論文の概要: On predicting research grants productivity
- arxiv url: http://arxiv.org/abs/2106.10700v1
- Date: Sun, 20 Jun 2021 14:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 15:12:59.985793
- Title: On predicting research grants productivity
- Title（参考訳）: 予測研究は生産性をもたらす
- Authors: Jorge A. V. Tohalino and Diego R. Amancio
- Abstract要約: 文献学的特徴が研究助成金の成功を予測できるかどうかを分析した。
研究科目と出版史は生産性を予測する役割を担っている。
最高の結果がテキストベースの属性よりも優れているが,評価された特徴は高い差別性は得られなかった。
- 参考スコア（独自算出の注目度）: 0.38073142980732994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the reasons associated with successful proposals is of
paramount importance to improve evaluation processes. In this context, we
analyzed whether bibliometric features are able to predict the success of
research grants. We extracted features aiming at characterizing the academic
history of Brazilian researchers, including research topics, affiliations,
number of publications and visibility. The extracted features were then used to
predict grants productivity via machine learning in three major research areas,
namely Medicine, Dentistry and Veterinary Medicine. We found that research
subject and publication history play a role in predicting productivity. In
addition, institution-based features turned out to be relevant when combined
with other features. While the best results outperformed text-based attributes,
the evaluated features were not highly discriminative. Our findings indicate
that predicting grants success, at least with the considered set of
bibliometric features, is not a trivial task.
- Abstract（参考訳）: 提案の成功に関連する理由を理解することは、評価プロセスを改善する上で最重要となる。
この文脈で,文献学的特徴が研究助成金の成功を予測できるかどうかを解析した。
研究テーマ,提携,出版数,視認性など,ブラジルの研究者の学歴を特徴付ける特徴を抽出した。
抽出された特徴は、医学、歯科医学、獣医学の3大研究分野における機械学習による補助金の生産性予測に使用された。
研究対象と出版史が生産性を予測する役割を担っていることがわかった。
加えて、機関ベースの機能は、他の機能と組み合わせると関係があることがわかった。
最高の結果がテキストベースの属性よりも優れているが,評価された特徴は識別性に乏しかった。
以上の結果から,少なくとも文献学的特徴のセットを考慮すれば,予測が成功をもたらすことは自明な作業ではないことが示唆された。
関連論文リスト
- Does the Order of Fine-tuning Matter and Why? [11.975836356680855]
本研究では,複数の中間タスクの微調整とその順序がタスク性能に及ぼす影響について検討する。
実験の結果,タスクオーダリングが目標タスクのパフォーマンスに与える影響は,パフォーマンスの最大6%,パフォーマンスの最大4%であることがわかった。
論文 参考訳（メタデータ） (2024-10-03T19:07:14Z) - A Dataset for Evaluating LLM-based Evaluation Functions for Research Question Extraction Task [6.757249766769395]
本データセットは、機械学習論文と、GPT-4による研究論文から抽出したRQと、抽出したRQの人間による評価からなる。
このデータセットを用いて,最近提案したLCMに基づく要約評価関数を体系的に比較した。
いずれの関数も人間の評価と十分に高い相関関係は示さなかった。
論文 参考訳（メタデータ） (2024-09-10T21:54:46Z) - What Makes a Good Story and How Can We Measure It? A Comprehensive Survey of Story Evaluation [57.550045763103334]
ストーリーを評価することは、他の世代の評価タスクよりも難しい場合があります。
まず、テキスト・トゥ・テキスト、ビジュアル・トゥ・テキスト、テキスト・トゥ・ビジュアルといった既存のストーリーテリングタスクを要約する。
本研究では,これまで開発されてきた,あるいはストーリー評価に応用可能な評価指標を整理する分類法を提案する。
論文 参考訳（メタデータ） (2024-08-26T20:35:42Z) - Efficient Systematic Reviews: Literature Filtering with Transformers & Transfer Learning [0.0]
特定のトピックに関する重要な研究項目を特定するのに必要な時間に関して、負担が増大する。
本研究では,必要な内容の自然言語記述として提案される研究課題に適合する汎用フィルタリングシステムを構築する方法を提案する。
以上の結果から, バイオメディカル文献に基づいて事前学習したトランスフォーマーモデルを用いて, 特定のタスクを微調整したトランスフォーマーモデルにより, この問題に対する有望な解決策が得られた。
論文 参考訳（メタデータ） (2024-05-30T02:55:49Z) - 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) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳（メタデータ） (2022-11-07T16:19:42Z) - Artificial Text Detection via Examining the Topology of Attention Maps [58.46367297712477]
トポロジカルデータ分析(TDA)に基づく3種類の解釈可能なトポロジカル特徴を提案する。
BERTモデルから派生した特徴が3つの共通データセットにおいて、カウントベースとニューラルベースベースラインを最大10%上回っていることを実証的に示す。
特徴の探索解析は表面に対する感度と構文的性質を明らかにしている。
論文 参考訳（メタデータ） (2021-09-10T12:13:45Z) - 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) - Predicting the Reproducibility of Social and Behavioral Science Papers
Using Supervised Learning Models [21.69933721765681]
本論文では,学術研究から5種類の特徴を抽出し,公開研究クレームの評価を支援するフレームワークを提案する。
個々の特徴と人間評価の基底真理ラベルのセットを予測するための重要性のペアワイズ相関を分析します。
論文 参考訳（メタデータ） (2021-04-08T00:45:20Z) - Knowledge Graphs in Manufacturing and Production: A Systematic
Literature Review [0.0]
製造と生産におけるナレッジグラフは、生産ラインをより効率的で柔軟にし、高品質の出力を目指しています。
これにより、知識グラフは企業が産業の4.0の目標に達するのを魅力的にしている。
この分野の既存の研究は非常に予備的であり、ナレッジグラフをどのように適用できるかを分析する研究がさらに必要である。
論文 参考訳（メタデータ） (2020-12-16T16:15:28Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳（メタデータ） (2020-08-02T00:09:03Z)
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。