論文の概要: More than half of recent astronomy papers are written with language-model assistance
- arxiv url: http://arxiv.org/abs/2609.10664v1
- Date: Wed, 09 Sep 2026 18:00:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.09807
- Title: More than half of recent astronomy papers are written with language-model assistance
- Title（参考訳）: 最近の天文学論文の半数以上が言語モデル支援で書かれている
- Abstract要約: 言語モデルは、それらが書くのに役立つ散文に特有の語彙を残し、天文学の文献のどれ程がそれを持っているかを測定する。
2015年から2026年中頃にかけての207,111個のアストロフ・ペーパーの全文から、これらの単語を各論文に数えて、補助的および非支援的な文章の混合としてカウントをモデル化する。
私たちの答えは、モデルを使用していない場合、これらの単語が現在どれだけの頻度で現れるかに依存します。
- 参考スコア（独自算出の注目度）: 0.2285632039729295
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language models leave a distinctive vocabulary in the prose they help write, and we measure how much of the astronomy literature now carries it. From the full text of 207,111 astro-ph papers spanning 2015 to mid-2026, we count those words in each paper and model the counts, in proportion to paper length, as a mixture of assisted and unassisted writing in a hierarchical Bayesian model. Papers from before 2020 calibrate the unassisted rate, and the 392 papers that disclose model use calibrate the assisted one. Our answer depends on how often these words would appear today if nobody used a model, a rate that must be modeled rather than observed, so we extend it past 2020 under three assumptions and report all three. For 2025 that gives $54^{+8}_{-8}\,(\mathrm{stat},\,95\%)\,^{+26}_{-0}\,(\mathrm{sys,\ background})$% of papers, the second error being the spread across the three. The estimate stays at or above 36% when we vary that choice, the calibration, and the requirement that adoption only rises. A word list built from the astro-ph corpus, keeping only words that rose across every subfield, leaves 2025 in the same range. Assisted writing is also getting harder to see, since authors adapt to the words that reveal it and the marker excess more than halves between 2023 and 2026. Our model allows for that fading, so it can separate a fainter trace from reduced use. More than half of recent astro-ph papers therefore carry a language-model trace, while only 0.81% of 2025 papers disclose it, one declaration for every $\sim$66 papers with a trace.
- Abstract（参考訳）: 言語モデルは、それらが書くのに役立つ散文に特有の語彙を残し、天文学の文献のどれ程がそれを持っているかを測定する。
2015年から2026年中頃にかけての207,111個のアストロフ論文の全文から、それらの単語を各論文に数え、それらの単語を紙の長さに比例して、階層的ベイズモデルによる補助的および非支援的な文章の混合としてモデル化する。
2020年以前の論文は、非アシスト率を調整し、モデルの使用を開示する392の論文は、非アシスト率を調整した。
私たちの答えは、もし誰もモデルを使っていない場合、現在どれだけの頻度でこれらの単語が現れるかに依存します。
2025年には5,4^{+8}_{-8}\,(\mathrm{stat},\,95\%)\,^{+26}_{-0}\,(\mathrm{sys,\ background})$%の論文が与えられている。
その選択、キャリブレーション、採用のみの要求が変わると、見積もりは36%以上になります。
アストロフコーパスから作られた単語リストは、各サブフィールドにまたがる単語のみを保持し、2025年に同じ範囲に残されている。
著者は、2023年から2026年までの半減期を超越した言葉とマーカーに適応している。
当社のモデルでは,そのフェージングを許容しているため,使用量の減少からフェールトレースを分離することが可能である。
したがって、最近のアストロフ論文の半数以上が言語モデルトレースを持ち、2025年の論文の0.81%だけがそれを公開しており、あるトレースを持つ$\sim$66の論文には1つの宣言がある。
関連論文リスト
- Biomedical Reference Generation Remains Unreliable across 26 Large Language Models [5.9567656649845135]
大規模言語モデルは、バイオメディカルテキストを書くのに役立つが、現存しない作品への参照を作る可能性がある。
私たちは8人の開発者から26の言語モデルに対して、10ドメインにわたる69のバイオメディカルパスのそれぞれに欠落した参照を提供するように促しました。
評価分野ごとに基準が正しいと判断され、その基準が検証され、その日誌は、引用された論文と一致した。
論文 参考訳（メタデータ） (2026-09-14T03:47:08Z) - An LLM-Associated Register Shift in Korean Journal Abstracts: A Morphology-Aware Excess-Vocabulary Study, 2018-2026 [0.0]
2023年以前の傾向よりも高い単語の頻度である余分な語彙は、2022年以降の学術英語の変化がどのように測定されたかである。
プラセボの床は1ワード統計では0.1-2.2点、再選択された分割半値統計では少なくとも2.9点である。
韓国の抽象化は2023年、2024年後半に始まり、2025年までの2026年半ばの平ら化を示している。
論文 参考訳（メタデータ） (2026-09-07T12:56:32Z) - The em-dash em-beds in Congress: A population-level rise in em-dash frequency in U.S. congressional press releases at the dawn of the large-language-model era, 2021-2025 [0.0]
テキスト1000文字あたりの非スペースな散文形式のエムダッシュ密度を解析した。
2021-2024年まで1,000文字あたり0.10-0.12の範囲に留まり、4年ベースラインの2倍以上の2025年には0.217まで上昇した。
エムダッシュは人口レベルのマーカーであり、リリース単位のオーサシップ検出器ではない。
論文 参考訳（メタデータ） (2026-08-06T11:12:48Z) - When AI Writes, Who Gets Cited? Evidence of Citation Monoculture Across Language Models [45.91367912142692]
異なるモデルがいまだに同じ狭い部分集合を選択している可能性を示し、単一の引用が誤りを犯さずに、引用モノカルチャーを生成する。
3つのベンダーの11のモデルが、30のランダムなパネルから少なくとも10の論文を選択しており、実際のタイトルと抽象物があるが、作者が作り直され、再割り当て年、隠れた会場と引用数がある。
論文 参考訳（メタデータ） (2026-08-03T14:27:46Z) - "All You Need" is Not All You Need for a Paper Title: On the Origins of a Scientific Meme [0.029008108937701324]
我々は'All You Need'を含む717のarXivプレプリントをそのタイトルで分析する。
正統的な「X [Is] All You Need」構造に従う論文の中では、「注意」が最も頻繁に主張される(28件)。
我々は、このパターンの成功は、精度よりも記憶可能性の方がますます好まれる科学コミュニケーションにおける競争的な圧力を反映していると主張している。
論文 参考訳（メタデータ） (2025-12-03T17:36:45Z) - Formal specification terminology for demographic agent-based models of
fixed-step single-clocked simulations [0.0]
本論文はエージェントベースモデル(ABM)のサブセットの数学的仕様に関する適切な形式的用語を提示する。
提案する用語は、モデル理解をさらに改善し、仕様のスタンドアロンプロトコルとして機能する。
論文 参考訳（メタデータ） (2023-08-24T20:57:07Z) - Forgotten Knowledge: Examining the Citational Amnesia in NLP [63.13508571014673]
論文を引用するのにどれくらいの時間がかかったのか、どのようにして変化したのか、そしてこの引用的注意/記憶に相関する要因は何か。
引用論文の約62%が出版直前の5年間のものであり,約17%が10年以上前のものであることを示す。
1990年から2014年にかけて、引用論文の中央値と年齢の多様性は着実に増加してきたが、その後傾向が逆転し、現在のNLP論文は、時間的引用の多様性が極端に低い。
論文 参考訳（メタデータ） (2023-05-29T18:30:34Z) - Don't Copy the Teacher: Data and Model Challenges in Embodied Dialogue [92.01165203498299]
後続の身体的対話命令は、自然言語交換から複雑なタスクのシーケンスを完了させるエージェントを必要とする。
本稿では,模倣学習(IL)と関連する低レベルメトリクスが,実際には誤解を招くものであり,具体的対話研究の目標と一致していないことを論じる。
論文 参考訳（メタデータ） (2022-10-10T05:51:40Z) - PART: Pre-trained Authorship Representation Transformer [52.623051272843426]
文書を書く著者は、自分のテキストに識別情報を印字する。
以前の作品では、手作りの機能や分類タスクを使って著者モデルを訓練していた。
セマンティクスの代わりにテキストの埋め込みを学習するために、対照的に訓練されたモデルを提案する。
論文 参考訳（メタデータ） (2022-09-30T11:08:39Z) - SLUA: A Super Lightweight Unsupervised Word Alignment Model via
Cross-Lingual Contrastive Learning [79.91678610678885]
超軽量非教師付き単語アライメントモデル(SLUA)を提案する。
いくつかの公開ベンチマークによる実験結果から,我々のモデルは性能が向上しても競争力を発揮することが示された。
特に、我々のモデルはバイリンガル単語の埋め込みと単語のアライメントを統一する先駆的な試みであると認識している。
論文 参考訳（メタデータ） (2021-02-08T05:54:11Z) - NLP-CIC @ DIACR-Ita: POS and Neighbor Based Distributional Models for
Lexical Semantic Change in Diachronic Italian Corpora [62.997667081978825]
本稿では,イタリア語に対する教師なし語彙意味変化のシステムと知見について述べる。
その課題は、対象の単語が時間とともにその意味を進化させたかどうかを判断することであり、それは2つの時間固有のデータセットからの原文のみに依存する。
本研究では,各期間に対象単語を表す2つのモデルを提案し,しきい値と投票方式を用いて変化単語を予測する。
論文 参考訳（メタデータ） (2020-11-07T11:27:18Z)
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。