論文の概要: Determining Research Priorities for Astronomy Using Machine Learning
- arxiv url: http://arxiv.org/abs/2203.00713v1
- Date: Tue, 1 Mar 2022 19:28:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 09:49:49.648861
- Title: Determining Research Priorities for Astronomy Using Machine Learning
- Title（参考訳）: 機械学習による天文学研究の優先順位決定
- Authors: Brian Thomas, Harley Thronson, Anthony Buonomo and Louis Barbier
- Abstract要約: 本研究は,2010年度全国天文学・天文学会の科学フロンティアパネルで特定された高優先度研究領域とよく相関する2つのトピックメトリクスについて述べる。
以上の結果から,デカナルサーベイは急速に成長する研究を過小評価する可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We summarize the first exploratory investigation into whether Machine
Learning techniques can augment science strategic planning. We find that an
approach based on Latent Dirichlet Allocation using abstracts drawn from high
impact astronomy journals may provide a leading indicator of future interest in
a research topic. We show two topic metrics that correlate well with the
high-priority research areas identified by the 2010 National Academies'
Astronomy and Astrophysics Decadal Survey science frontier panels. One metric
is based on a sum of the fractional contribution to each topic by all
scientific papers ("counts") while the other is the Compound Annual Growth Rate
of these counts. These same metrics also show the same degree of correlation
with the whitepapers submitted to the same Decadal Survey.
Our results suggest that the Decadal Survey may under-emphasize fast growing
research. A preliminary version of our work was presented by Thronson et al.
2021.
- Abstract（参考訳）: 機械学習技術が科学の戦略的計画を強化することができるかどうかに関する最初の調査を要約する。
高影響天文学雑誌の要約を用いた潜在ディリクレ割当に基づくアプローチは、研究トピックに対する今後の関心を示す主要な指標となる可能性がある。
2010年国立科学アカデミー天文学・天体物理学研究フロンティアパネルで特定された高次研究領域とよく相関する2つのトピック指標を示す。
1つの指標は、すべての科学論文("counts")による各トピックへの分数貢献の合計に基づいており、もう1つはこれらの数値の複合的な年次成長率である。
これらの指標は、同じDecadal Surveyに提出されたホワイトペーパーと同等の相関関係を示す。
以上の結果から,デカナルサーベイは急速に成長する研究を過小評価する可能性が示唆された。
私たちの研究の予備版は、 thronson et al. 2021 によって提示された。
関連論文リスト
- A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery [68.48094108571432]
大規模言語モデル(LLM)は、テキストやその他のデータ処理方法に革命をもたらした。
我々は,科学LLM間のクロスフィールドおよびクロスモーダル接続を明らかにすることで,研究ランドスケープのより総合的なビューを提供することを目指している。
論文 参考訳（メタデータ） (2024-06-16T08:03:24Z) - 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 Diachronic Analysis of Paradigm Shifts in NLP Research: When, How, and
Why? [84.46288849132634]
本稿では、因果発見と推論技術を用いて、科学分野における研究トピックの進化を分析するための体系的な枠組みを提案する。
我々は3つの変数を定義し、NLPにおける研究トピックの進化の多様な側面を包含する。
我々は因果探索アルゴリズムを用いてこれらの変数間の因果関係を明らかにする。
論文 参考訳（メタデータ） (2023-05-22T11:08:00Z) - 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) - A Decade of Knowledge Graphs in Natural Language Processing: A Survey [3.3358633215849927]
知識グラフ(KG)は学術と産業の両方から関心を集めている。
実体間の意味関係の表現として、KGは自然言語処理に特に関係があることが証明されている。
論文 参考訳（メタデータ） (2022-09-30T21:53:57Z) - 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) - 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) - Measuring Domain Knowledge for Early Prediction of Student Performance:
A Semantic Approach [5.721241882795979]
研究者らは、パフォーマンスモデリング研究に様々な予測器を使用してきた。
約0.35万の観測に関する協会の採掘は、事前の認知が学生のパフォーマンスに影響を及ぼすことを証明している。
ドメイン知識を測定するという提案されたアプローチは、初期のパフォーマンスモデリング研究が予測子として使うのに役立ちます。
論文 参考訳（メタデータ） (2021-07-15T23:46:27Z) - 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) - Topic Space Trajectories: A case study on machine learning literature [0.0]
本稿では,研究トピックの包括的追跡を可能にする構造であるトピック空間トラジェクトリを提案する。
我々は,32の出版会場から50年間の機械学習研究を対象とする出版コーパスへのアプローチの適用性を示した。
本手法は,論文分類,今後の研究課題の予測,未発表の論文提出のための会議や雑誌の掲載を推奨するために利用することができる。
論文 参考訳（メタデータ） (2020-10-23T10:53:42Z) - 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。