論文の概要: MIRAI: Prediction and Generation of High-Impact Academic Research

• arxiv url: http://arxiv.org/abs/2606.05443v1
• Date: Wed, 03 Jun 2026 21:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.407737
• Title: MIRAI: Prediction and Generation of High-Impact Academic Research
• Title（参考訳）: MIRAI:高水準学術研究の予測と生成
• Authors: Alex Li, Joseph Jacobson,
• Abstract要約: MIRAI(Multi-year Inference of Research Trends and Academic Impact)は,論文のタイトル,要約,出版日のみを用いて,紙の影響を予測するディープラーニングフレームワークである。 5年間のPageRankと引用数を予測するために、arXivの学術グラフでMIRAIをトレーニングし、PageRankの予測でSpearmanの0.4686ドルを達成した。 我々は、MIRAI上に構築された研究アイデアパイプラインを提案し、高いインパクトに向けた研究アイデアを創出する。
• 参考スコア（独自算出の注目度）: 0.10312968200748117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid pace of scientific publishing has made the identification and synthesis of high-impact work an increasingly urgent challenge. We introduce MIRAI (Multi-year Inference of Research trends and Academic Impact), a deep learning framework that predicts paper impact using only it's title, abstract, and publication date. We train MIRAI on the arXiv academic graph to predict 5-year PageRank and citation counts, achieving Spearman's $ρ$ of 0.4686 on PageRank prediction and 0.6192 on citation prediction for papers published in 2021. We propose a research ideation pipeline built on top of MIRAI that produces research ideas oriented towards high impact. These ideas were judged as more impactful than a baseline without MIRAI by an unbiased LLM judge at a 4:3 ratio. We make the 5-year citation prediction model publicly available at https://predict-paper-impact.vercel.app.
• Abstract（参考訳）: 科学出版の急激なペースは、ハイインパクトな作品の識別と合成をますます急激な課題にしている。 MIRAI(Multi-year Inference of Research Trends and Academic Impact)は,論文のタイトル,要約,出版日のみを用いて,紙の影響を予測するディープラーニングフレームワークである。 5年間のPageRankと引用数を予測するために、arXivの学術グラフでMIRAIをトレーニングし、2021年に出版された論文の引用予測でSpearmanの0.4686$を達成した。 我々は、MIRAI上に構築された研究アイデアパイプラインを提案し、高いインパクトを指向した研究アイデアを創出する。 これらの考え方は、MIRAIのないベースラインよりも、4:3の比で不偏のLLM審査員によってより影響が大きいと判断された。 5年間の引用予測モデルをhttps://predict-paper-impact.vercel.app.comで公開しています。

関連論文リスト

• How to Find Fantastic Papers: Self-Rankings as a Powerful Predictor of Scientific Impact Beyond Peer Review [41.30621399289495]
  我々は、高インパクトな研究を特定するための未調査の尺度を調査する。著者自身の、同じAIカンファレンスへの複数の応募のランキング。 我々は、先進的なAIカンファレンスで大規模な実験を行い、1,342人の研究者が、2,592件の投稿を認識された品質で自己ランク付けした。 その結果,論文が著者によって上位にランクされた論文は,最もランクの低い論文の2倍の引用を受け取っていることがわかった。
  論文  参考訳（メタデータ） (2025-10-02T15:50:21Z)
• The Ideation-Execution Gap: Execution Outcomes of LLM-Generated versus Human Research Ideas [90.26363107905344]
  良いアイデアは単に斬新なものではなく、実行後により良い研究がもたらされるべきである。 AIが生み出すアイデアがより良い研究成果をもたらすかどうかをテストするために、我々は実行研究を行う。 実行前後の同じアイデアのレビュースコアを比較すると、LLM生成のアイデアのスコアは専門家によるアイデアよりも大幅に減少する。
  論文  参考訳（メタデータ） (2025-06-25T19:47:23Z)
• Optimizing Research Portfolio For Semantic Impact [55.2480439325792]
  サイテーション指標は学術的影響を評価するために広く用いられているが、社会的偏見に悩まされている。 本稿では,研究効果を予測する新しいフレームワークであるrXiv Semantic Impact (XSI)を紹介する。 XSIは学術知識グラフにおける研究概念の進化を追跡している。
  論文  参考訳（メタデータ） (2025-02-19T17:44:13Z)
• Predicting Award Winning Research Papers at Publication Time [5.318302558039615]
  我々は、出版時に利用可能な情報にのみ依存して受賞する研究論文の可能性を予測する。 我々はArnetMinerの引用グラフを考慮した実験を行い、受賞論文の真理は32のコンピュータサイエンスカンファレンスから最高の論文賞の収集から得られた。 注目すべきは、高いリコールと低い偽陰性率は、そのモデルが賞を得ない論文を特定するのにいかにうまく機能するかを示している。
  論文  参考訳（メタデータ） (2024-06-18T12:09:10Z)
• 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)
• Effects of Research Paper Promotion via ArXiv and X [7.2983311281453345]
  我々は、アーリープレプリントの出版物の利用動向とArXivの改訂、コンピュータ科学と物理学におけるそのような論文の宣伝にXを使うことについて研究する。 本稿は,これらの近代的手当の使用が,学術出版物の引用数に与える影響を推定する。
  論文  参考訳（メタデータ） (2024-01-20T05:02:07Z)
• Estimating the Causal Effect of Early ArXiving on Paper Acceptance [56.538813945721685]
  我々は,論文の審査期間(初期arXiving)前にarXivingが会議の受理に与える影響を推定する。 以上の結果から,早期のarXivingは,論文の受容に少なからぬ影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2023-06-24T07:45:38Z)
• 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)
• A Measure of Research Taste [91.3755431537592]
  生産性と味の両方に報いる引用に基づく尺度を提案する。 提示された尺度capは、出版物とその量の影響のバランスをとる。 本研究では, 生物学, 計算機科学, 経済学, 物理分野の研究者を対象に, capの特性を解析した。
  論文  参考訳（メタデータ） (2021-05-17T18:01:47Z)

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。