論文の概要: A Causal Inference Approach for Quantifying Research Impact
- arxiv url: http://arxiv.org/abs/2503.13485v1
- Date: Fri, 07 Mar 2025 10:06:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-23 06:38:20.011465
- Title: A Causal Inference Approach for Quantifying Research Impact
- Title（参考訳）: 因果推論による研究影響の定量化
- Authors: Keiichi Ochiai, Yutaka Matsuo,
- Abstract要約: 引用数とインパクトファクターは、個々の研究への影響を測定するのに使うことができる。
ディープラーニングはコンピュータビジョンと自然言語処理に大きな影響を与える。
その結果,ディープラーニングの影響はMLモデルの解釈可能性の影響の3.1倍であった。
- 参考スコア（独自算出の注目度）: 23.828907866209494
- License:
- Abstract: Deep learning has had a great impact on various fields of computer science by enabling data-driven representation learning in a decade. Because science and technology policy decisions for a nation can be made on the impact of each technology, quantifying research impact is an important task. The number of citations and impact factor can be used to measure the impact for individual research. What would have happened without the research, however, is fundamentally a counterfactual phenomenon. Thus, we propose an approach based on causal inference to quantify the research impact of a specific technical topic. We leverage difference-in-difference to quantify the research impact by applying to bibliometric data. First, we identify papers of a specific technical topic using keywords or category tags from Microsoft Academic Graph, which is one of the largest academic publication dataset. Next, we build a paper citation network between each technical field. Then, we aggregate the cross-field citation count for each research field. Finally, the impact of a specific technical topic for each research field is estimated by applying difference-in-difference. Evaluation results show that deep learning significantly affects computer vision and natural language processing. Besides, deep learning significantly affects cross-field citation especially for speech recognition to computer vision and natural language processing to computer vision. Moreover, our method revealed that the impact of deep learning was 3.1 times of the impact of interpretability for ML models.
- Abstract（参考訳）: ディープラーニングは、データ駆動表現学習を10年で実現することによって、コンピュータ科学のさまざまな分野に大きな影響を与えた。
科学技術政策の決定が各技術の影響に影響を及ぼす可能性があるため、研究効果の定量化は重要な課題である。
引用数とインパクトファクターは、個々の研究への影響を測定するのに使うことができる。
しかし、この研究がなければ何が起こったのかは、基本的には反現実的な現象である。
そこで本研究では,特定の技術トピックの研究効果を定量化するために,因果推論に基づくアプローチを提案する。
我々は差分差分を利用して、文献データに適用して研究効果の定量化を行う。
まず、Microsoft Academic Graphのキーワードやカテゴリタグを使って、特定の技術トピックの論文を識別する。
次に,各技術分野間で論文引用ネットワークを構築する。
次に、各研究分野の分野間引用数を集計する。
最後に、差分差分法を適用することにより、各研究分野における特定の技術トピックの影響を推定する。
評価結果は,ディープラーニングがコンピュータビジョンや自然言語処理に大きく影響していることを示している。
さらに、深層学習は、特に音声認識からコンピュータビジョン、自然言語処理からコンピュータビジョンへの分野間引用に大きな影響を及ぼす。
さらに,ディープラーニングの影響はMLモデルの解釈可能性の影響の3.1倍であった。
関連論文リスト
- 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) - Expanding the Role of Affective Phenomena in Multimodal Interaction
Research [57.069159905961214]
マルチモーダルインタラクション, 感情計算, 自然言語処理において, 選ばれたカンファレンスから16,000以上の論文を調査した。
本論文では,感情関連論文910を同定し,情緒現象の役割について分析した。
我々は、人間の社会的行動や認知状態の機械的理解を高めるために、AIシステムによって感情と感情の予測がどのように使用されるかについて、限られた研究結果を得た。
論文 参考訳（メタデータ） (2023-05-18T09:08:39Z) - The Ways of Words: The Impact of Word Choice on Information Engagement
and Decision Making [3.09766013093045]
本研究では,情報エンゲージメント(IE)と意思決定に対する表現,特に単語選択の影響について検討する。
その結果, 表現がデジタル情報の解釈や相互作用に重要な影響を及ぼすことが示唆された。
論文 参考訳（メタデータ） (2023-05-16T20:46:36Z) - A Comprehensive Survey on Affective Computing; Challenges, Trends,
Applications, and Future Directions [3.8370454072401685]
感情コンピューティングは人間の感情、感情、感情を認識することを目的としています。
機械学習(ML)と混合現実(XR)がどのように相互作用するかを決定する研究はこれまで行われていない。
論文 参考訳（メタデータ） (2023-05-08T10:42:46Z) - 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) - Panning for gold: Lessons learned from the platform-agnostic automated
detection of political content in textual data [48.7576911714538]
異なるプラットフォーム間で政治的コンテンツを検出するために、これらの技術がどのように使用できるかについて議論する。
辞書,教師付き機械学習,ニューラルネットワークに依存する3つの検出手法のパフォーマンスを比較した。
この結果から,ニューラルネットワークと機械学習に基づくモデルによって達成されるノイズの少ないデータに対して,事前処理がモデル性能に与える影響が限定された。
論文 参考訳（メタデータ） (2022-07-01T15:23:23Z) - SciTweets -- A Dataset and Annotation Framework for Detecting Scientific
Online Discourse [2.3371548697609303]
科学的な話題、主張、資源は、オンライン談話の一部としてますます議論されている。
これにより、社会的な影響が大きくなり、様々な分野からの科学的オンライン談話への関心が高まった。
専門分野にわたる研究は、現在、科学関連の様々な形態の堅牢な定義の欠如に悩まされている。
論文 参考訳（メタデータ） (2022-06-15T08:14:55Z) - Semantic Analysis for Automated Evaluation of the Potential Impact of
Research Articles [62.997667081978825]
本稿では,情報理論に基づくテキスト意味のベクトル表現のための新しい手法を提案する。
この情報意味論がLeicester Scientific Corpusに基づいてテキスト分類にどのように使用されるかを示す。
テキストの意味を表現するための情報的アプローチは,研究論文の科学的影響を効果的に予測する方法であることを示す。
論文 参考訳（メタデータ） (2021-04-26T20:37:13Z) - Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units
and a Unified Framework [83.21732533130846]
Aff-Wild と Aff-Wild2 の2つである。
これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。
インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
論文 参考訳（メタデータ） (2021-03-29T17:36:20Z) - 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) - Machine Identification of High Impact Research through Text and Image
Analysis [0.4737991126491218]
本稿では,引用の可能性が低い論文から高い論文を自動的に分離するシステムを提案する。
本システムでは,文書全体の外観を推測する視覚的分類器と,コンテンツインフォームド決定のためのテキスト分類器の両方を用いる。
論文 参考訳（メタデータ） (2020-05-20T19:12:24Z)
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。