論文の概要: Quantifying the Online Long-Term Interest in Research

• arxiv url: http://arxiv.org/abs/2209.06212v1
• Date: Tue, 13 Sep 2022 16:57:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 13:01:31.117454
• Title: Quantifying the Online Long-Term Interest in Research
• Title（参考訳）: 研究に対するオンライン長期関心の定量化
• Authors: Murtuza Shahzad, Hamed Alhoori, Reva Freedman, Shaikh Abdul Rahman
• Abstract要約: 研究論文がオンライン上でいつまで言及されているかを知ることは、研究者にとって貴重な情報となるかもしれない。 利用者が学術論文を共有したり議論したりする複数のソーシャルメディアプラットフォームを分析した。 これら3つのクラスタのそれぞれのオンラインソーシャルメディアメトリクスを使用して、研究論文における長期的なオンライン関心を予測するために、機械学習モデルを構築しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Research articles are being shared in increasing numbers on multiple online platforms. Although the scholarly impact of these articles has been widely studied, the online interest determined by how long the research articles are shared online remains unclear. Being cognizant of how long a research article is mentioned online could be valuable information to the researchers. In this paper, we analyzed multiple social media platforms on which users share and/or discuss scholarly articles. We built three clusters for papers, based on the number of yearly online mentions having publication dates ranging from the year 1920 to 2016. Using the online social media metrics for each of these three clusters, we built machine learning models to predict the long-term online interest in research articles. We addressed the prediction task with two different approaches: regression and classification. For the regression approach, the Multi-Layer Perceptron model performed best, and for the classification approach, the tree-based models performed better than other models. We found that old articles are most evident in the contexts of economics and industry (i.e., patents). In contrast, recently published articles are most evident in research platforms (i.e., Mendeley) followed by social media platforms (i.e., Twitter).
• Abstract（参考訳）: 研究論文は、複数のオンラインプラットフォーム上で、増加傾向にある。 これらの論文の学術的影響は広く研究されているが、研究論文のオンライン共有期間によって決定されるオンラインの関心はいまだ不明である。 研究論文がオンラインでいつまで言及されているかは研究者にとって貴重な情報だ。 本稿では,ユーザが学術記事を共有し,議論するソーシャルメディアプラットフォームを分析した。 1920年から2016年までの刊行日を持つ年次オンライン文献数に基づいて,論文のクラスタを3つ構築した。 これら3つのクラスタのそれぞれのオンラインソーシャルメディアメトリクスを使用して、研究論文における長期的なオンライン関心を予測するために、機械学習モデルを構築しました。 予測タスクには,回帰と分類という2つのアプローチで対処した。 回帰アプローチでは,多層パーセプトロンモデルが最も優れ,分類アプローチでは木ベースモデルの方が他のモデルよりも優れていた。 我々は、古い記事が経済と産業(すなわち特許)の文脈で最も顕著であることを発見した。 対照的に、最近公開された記事は研究プラットフォーム(mendeley)でもっとも顕著であり、続いてソーシャルメディアプラットフォーム(twitter)がある。

関連論文リスト

• SMP Challenge: An Overview and Analysis of Social Media Prediction Challenge [63.311045291016555]
  ソーシャルメディアの人気予測(SMPP)は、オンライン投稿の今後の人気値を自動予測する重要なタスクである。 本稿では,課題,データ,研究の進展について要約する。
  論文  参考訳（メタデータ） (2024-05-17T02:36:14Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• UKP-SQuARE v3: A Platform for Multi-Agent QA Research [48.92308487624824]
  我々は、質問回答(QA)研究のためのオンラインプラットフォームであるUKP-SQuAREを拡張し、マルチエージェントシステムの3つのファミリーをサポートする。 推論速度の評価実験を行い、マルチデータセットモデルと比較して性能と速度のトレードオフについて議論する。
  論文  参考訳（メタデータ） (2023-03-31T15:07:36Z)
• Analyzing the State of Computer Science Research with the DBLP Discovery Dataset [0.0]
  我々は、CSメタデータに隠された暗黙のパターンを明らかにするために、サイエントメトリック分析を行う。 各種ダッシュボード,フィルタ,ビジュアライゼーションを用いてCS出版物を解析するインタラクティブWebアプリケーションであるCS-Insightsシステムを紹介した。 D3とCS-Insightsはどちらもオープンアクセス可能で、CS-Insightsは将来的に他のデータセットに容易に適応できる。
  論文  参考訳（メタデータ） (2022-12-01T16:27:42Z)
• 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)
• 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)
• Stance Detection in Web and Social Media: A Comparative Study [3.937145867005019]
  オンラインフォーラムやソーシャルメディアプラットフォームは、異なる人々が異なる姿勢をとるさまざまな極性に関するトピックを議論するために、ますます利用されています。 テキストからの自動姿勢検出のためのいくつかの手法が文献で提案されている。 我々の知る限りでは、それらとその比較パフォーマンスについて、体系的な調査は行われていない。
  論文  参考訳（メタデータ） (2020-07-12T12:39:35Z)
• Echo Chambers on Social Media: A comparative analysis [64.2256216637683]
  本研究では,4つのソーシャルメディアプラットフォーム上で100万ユーザが生成した100万個のコンテンツに対して,エコーチャンバーの操作的定義を導入し,大規模な比較分析を行う。 議論の的になっているトピックについてユーザの傾きを推測し、異なる特徴を分析してインタラクションネットワークを再構築する。 我々は、Facebookのようなニュースフィードアルゴリズムを実装するプラットフォームが、エコーチャンバの出現を招きかねないという仮説を支持する。
  論文  参考訳（メタデータ） (2020-04-20T20:00:27Z)
• How do academic topics shift across altmetric sources? A case study of the research area of Big Data [2.208242292882514]
  出版物の著者キーワードとオンラインイベントの用語は、出版物のメイントピックとして抽出され、Altmetric.comで読者のオンラインディスカッションが行われる。 結果は、ビッグデータ科学研究に関する2つのトピックのセットの間に、かなりの違いがあることを示している。 ブログとニュースは、一般的に使用される用語に強い類似性を示し、政策文書とウィキペディアの記事は、ビッグデータ関連の研究を考察し解釈する上で、最も強い相違性を示している。
  論文  参考訳（メタデータ） (2020-03-23T19:37:36Z)
• Applications of deep learning in stock market prediction: recent progress [5.780772209241294]
  この調査は、株式市場予測のためのディープラーニングモデルに関する最近の研究の最新のレビューを提供する。 私たちは、異なるデータソース、さまざまなニューラルネットワーク構造、一般的なメトリクスを分類するだけでなく、実装と評価も分類します。 私たちのゴールは、興味のある研究者が最新の進歩と同期するのを助けると同時に、以前の研究をベースラインとして簡単に再現できるようにすることです。
  論文  参考訳（メタデータ） (2020-02-29T03:37:34Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)

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。