論文の概要: BioMedJImpact: A Comprehensive Dataset and LLM Pipeline for AI Engagement and Scientific Impact Analysis of Biomedical Journals
- arxiv url: http://arxiv.org/abs/2608.05227v1
- Date: Wed, 05 Aug 2026 11:44:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.634016
- Title: BioMedJImpact: A Comprehensive Dataset and LLM Pipeline for AI Engagement and Scientific Impact Analysis of Biomedical Journals
- Title（参考訳）: BioMedJImpact: バイオメディカルジャーナルのAIエンゲージメントと科学的インパクト分析のための包括的データセットとLLMパイプライン
- Abstract要約: バイオメディカル指向のデータセットであるBioMedJImpactについて紹介する。
BioMedJImpactは、各ジャーナル年内のAI関連記事の割合として定義された、バイオメトリック指標、コラボレーション機能、AIエンゲージメント率を統合している。
我々は、コラボレーションの強度とAIのエンゲージメント率が2つの時間的サブセットにおける科学的影響にどのように影響するかを分析する。
- 参考スコア（独自算出の注目度）: 15.269105797223373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Assessing journal impact is central to scholarly communication, yet existing resources rarely capture how collaboration and artificial intelligence (AI) research jointly shape venue prestige in biomedicine. We present BioMedJImpact, a large-scale, biomedical-oriented dataset built from 1.74 million PubMed Central articles across 2,744 journals. BioMedJImpact integrates bibliometric indicators, collaboration features, and an LLM-derived AI engagement rate, defined as the proportion of AI-related articles within each journal-year. Specifically, AI engagement rate is extracted through a reproducible three-stage LLM pipeline. We analyze how collaboration intensity and AI engagement rate jointly influence scientific impact across two temporal subsets (2016-2019, 2020-2023). Two main patterns emerge: journals with larger author teams tend to have higher citation impact, while AI engagement rate is positively associated with Impact Factor only in the 2019 subset. To validate the LLM pipeline for deriving the AI engagement rate, we conduct human evaluation, confirming substantial agreement in AI relevance detection and consistent subfield classification. Together, BioMedJImpact provides both a comprehensive dataset at the interface of biomedicine and AI and a validated framework for scalable, content-aware scientometric analysis. Code and dataset are available at https://github.com/JonathanWry/BioMedJImpact.
- Abstract（参考訳）: 学術的なコミュニケーションにおいて雑誌の影響を評価することは重要であるが、既存の資源は、コラボレーションと人工知能(AI)の研究がバイオメディシンにおける名所を共同で形成する方法をほとんど捉えていない。
バイオメディカル指向の大規模データセットであるBioMedJImpactについて紹介する。
BioMedJImpactは、バイオメトリック指標、コラボレーション機能、LLM由来のAIエンゲージメント率を統合し、各ジャーナル年内におけるAI関連記事の割合として定義されている。
具体的には、再現可能な3段LLMパイプラインを介してAIエンゲージメント率を抽出する。
我々は、2つの時間的サブセット(2016-2019, 2020-2023)におけるコラボレーションの強度とAIのエンゲージメント率が科学的インパクトにどのように影響するかを分析する。
より大きな著者チームを持つジャーナルは引用効果が高く、AIのエンゲージメント率は2019年のサブセットに限られている。
AIのエンゲージメント率を導出するためのLLMパイプラインを検証するため,我々は人間による評価を行い,AI関連性検出と一貫したサブフィールド分類においてかなりの一致を確認した。
BioMedJImpactは、バイオメディシンとAIのインターフェースにおける包括的なデータセットと、スケーラブルでコンテンツ対応のサイエントメトリック分析のための検証済みのフレームワークを提供する。
コードとデータセットはhttps://github.com/JonathanWry/BioMedJImpact.comで入手できる。
関連論文リスト
- BioMedJImpact: A Comprehensive Dataset and LLM Pipeline for AI Engagement and Scientific Impact Analysis of Biomedical Journals [15.269105797223373]
我々は、学術的影響とAIの関与に関するジャーナルレベルの分析を促進するために設計されたデータセットであるBioMedJImpactを紹介する。
BioMedJImpactは、PubMed Centralの記事が2,744冊のジャーナルに掲載されている。
我々は、コラボレーションの強度とAIのエンゲージメントが、パンデミック前およびポストパンデミック後における科学的影響にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2025-11-16T23:03:15Z) - Standards in the Preparation of Biomedical Research Metadata: A Bridge2AI Perspective [1.0389904886733017]
Bridge2AIは、データセットがAI対応をレンダリングするために必要な基準を定義した。
これらの基準には、FAIRness、profance、キャラクタリゼーションの度合い、説明可能性、持続可能性、計算可能性が含まれる。
本報告は,Bridge2AIグランドチャレンジにおけるメタデータ作成と標準化の状況を評価する。
論文 参考訳（メタデータ） (2025-09-12T17:38:46Z) - Biomed-Enriched: A Biomedical Dataset Enriched with LLMs for Pretraining and Extracting Rare and Hidden Content [0.10241134756773229]
2段階のアノテーションプロセスを通じてPubMedから構築されたバイオメディカルテキストデータセットであるBiomed-Enrichedを紹介する。
第一段階では、大きな言語モデルがPubMedの科学論文から400K節を注釈付けし、それらのタイプ(レビュー、研究、臨床ケースなど)、ドメイン(クリニカル、バイオメディカルなど)、教育的品質にスコアを割り当てている。
得られたメタデータは, 市販ライセンスのある記事から, 450万以上の高品質なものを含む200万件の症例を含む, 精巧なサブセットを抽出することができる。
論文 参考訳（メタデータ） (2025-06-25T11:30:25Z) - Advancing AI Research Assistants with Expert-Involved Learning [84.30323604785646]
大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は、生物医学的な発見を促進することを約束するが、その信頼性は未定である。
ARIEL(AI Research Assistant for Expert-in-the-Loop Learning)は,オープンソースの評価・最適化フレームワークである。
LMMは詳細な視覚的推論に苦しむのに対し、最先端のモデルでは流動性はあるが不完全な要約を生成する。
論文 参考訳（メタデータ） (2025-05-03T14:21:48Z) - m-KAILIN: Knowledge-Driven Agentic Scientific Corpus Distillation Framework for Biomedical Large Language Models Training [22.996230737442254]
バイオメディカルな大規模言語モデル(LLM)のためのコーパスヘッダーは、オープンソースの科学コーパスにおいて、不十分な量と品質のプレス課題に対処しようとしている。
本稿では, バイオメディカル領域におけるLLMトレーニングに適した, 科学的コーパス蒸留のための知識駆動型エージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-28T08:18:24Z) - A Large-Scale Vision-Language Dataset Derived from Open Scientific Literature to Advance Biomedical Generalist AI [70.06771291117965]
PubMed Central Open Accessサブセットから派生したオープンソースのデータセットであるBiomedicaを紹介する。
Biomedicaには600万以上の科学論文と2400万の画像テキストペアが含まれている。
私たちは、Webサーバを通じてスケーラブルなストリーミングと検索APIを提供し、AIシステムとのシームレスな統合を容易にします。
論文 参考訳（メタデータ） (2025-03-26T05:56:46Z) - Knowledge Hierarchy Guided Biological-Medical Dataset Distillation for Domain LLM Training [10.701353329227722]
学術文献から高品質なテキストトレーニングデータの蒸留を自動化する枠組みを提案する。
われわれのアプローチは、バイオメディカル領域とより密接に一致した質問を自己評価し、生成する。
本手法は,生命科学領域の事前学習モデルと比較して,質問応答タスクを大幅に改善する。
論文 参考訳（メタデータ） (2025-01-25T07:20:44Z) - BIOMEDICA: An Open Biomedical Image-Caption Archive, Dataset, and Vision-Language Models Derived from Scientific Literature [73.39593644054865]
BIOMEDICAはスケーラブルでオープンソースのフレームワークで、PubMed Central Open Accessサブセット全体を抽出、注釈付け、シリアライズして、使いやすく、公開可能なデータセットにする。
われわれのフレームワークは600万以上の記事から2400万以上のユニークな画像テキストペアで包括的なアーカイブを生成する。
BMCA-CLIPは、ストリーミングを通じてBIOMEDICAデータセット上で継続的に事前トレーニングされたCLIPスタイルのモデルのスイートで、27TBのデータをローカルにダウンロードする必要がなくなる。
論文 参考訳（メタデータ） (2025-01-13T09:58:03Z) - AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。
この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。
高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文 参考訳（メタデータ） (2024-02-15T06:46:48Z) - Diversifying Knowledge Enhancement of Biomedical Language Models using
Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。
バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。
計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文 参考訳（メタデータ） (2023-12-21T14:26:57Z) - BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。
本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
論文 参考訳（メタデータ） (2023-05-26T17:14:43Z)
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。