているにもかかわらず、ビッグデータの著者はAIよりも研究の焦点と生産の両方の価値が高い。
本研究の成果は,コミュニティのサイズ,学術的年代,出版の持続性を考えると,研究者にとって魅力的な研究トピックとしてのビッグデータの考え方を支持するものである。
本研究で提案するコミュニティ指向の指標は,他の研究分野やトピックの発展とダイナミクスを研究するために一般化することができる。
関連論文リスト
- Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳（メタデータ） (2024-06-20T16:34:07Z) - 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) - A Survey on Data Selection for Language Models [148.300726396877]
データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。
ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。
広範なデータ選択研究のリソースを持つ組織はほとんどない。
論文 参考訳（メタデータ） (2024-02-26T18:54:35Z) - Analyzing the Impact of Companies on AI Research Based on Publications [1.450405446885067]
私たちは、過去10年間に出版された学術的および企業公認のAIパブリッシングを比較します。
個々の出版物が受ける引用回数は、会社によって(共著)される場合、著しく高いことが分かりました。
論文 参考訳（メタデータ） (2023-10-31T13:27:04Z) - A Comprehensive Study of Groundbreaking Machine Learning Research:
Analyzing highly cited and impactful publications across six decades [1.6442870218029522]
機械学習(ML)は、コンピュータ科学やその他の関連分野の研究分野として注目されている。
重要なトレンド、影響力のある著者、そしてこれまでの重要な貢献を識別するために、高度に引用された出版物の風景を理解することが不可欠である。
論文 参考訳（メタデータ） (2023-08-01T21:43:22Z) - Tag-Aware Document Representation for Research Paper Recommendation [68.8204255655161]
本稿では,ユーザによって割り当てられたソーシャルタグに基づいて,研究論文の深い意味表現を活用するハイブリッドアプローチを提案する。
提案手法は,評価データが極めて少ない場合でも研究論文の推薦に有効である。
論文 参考訳（メタデータ） (2022-09-08T09:13:07Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - D3: A Massive Dataset of Scholarly Metadata for Analyzing the State of
Computer Science Research [27.882505456528243]
DBLPは、コンピュータ科学に関する科学論文の公開リポジトリとしては最大である。
我々はDBLPから600万以上の論文を検索し、メタデータを抽出した。
D3は、コンピュータ科学研究のアクティビティ、生産性、焦点、バイアス、アクセシビリティ、および影響の傾向を特定するために使用することができる。
論文 参考訳（メタデータ） (2022-04-28T09:59:52Z) - Research Scholar Interest Mining Method based on Load Centrality [15.265191824669555]
本稿では,負荷集中度に基づく研究研究者の関心マイニングアルゴリズムを提案する。
各トピックの地域構造は、ノードの集中度研究モデルの重みを正確に計算するために使用することができる。
本稿では, 負荷率センタに基づく科学的研究協力により, 科学的研究研究者の関心を効果的に抽出することができる。
論文 参考訳（メタデータ） (2022-03-21T04:16:46Z) - Industry and Academic Research in Computer Vision [5.634825161148484]
本研究は,コンピュータビジョンにおける産学研究と学界のダイナミックな関係を研究することを目的としている。
結果は、この分野を代表するトップ5ビジョンカンファレンスのセットで実証される。
論文 参考訳（メタデータ） (2021-07-10T20:09:52Z)
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。