論文の概要: CRISP: Characterizing Relative Impact of Scholarly Publications

• arxiv url: http://arxiv.org/abs/2603.26791v1
• Date: Wed, 25 Mar 2026 16:42:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.61437
• Title: CRISP: Characterizing Relative Impact of Scholarly Publications
• Title（参考訳）: CRISP:学術出版の相対的影響を特徴づける
• Authors: Hannah Collison, Benjamin Van Durme, Daniel Khashabi,
• Abstract要約: 本稿では,大規模言語モデル(LLM)を用いた引用論文の中で,引用論文の全てを共同でランク付けするCRISPを提案する。 LLMの位置バイアスを軽減するために、ランダムな順序で各リストを3回ランク付けし、多数決によって影響ラベルを集約する。 CRISPは従来の最先端の衝撃分類器の精度を+9.5%、F1を+8.3%で上回っている。
• 参考スコア（独自算出の注目度）: 70.25915589244961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessing a cited paper's impact is typically done by analyzing its citation context in isolation within the citing paper. While this focuses on the most directly relevant text, it prevents relative comparisons across all the works a paper cites. We propose CRISP, which instead jointly ranks all cited papers within a citing paper using large language models (LLMs). To mitigate LLMs' positional bias, we rank each list three times in a randomized order and aggregate the impact labels through majority voting. This joint approach leverages the full citation context, rather than evaluating citations independently, to more reliably distinguish impactful references. CRISP outperforms a prior state-of-the-art impact classifier by +9.5% accuracy and +8.3% F1 on a dataset of human-annotated citations. CRISP further gains efficiency through fewer LLM calls and performs competitively with an open-source model, enabling scalable, cost-effective citation impact analysis. We release our rankings, impact labels, and codebase to support future research.
• Abstract（参考訳）: 引用された論文の影響を評価するには、引用された論文の中でその引用コンテキストを分離して分析するのが一般的である。 これは最も直接的に関係のあるテキストに焦点をあてるが、論文が引用するすべての作品の相対比較を妨げている。 提案するCRISPは,大規模言語モデル(LLM)を用いた引用論文の中で,引用論文の全てを共同でランク付けする。 LLMの位置バイアスを軽減するために、ランダムな順序で各リストを3回ランク付けし、多数決によって影響ラベルを集約する。 このジョイントアプローチは、引用を独立に評価するのではなく、完全な引用コンテキストを活用して、影響のある参照をより確実に区別する。 CRISPは従来の最先端の衝撃分類器の精度を+9.5%、F1を+8.3%で上回っている。 CRISPはLLMコールを減らして効率を向上し、オープンソースのモデルと競合し、スケーラブルで費用対効果の高い引用影響分析を可能にする。 今後の研究をサポートするため、ランキング、インパクトラベル、コードベースをリリースしています。

関連論文リスト

• HLM-Cite: Hybrid Language Model Workflow for Text-based Scientific Citation Prediction [14.731720495144112]
  本稿では,表面的な言及を超越した批判的参照を識別する,コア引用という新しい概念を紹介する。 我々は、引用予測のための$textbfH$ybrid $textbfL$anguage $textbfM$odelワークフローである$textbfHLM-Citeを提案する。 我々はHLM-Citeを19分野にわたって評価し,SOTA法と比較して17.6%の性能向上を示した。
  論文  参考訳（メタデータ） (2024-10-10T10:46:06Z)
• ALiiCE: Evaluating Positional Fine-grained Citation Generation [54.19617927314975]
  本稿では,微細な引用生成のための最初の自動評価フレームワークであるALiiCEを提案する。 我々のフレームワークはまず、文のクレームを依存性分析によって原子クレームに解析し、次に原子クレームレベルでの引用品質を計算する。 複数大言語モデルの2つの長文QAデータセット上での位置的きめ細かな引用生成性能を評価する。
  論文  参考訳（メタデータ） (2024-06-19T09:16:14Z)
• CausalCite: A Causal Formulation of Paper Citations [80.82622421055734]
  CausalCiteは紙の意義を測定するための新しい方法だ。 これは、従来のマッチングフレームワークを高次元のテキスト埋め込みに適応させる、新しい因果推論手法であるTextMatchに基づいている。 科学専門家が報告した紙衝撃と高い相関性など,各種基準におけるCausalCiteの有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-05T23:09:39Z)
• ImpactCite: An XLNet-based method for Citation Impact Analysis [4.526582372434088]
  インパクト分析により、引用の質を定量化できます。 XLNetベースのソリューションであるImpactCiteは、引用意図と感情分類の両方に対して、最先端のパフォーマンスを実現する。 CSC-Clean corpusは引用感情分類のためのクリーンで信頼性の高いデータセットである。
  論文  参考訳（メタデータ） (2020-05-05T08:31:54Z)

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。