論文の概要: Machine Learning Research Has Outpaced Its Communication Norms and NeurIPS Should Act
- arxiv url: http://arxiv.org/abs/2605.08889v1
- Date: Sat, 09 May 2026 11:13:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.956292
- Title: Machine Learning Research Has Outpaced Its Communication Norms and NeurIPS Should Act
- Title（参考訳）: 機械学習の研究はコミュニケーションのノームを上回り、NeurIPSは行動すべきだった
- Abstract要約: 機械学習の研究は指数関数的に増加しているが、そのコミュニケーション規範はそうではない。
NeurIPSは明示的で測定可能な書き込み標準を採用するべきだ、と私たちは主張する。
我々は280万のarXiv論文(1991-2025)、24,772のNeurIPS論文(1987-2024)、および24.5万のPubMed論文(1990-2025)を分析した。
我々はNeurIPS 2027でNeurIPSがパイロットできる7つの標準を提案する。
- 参考スコア（独自算出の注目度）: 4.3801110894274
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning research has grown exponentially while its communication norms have not. We argue NeurIPS should adopt explicit, measurable writing standards. We analyze 2.8 million arXiv papers (1991-2025), 24,772 NeurIPS papers (1987-2024), and 24.5 million PubMed papers (1990-2025), applying classical readability scores, the Hohmann writing style suite (including sensational language), acronym density and reuse, an LLM as judge readability protocol, and citations from OpenAlex and Semantic Scholar. Four patterns emerge. First, NeurIPS abstracts score harder to read on every classical readability metric: Flesch Reading Ease falls from about 24 in 1987 to 13 in 2024, and sensational language rises by about 50 percent in NeurIPS abstracts between 2015 and 2024. Second, acronym density in NeurIPS titles has grown from 0.33 per 100 words in 1987 to 3.21 in 2024, and about 89 percent of NeurIPS acronyms are used fewer than ten times, ten points above the science-wide baseline. Third, more readable NeurIPS papers tend to receive more citations, suggesting readability and impact are correlated and that less readable papers risk remaining fragmented. LLM as judge scores rate NeurIPS abstracts as roughly stable from 1987 to 2022, with early signs of improvement thereafter, a pattern that disagrees with every classical readability metric and raises a design question for enforcement: is the target reader a human or an LLM? Lastly, NeurIPS volume has grown roughly 50-fold between 1987 and 2024. Assuming the goal is to optimise for human readers, we propose seven standards NeurIPS could pilot at NeurIPS 2027: an acronym budget with a venue-approved term list, a human readability threshold, stricter citation standards, standalone visual elements, a plain language summary, a pre-registered acronym glossary, and open source audit tooling.
- Abstract（参考訳）: 機械学習の研究は指数関数的に増加しているが、そのコミュニケーション規範はそうではない。
NeurIPSは明示的で測定可能な書き込み標準を採用するべきだ、と私たちは主張する。
我々は280万のarXiv論文(1991-2025)、24,772のNeurIPS論文(1987-2024)、および24.5万のPubMed論文(1990-2025)を分析し、古典的可読性スコア、ホーマン書体スタイルスイート(センセーショナル言語を含む)、頭字語密度と再利用、判断可読性プロトコルとしてのLLM、OpenAlexおよびSemantic Scholarからの引用について分析した。
4つのパターンが現れる。
Flesch Reading Easeは1987年の約24から2024年の13に落ち、センセーショナル言語は2015年から2024年の間にNeurIPSの抽象化で約50%上昇した。
第2に、NeurIPSの頭字語密度は1987年に100語あたり0.33から2024年には3.21に増加し、NeurIPSの頭字語の約99%は10倍未満で、科学全体のベースラインより10ポイント高い。
第三に、より読みやすいNeurIPS論文は、より多くの引用を受け取る傾向にあり、読みやすさと影響は相関しており、読みやすさの低い論文が断片化のリスクを負うことを示唆している。
審査員の採点率としてのLLMは、1987年から2022年までほぼ安定しており、改善の初期の兆候として、すべての古典的可読性指標と矛盾し、実施のための設計上の疑問を提起するパターンである:対象読者は人間かLLMか?
最後に、NeurIPSボリュームは1987年から2024年の間におよそ50倍に成長した。
NeurIPS 2027において、NeurIPSがテスト可能な7つの標準を提案する: 会場承認項リスト、人間の可読性しきい値、厳格な引用基準、スタンドアローンのビジュアル要素、プレーンな言語概要、登録済みの頭字語用語集、オープンソースの監査ツール。
関連論文リスト
- Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature [3.299067446425981]
24,751件のコンピュータ教育論文の参照傾向を分析し,723,000件以上の論文と1500万件の参考資料からなるACMコーパスと比較した。
2025年、SIGCSEが主催する5か所またはLLMが協力する会場に幻覚的参照が現れた。
現時点では比較的稀だが、この成長は我々のコミュニティが無視すべきでない完全性のあるリスクをもたらす。
論文 参考訳（メタデータ） (2026-09-15T03:18:20Z) - From Interpretability to Control: Insights from Six Years of the TrustNLP Workshop [63.00693129203923]
The Workshop on Trustworthy Natural Language Processingは8つの論文から6つのエディションで41に成長した。
我々は、144の手続き書類から洞察を合成し、確立されたフレームワークに根ざした6つの信頼次元に沿ってそれらを分類する。
分類研究による分析によると、真理は最も成長の早い次元である(2021-2022年、2025-2026年までに論文の37%を占める)。
論文 参考訳（メタデータ） (2026-08-11T17:30:16Z) - Paper Espresso: From Paper Overload to Research Insight [53.45135239997754]
本稿では,最新のarXiv論文を自動的に発見,要約,分析するオープンソースプラットフォームであるPaper Espressoを紹介する。
このシステムは、大きな言語モデル(LLM)を使用して、トピックラベルとキーワードで構造化された要約を生成する。
35ヶ月の継続的デプロイメントを経て、Paper Espressoは13,300以上の論文を処理し、構造化されたメタデータをすべて公開している。
論文 参考訳（メタデータ） (2026-04-06T09:45:21Z) - Rewrite the News: Tracing Editorial Reuse Across News Agencies [2.108916445920616]
完全翻訳を必要とせずに文レベルの言語間再利用を検出する弱教師付き手法を提案する。
この研究は、スロベニア通信社(Slovenian Press Agency)の英語記事と、15の外国機関からの報告を比較した。
再利用されたコンテンツは英語記事の中端に現れる傾向があり、リードはしばしばオリジナルである。
論文 参考訳（メタデータ） (2026-03-31T16:10:26Z) - SciZoom: A Large-scale Benchmark for Hierarchical Scientific Summarization across the LLM Era [2.2090506971647144]
SciZoomは、2020年から2025年までの4つのトップレベルのML会場から44,946の論文からなるベンチマークである。
我々の言語学的分析は、句パターンの顕著な変化(式表現の最大10倍)と修辞スタイル(23%のヘッジ減少)を明らかにしている。
SciZoomは、生成AI時代の科学的談話の進化をマイニングするための、挑戦的なベンチマークとユニークなリソースとして機能する。
論文 参考訳（メタデータ） (2026-03-17T05:34:46Z) - Exploring the change in scientific readability following the release of ChatGPT [2.7195102129095003]
このデータセットは、2010年から2024年6月7日までにarXivに投稿されたすべての抽象化で構成されている。
その結果、読みやすさは年々低下しており、抽象論はますます複雑になりつつあることが示唆された。
ChatGPTがリリースされた後、2023年と2024年の調査では、可読性に大きな変化が見られた。
論文 参考訳（メタデータ） (2025-06-26T23:57:12Z) - Usefulness of LLMs as an Author Checklist Assistant for Scientific Papers: NeurIPS'24 Experiment [59.09144776166979]
大規模言語モデル(LLM)は、科学的ピアレビューを支援する上で有望だが議論の余地のあるツールである。
本研究は,論文提出を提出基準に適合させるツールとして,会議環境におけるLCMの有用性を評価する。
論文 参考訳（メタデータ） (2024-11-05T18:58:00Z) - Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。
計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
論文 参考訳（メタデータ） (2024-04-01T17:45:15Z) - Monitoring AI-Modified Content at Scale: A Case Study on the Impact of ChatGPT on AI Conference Peer Reviews [51.453135368388686]
本稿では,大規模言語モデル (LLM) によって実質的に修正あるいは生成される可能性のある大規模コーパスにおけるテキストの分数推定手法を提案する。
我々の最大可能性モデルは、専門家による参照テキストとAIによる参照テキストを利用して、コーパスレベルでの実世界のLLM使用を正確かつ効率的に検証する。
論文 参考訳（メタデータ） (2024-03-11T21:51:39Z) - Native Language Identification with Large Language Models [60.80452362519818]
我々はGPTモデルがNLI分類に熟練していることを示し、GPT-4は0ショット設定でベンチマーク11テストセットで91.7%の新たなパフォーマンス記録を樹立した。
また、従来の完全教師付き設定とは異なり、LLMは既知のクラスに制限されずにNLIを実行できることを示す。
論文 参考訳（メタデータ） (2023-12-13T00:52:15Z) - NLLG Quarterly arXiv Report 06/23: What are the most influential current
AI Papers? [15.830129136642755]
目的は、最も関連性があり広く議論されている研究のクイックガイドを提供することであり、新参者や確立された研究者が現在の傾向を振り返り続けるのを助けることである。
我々は2023年前半に,大規模言語モデル(LLM),特にChatGPTに関連する論文の優位性を観察した。
NLP関連の論文は、私たちのデータにはML関連の論文の2倍の数の論文があるにもかかわらず、最も影響力がある(トップ論文の約60%)。
論文 参考訳（メタデータ） (2023-07-31T11:53:52Z)
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。