Fugu-MT 論文翻訳(概要): Measuring research data reuse in scholarly publications using generative artificial intelligence: Open Science Indicator development and preliminary results

論文の概要: Measuring research data reuse in scholarly publications using generative artificial intelligence: Open Science Indicator development and preliminary results

arxiv url: http://arxiv.org/abs/2604.28061v1
Date: Thu, 30 Apr 2026 16:07:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-01 16:31:54.192456
Title: Measuring research data reuse in scholarly publications using generative artificial intelligence: Open Science Indicator development and preliminary results
Title（参考訳）: 生成人工知能を用いた学術出版物における研究データ再利用の測定:オープンサイエンスインジケータの開発と予備研究結果
Abstract要約: PLOSとDataSeerは、オープンサイエンスの重要な効果、すなわち研究データの再利用を測定するための新しい指標を開発した。その結果,既存の文献技術よりも高いデータ再利用率は43%であった。
参考スコア（独自算出の注目度）: 0.764971671709743
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Numerous metascience studies and other initiatives have begun to monitor the prevalence of open science practices when it is more important to understand the 'downstream' effects or impacts of open science. PLOS and DataSeer have developed a new LLM-based indicator to measure an important effect of open science: the reuse of research data. Our results show a data reuse rate of 43%, which is higher than established bibliometric techniques. We show that data reuse can be measured at scale using LLMs and generative artificial intelligence. The positive effects of research data sharing and reuse may currently be underestimated.
Abstract（参考訳）: 多くのメタサイエンス研究やその他のイニシアチブが、オープンサイエンスの「下流」効果や影響を理解することがより重要であるときに、オープンサイエンスの実践の流行をモニターし始めている。 PLOSとDataSeerは、オープンサイエンスの重要な効果である研究データの再利用を測定するために、新しいLCMベースの指標を開発した。その結果,既存の文献技術よりも高いデータ再利用率は43%であった。 LLMと生成人工知能を用いてデータの再利用を大規模に測定できることを示す。現在、研究データの共有と再利用のポジティブな影響は過小評価されている。

関連論文リスト

Dataset repurposing and disruptive AI research [0.6355308240964374]
我々は1万以上の機械学習論文にまたがるデータ再利用に関する科学的結果を分析する。ほとんどの再使用データセットは、短期的には広範囲の可視性を達成できないが、データの再利用は、より大きな破壊に結びついている。
論文参考訳（メタデータ） (2026-09-15T07:07:04Z)
Science Edge Evaluation: SEE the Missing Step Toward Real Scientific Discovery [41.32793603340132]
大型言語モデル(LLM)は科学的な発見にますます関与している。それらが複雑な実験室科学を支えられるかどうかは不明だ。 19の大規模言語モデル(MLLM)の評価は、最高の性能モデルでさえ48.7%の精度しか達成していないことを示している。
論文参考訳（メタデータ） (2026-08-07T08:06:31Z)
MegaScience: Pushing the Frontiers of Post-Training Datasets for Science Reasoning [32.21228080662089]
1kの大学レベルの教科書から抽出した真正な参照回答を特徴とするオープンデータセットであるTextbookReasoningを提案する。私たちは、合計125万のインスタンスからなる高品質なオープンソースデータセットの大規模な混合であるMegaScienceを紹介します。実験により,我々のデータセットはより簡潔な応答長で優れた性能と訓練効率が得られることを示した。
論文参考訳（メタデータ） (2025-07-22T17:59:03Z)
ScienceMeter: Tracking Scientific Knowledge Updates in Language Models [79.33626657942169]
大規模言語モデル(LLM)は、科学研究を支援するためにますます使われているが、科学的進歩に関する彼らの知識は急速に時代遅れになる。我々は,過去,現在,未来にまたがる科学的知識の更新手法を評価するための新しいフレームワークであるScienceMeterを紹介する。
論文参考訳（メタデータ） (2025-05-30T07:28:20Z)
Transforming Science with Large Language Models: A Survey on AI-assisted Scientific Discovery, Experimentation, Content Generation, and Evaluation [58.064940977804596]
多くの新しいAIモデルとツールが提案され、世界中の研究者や学者が研究をより効果的かつ効率的に実施できるようにすることを約束している。これらのツールの欠点と誤用の可能性に関する倫理的懸念は、議論の中で特に顕著な位置を占める。
論文参考訳（メタデータ） (2025-02-07T18:26:45Z)
SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [97.31347312130119]
SciRIFF(Scientific Resource for Instruction-Following and Finetuning)は、トレーニングと評価のための137K命令フォローインスタンスのデータセットで、54のタスクをカバーする。これらのタスクは、情報抽出、要約、質問応答、クレーム検証、分類の5つの中核的な科学文献理解能力にまたがる。 SciRIFFは、さまざまな科学分野にわたる研究文献から情報を抽出し、合成するための、完全に専門家によって書かれた高品質な命令追跡データセットである。
論文参考訳（メタデータ） (2024-06-10T21:22:08Z)
Dataset Mention Extraction in Scientific Articles Using Bi-LSTM-CRF Model [0.0]
データレポジトリや資金調達機関による最近の取り組みにもかかわらず、データセットの引用は一般的でも標準的でもないことが示されています。この問題の潜在的な解決策は、科学論文からデータセットの言及を自動的に抽出することである。本研究では,Bi-LSTM-CRFアーキテクチャに基づくニューラルネットワークを用いて,そのような抽出を実現することを提案する。
論文参考訳（メタデータ） (2024-05-21T18:12:37Z)
Assessing Scientific Contributions in Data Sharing Spaces [64.16762375635842]
本稿では、研究者の科学的貢献を測定するブロックチェーンベースのメトリクスであるSCIENCE-indexを紹介する。研究者にデータ共有のインセンティブを与えるため、SCIENCE-indexはデータ共有パラメータを含むように拡張されている。本モデルは, 地理的に多様な研究者の出力分布とh-indexの分布を比較して評価する。
論文参考訳（メタデータ） (2023-03-18T19:17:47Z)
GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文参考訳（メタデータ） (2023-02-01T17:29:43Z)
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)
Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文参考訳（メタデータ） (2022-07-18T11:38:32Z)
Attention: to Better Stand on the Shoulders of Giants [34.5017808610466]
本稿では,長期科学的影響予測のための注意機構を開発する。実際の大規模引用データセットに基づいて,本手法の検証を行う。
論文参考訳（メタデータ） (2020-05-27T00:25:51Z)

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。