論文の概要: Bridging Through Absence: How Comeback Researchers Bridge Knowledge Gaps Through Structural Re-emergence

• arxiv url: http://arxiv.org/abs/2602.21926v1
• Date: Wed, 25 Feb 2026 14:04:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.851007
• Title: Bridging Through Absence: How Comeback Researchers Bridge Knowledge Gaps Through Structural Re-emergence
• Title（参考訳）: 知識のギャップを橋渡しする「Bridging through Absence」
• Authors: Somyajit Chakraborty, Angshuman Jana, Avijit Gayen,
• Abstract要約: 113,637人の早産研究者を解析し,3年以上の出版ギャップに基づいて1,425件のバックバック症例を同定した。 研究者たちは126%の異なるコミュニティを引用し、ドロップアウトに比べて7.6%高いブリッジングスコアを示しています。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the role of researchers who return to academia after prolonged inactivity, termed "comeback researchers", is crucial for developing inclusive models of scientific careers. This study investigates the structural and semantic behaviors of comeback researchers, focusing on their role in cross-disciplinary knowledge transfer and network reintegration. Using the AMiner citation dataset, we analyze 113,637 early-career researchers and identify 1,425 comeback cases based on a three-year-or-longer publication gap followed by renewed activity. We find that comeback researchers cite 126% more distinct communities and exhibit 7.6% higher bridging scores compared to dropouts. They also demonstrate 74% higher gap entropy, reflecting more irregular yet strategically impactful publication trajectories. Predictive models trained on these bridging- and entropy-based features achieve a 97% ROC-AUC, far outperforming the 54% ROC-AUC of baseline models using traditional metrics like publication count and h-index. Finally, we substantiate these results via a multi-lens validation. These findings highlight the unique contributions of comeback researchers and offer data-driven tools for their early identification and institutional support.
• Abstract（参考訳）: 非活動が長引いた後にアカデミアに戻る研究者の役割を理解することは、「カムバック研究者」と呼ばれ、科学的なキャリアの包括的モデルを開発するのに不可欠である。 本研究は, 学際的知識伝達とネットワーク再統合における役割に着目し, バックバック研究者の構造的・意味的行動について考察する。 AMinerの引用データセットを用いて、113,637人の早産研究者を分析し,3年以上の出版ギャップに基づいて1,425件のバックバックケースを特定し,その後に新たな活動を行った。 研究者たちは126%の異なるコミュニティを引用し、ドロップアウトに比べて7.6%高いブリッジングスコアを示しています。 また、74%高いギャップエントロピーを示し、より不規則で戦略的に影響のある出版軌道を反映している。 これらのブリッジングとエントロピーベースの機能に基づいてトレーニングされた予測モデルは、97%のROC-AUCを達成し、出版数やh-indexといった従来のメトリクスを使用したベースラインモデルのOC-AUCよりもはるかに上回っている。 最後に、これらの結果をマルチレンズ検証によって裏付ける。 これらの知見は、バックバック研究者の独特な貢献を浮き彫りにし、早期の識別と制度支援のためのデータ駆動ツールを提供している。

関連論文リスト

• FIRE-Bench: Evaluating Agents on the Rediscovery of Scientific Insights [63.32178443510396]
  FIRE-Bench (Full-cycle Insight Rediscovery Evaluation) は、確立された発見の再検討を通じてエージェントを評価するベンチマークである。 最強のエージェントでさえ、限られた再発見成功(50 F1)を達成し、実行中に高いばらつきを示し、実験的な設計、実行、エビデンスに基づく推論において繰り返し失敗モードを表示する。
  論文  参考訳（メタデータ） (2026-02-02T23:21:13Z)
• Step-DeepResearch Technical Report [90.50586290399683]
  コスト効率のよいエンドツーエンドエージェントである Step-DeepResearch を紹介する。 我々は、計画とレポート作成を強化するために、アトミック能力に基づくデータ合成戦略を提案する。 中国における評価ギャップを埋めるため,現実的な深層研究シナリオのためのADR-Benchを構築した。
  論文  参考訳（メタデータ） (2025-12-23T16:32:27Z)
• Think Before You Retrieve: Learning Test-Time Adaptive Search with Small Language Models [28.80331720382804]
  我々は,学習した検索戦略を通じて,コンパクトなモデルによる反復的検索を可能にするトレーニングフレームワークOrionを紹介する。 Orionは、合成軌道生成と教師付き微調整を組み合わせることで、モデルの多様な探索パターンを促進する。 トレーニングデータの3%しか使用できないにも関わらず、私たちの1.2BモデルはSciFactで77.6%の成功を達成しています。
  論文  参考訳（メタデータ） (2025-11-10T19:49:55Z)
• IterResearch: Rethinking Long-Horizon Agents via Markovian State Reconstruction [107.49922328855025]
  IterResearchは、マルコフ決定過程として長期研究を再構築する、新しい反復的深層研究パラダイムである。 6つのベンチマークで平均+14.5ppの既存のオープンソースエージェントよりも大幅に改善されている。 これは効果的なプロンプト戦略として機能し、ロングホライゾンタスクにおけるReActよりも19.2ppのフロンティアモデルを改善する。
  論文  参考訳（メタデータ） (2025-11-10T17:30:08Z)
• Hypothesis Hunting with Evolving Networks of Autonomous Scientific Agents [52.50038914857797]
  この過程を仮説探索と呼び、膨大な複雑な仮説空間を横断する持続的な探索を通して洞察を累積的に探索する。 本稿では、エージェント、ネットワーク、評価規範の相互作用としてフレームワークモデリングディスカバリであるAScienceを紹介し、ASCollabとして実装する。 実験により、このような社会的ダイナミクスは、多様性-品質-ノーベルティフロンティアに沿った専門家評価結果の蓄積を可能にすることが示された。
  論文  参考訳（メタデータ） (2025-10-08T08:47:07Z)
• CycleResearcher: Improving Automated Research via Automated Review [37.03497673861402]
  本稿では,オープンソースの後学習型大規模言語モデル(LLM)を,自動研究とレビューの全サイクルを遂行する自律エージェントとして活用する可能性について検討する。 これらのモデルをトレーニングするために、現実の機械学習研究とピアレビューダイナミクスを反映した2つの新しいデータセットを開発した。 その結果,CycleReviewerは平均絶対誤差(MAE)を26.89%削減して有望な性能を達成できた。
  論文  参考訳（メタデータ） (2024-10-28T08:10:21Z)
• CUPID: Leveraging ChatGPT for More Accurate Duplicate Bug Report Detection [11.388023221294686]
  重複バグレポート検出(DBRD)は、学術と産業の両方において長年の課題である。 本稿では,従来のDBRD手法と最先端LLMを組み合わせたCUPIDという手法を提案する。 CUPIDは、解析されたすべてのデータセットで0.602から0.654までのRecall Rate@10スコアに達する、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-08-19T14:16:30Z)

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。