論文の概要: Predicting the Citation Count and CiteScore of Journals One Year in Advance

• arxiv url: http://arxiv.org/abs/2210.12908v1
• Date: Mon, 24 Oct 2022 01:32:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 21:47:00.870260
• Title: Predicting the Citation Count and CiteScore of Journals One Year in Advance
• Title（参考訳）: 学術誌のCitation CountとCiteScoreの1年間の予測
• Authors: William Croft, J\"org-R\"udiger Sack
• Abstract要約: 学術誌の将来の業績を予測することは、様々な利害関係者に利益をもたらすことができる課題である。 本研究では,次の暦年においてジャーナルが受ける引用回数の予測と,次の暦年においてジャーナルが割り当てられるElsevier CiteScoreの予測という2つの回帰タスクについて検討する。 我々は,我々のデータセットでトレーニングされたニューラルネットワークモデルを用いて,将来のジャーナルの性能を予測することを提案する。
• 参考スコア（独自算出の注目度）: 0.6599344783327052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of the future performance of academic journals is a task that can benefit a variety of stakeholders including editorial staff, publishers, indexing services, researchers, university administrators and granting agencies. Using historical data on journal performance, this can be framed as a machine learning regression problem. In this work, we study two such regression tasks: 1) prediction of the number of citations a journal will receive during the next calendar year, and 2) prediction of the Elsevier CiteScore a journal will be assigned for the next calendar year. To address these tasks, we first create a dataset of historical bibliometric data for journals indexed in Scopus. We propose the use of neural network models trained on our dataset to predict the future performance of journals. To this end, we perform feature selection and model configuration for a Multi-Layer Perceptron and a Long Short-Term Memory. Through experimental comparisons to heuristic prediction baselines and classical machine learning models, we demonstrate superior performance in our proposed models for the prediction of future citation and CiteScore values.
• Abstract（参考訳）: 学術雑誌の将来のパフォーマンスの予測は、編集スタッフ、発行者、索引サービス、研究者、大学管理者、認可機関を含む様々な利害関係者に利益をもたらすタスクである。 ジャーナルのパフォーマンスに関する履歴データを使用することで、機械学習回帰問題とみなすことができる。 本研究では,2つの回帰課題について考察する。 1)次年度にジャーナルが受け取る引用回数の予測 2) Elsevier CiteScoreの予測は、来年のカレンダーに割り当てられる。 これらの課題に対処するために、まず、スコパスで索引付けされたジャーナルの歴史的文献データデータセットを作成する。 本稿では,データセット上でトレーニングしたニューラルネットワークモデルを用いて,将来のジャーナルの性能を予測することを提案する。 この目的のために,多層パーセプトロンとLong Short-Term Memoryの機能選択とモデル構成を行う。 ヒューリスティックな予測ベースラインと古典的な機械学習モデルとの実験的比較により,提案モデルにおいて,将来の引用とCiteScore値の予測に優れた性能を示す。

関連論文リスト

• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• Machine Learning for Soccer Match Result Prediction [0.9002260638342727]
  本章では、利用可能なデータセット、モデルと機能のタイプ、モデルパフォーマンスを評価する方法について論じる。 本章の目的は,サッカーの試合結果予測のための機械学習の現状と今後の展開について概説することである。
  論文  参考訳（メタデータ） (2024-03-12T14:00:50Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• A Predictive Model for Student Performance in Classrooms Using Student Interactions With an eTextbook [0.0]
  本稿では,学生がインタラクティブなオンラインeTextbookとどのように相互作用するかの分析に基づいて,学生のパフォーマンスを予測する新しいモデルを提案する。 提案モデルを構築するために,データ構造とアルゴリズムのコースから得られたデータに基づいて,最も一般的な分類アルゴリズムと回帰アルゴリズムを評価した。
  論文  参考訳（メタデータ） (2022-02-16T11:59:53Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Structured Citation Trend Prediction Using Graph Neural Networks [6.325999141414098]
  本論文では,公開時に論文のトップセットを予測するGNNベースのアーキテクチャを提案する。 実験では,さまざまなカンファレンスを対象とした学術的引用グラフの集合をキュレートし,提案モデルがF1スコアで他の古典的機械学習モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-06T14:58:29Z)
• How Many Pages? Paper Length Prediction from the Metadata [0.0]
  本研究は,紙長予測タスクを回帰問題として定義し,一般的な機械学習モデルを用いて実験結果を報告する。 また、出版メタデータと各ページの長さの巨大なデータセットを作成します。
  論文  参考訳（メタデータ） (2020-10-29T20:28:24Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)
• 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)

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。