論文の概要: Research on Domain Information Mining and Theme Evolution of Scientific
Papers
- arxiv url: http://arxiv.org/abs/2204.08476v1
- Date: Mon, 18 Apr 2022 14:36:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-20 15:11:04.071653
- Title: Research on Domain Information Mining and Theme Evolution of Scientific
Papers
- Title（参考訳）: ドメイン情報マイニングと科学論文のテーマ展開に関する研究
- Authors: Changwei Zheng, Zhe Xue, Meiyu Liang, Feifei Kou, and Zeli Guan
- Abstract要約: 学際的な研究成果は次第に新たなフロンティア研究の方向性になりつつある。
研究者を支援するために、膨大な数の科学論文を効果的に活用する方法は、課題になる。
- 参考スコア（独自算出の注目度）: 5.747583451398117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, with the increase of social investment in scientific
research, the number of research results in various fields has increased
significantly. Cross-disciplinary research results have gradually become an
emerging frontier research direction. There is a certain dependence between a
large number of research results. It is difficult to effectively analyze
today's scientific research results when looking at a single research field in
isolation. How to effectively use the huge number of scientific papers to help
researchers becomes a challenge. This paper introduces the research status at
home and abroad in terms of domain information mining and topic evolution law
of scientific and technological papers from three aspects: the semantic feature
representation learning of scientific and technological papers, the field
information mining of scientific and technological papers, and the mining and
prediction of research topic evolution rules of scientific and technological
papers.
- Abstract（参考訳）: 近年,科学研究への社会投資の増加に伴い,様々な分野の研究成果が著しく増加している。
学際的な研究成果は次第に新たなフロンティア研究の方向性になりつつある。
多くの研究結果の間には一定の依存性がある。
一つの研究分野を単独で見る場合,今日の科学的研究成果を効果的に分析することは困難である。
研究者を助けるために大量の科学論文を効果的に利用する方法が課題となる。
本稿では,科学技術論文における意味的特徴表現学習,科学技術論文の分野情報マイニング,科学技術論文の分野情報マイニング,科学・技術論文の分野進化ルールのマイニングと予測という3つの側面から,国内外の分野情報マイニング及び科学・技術論文のトピック進化法について紹介する。
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) - Scientific Large Language Models: A Survey on Biological & Chemical Domains [47.97810890521825]
大規模言語モデル(LLM)は、自然言語理解の強化において、変革的な力として現れてきた。
LLMの応用は従来の言語境界を超えて、様々な科学分野で開発された専門的な言語システムを含んでいる。
AI for Science(AI for Science)のコミュニティで急成長している分野として、科学LLMは包括的な探査を義務付けている。
論文 参考訳（メタデータ） (2024-01-26T05:33:34Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - Diversity of Expertise is Key to Scientific Impact: a Large-Scale
Analysis in the Field of Computer Science [1.8794304012790348]
我々は,研究チーム内の研究分野の多様性が,今後5年間で得られた論文の引用数とどのように関連しているかを分析した。
これは、少なくともコンピュータサイエンスにおいて、様々な専門知識が科学的影響の鍵となることを示唆している。
論文 参考訳（メタデータ） (2023-06-27T09:56:44Z) - 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) - Modeling Information Change in Science Communication with Semantically
Matched Paraphrases [50.67030449927206]
SPICEDは、情報変化の度合いに注釈を付けた科学的な発見の最初のパラフレーズデータセットである。
SPICEDには、ニュース記事、ソーシャルメディアの議論、オリジナル論文の全文から抽出された6000の科学的発見ペアが含まれている。
SPICEDで訓練されたモデルは、実世界の科学的主張の事実チェックのための証拠検索において下流のパフォーマンスを改善する。
論文 参考訳（メタデータ） (2022-10-24T07:44:38Z) - Knowledge Graph and Accurate Portrait Construction of Scientific and
Technological Academic Conferences [14.130765322587264]
近年、科学技術の継続的な進歩に伴い、科学研究の成果は日に日に増えている。
科学技術学術会議の招集は、多くの学術論文、研究者、研究機関、その他のデータをもたらす。
深層学習技術を用いて、科学および技術学術会議のデータの中核となる情報をマイニングすることは、非常に重要である。
論文 参考訳（メタデータ） (2022-04-11T06:15:45Z) - A field guide to cultivating computational biology [1.040598660564506]
バイオメディカルリサーチセンターは、実験や患者からの大規模なデータセットを活用することで、基礎的な発見と治療戦略を強化することができる。
このデータと、それを作成し、分析する新しい技術は、従来の個別の単一分野の研究モデルを超えて、データ駆動の発見の時代を後押ししてきた。
我々は、個々の科学者、機関、雑誌発行者、資金調達機関、教育者に対する解決策を提案する。
論文 参考訳（メタデータ） (2021-04-23T01:24:21Z) - Learnings from Frontier Development Lab and SpaceML -- AI Accelerators
for NASA and ESA [57.06643156253045]
AIとML技術による研究は、しばしば非同期の目標とタイムラインを備えたさまざまな設定で動作します。
我々は、NASAとESAの民間パートナーシップの下で、AIアクセラレータであるFrontier Development Lab(FDL)のケーススタディを実行する。
FDL研究は、AI研究の責任ある開発、実行、普及に基礎を置く原則的な実践に従う。
論文 参考訳（メタデータ） (2020-11-09T21:23:03Z) - Topic Diffusion Discovery Based on Deep Non-negative Autoencoder [0.0]
本稿では,話題拡散の監視に情報分散計測を用いたディープ非負のオートエンコーダを提案する。
提案手法は,研究トピックの進化と,オンライン手法による話題拡散の発見を可能にする。
論文 参考訳（メタデータ） (2020-10-08T00:58:10Z) - Technological impact of biomedical research: the role of basicness and
novelty [2.741266294612776]
1980年から1999年にかけて発行された380万件の論文のコーパスを用いて、基礎的な科学論文や新しい論文が直接の技術的影響をもたらす可能性が著しく高いことを発見した。
技術的な影響のある論文に限定するさらなる分析は、基礎科学と新科学がより多くの特許を引用し、より短いタイムラグを経験し、より広い技術分野に影響を及ぼすことを明らかにしている。
論文 参考訳（メタデータ） (2020-06-03T18:31:05Z)
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。