論文の概要: GitScholar: A Dataset for Predicting AI Research Impact from GitHub Engagement
- arxiv url: http://arxiv.org/abs/2609.26361v1
- Date: Tue, 22 Sep 2026 13:03:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.382152
- Title: GitScholar: A Dataset for Predicting AI Research Impact from GitHub Engagement
- Title（参考訳）: GitScholar - GitHubのエンゲージメントからAI研究への影響を予測するデータセット
- Abstract要約: 我々は、GitHubのエンゲージメントを追加ソースとして使用することを提案し、タイムリーかつ正確なシグナルを提供することを示した。
GitScholarは、444,000のリポジトリから558,000以上のAI arXiv論文にGitHubアクティビティをリンクする、新しいデータセットである。
われわれの実験によると、GitHubの反応によって、強力な学術ベースラインよりも早期予測精度が最大12%向上している。
- 参考スコア（独自算出の注目度）: 7.177730342199424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid pace of AI research and the hundreds of daily new publications, staying up-to-date with the latest developments has become increasingly difficult. For researchers, quickly identifying impactful work is essential, yet manually reviewing each new publication is impractical. Automated impact prediction methods help address this challenge, usually by combining various information sources available, such as a paper's content or citation history. In this work, we propose using GitHub engagement as an additional source and demonstrate that it provides both a timely and accurate signal. To this end, we introduce GitScholar, a novel dataset that links GitHub activity from 444,000 repositories to over 558,000 AI arXiv papers. Our experiments show that GitHub reactions improve early prediction precision by up to 12% over a strong academic baseline. Additionally, we find that GitHub signal offers near-complete coverage of high-impact AI papers, and consistently correlates with future academic success. GitScholar is publicly available at https://huggingface.co/datasets/huawei-csl/GitScholar.
- Abstract（参考訳）: AI研究の急激なペースと何百もの新しい出版物によって、最新の開発に最新の状態を維持することはますます困難になっている。
研究者にとって、影響のある作品を素早く特定することは不可欠だが、新しい出版物を手動でレビューするのは現実的ではない。
自動的な影響予測手法は、通常、論文の内容や引用履歴など、利用可能な様々な情報ソースを組み合わせることで、この課題に対処するのに役立つ。
この作業では、GitHubのエンゲージメントを追加ソースとして使用することを提案し、タイムリーかつ正確なシグナルを提供することを示す。
この目的のために、444,000のリポジトリから558,000以上のAI arXiv論文にGitHubアクティビティをリンクする新しいデータセットであるGitScholarを紹介します。
われわれの実験によると、GitHubの反応によって、強力な学術ベースラインよりも早期予測精度が最大12%向上している。
さらに、GitHubのシグナルが、ハイインパクトなAI論文のほぼ完全なカバレッジを提供しており、今後も学術的な成功と一貫して関連していることもわかっています。
GitScholarはhttps://huggingface.co/datasets/huawei-csl/GitScholarで公開されている。
関連論文リスト
- AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。
我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。
障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文 参考訳（メタデータ） (2026-05-18T17:08:26Z) - What's Inside a GitHub Repository? An Empirical Study on the Contents of 10K Projects [1.439946676159516]
本稿では,実世界のGitHubの内容をよりよく理解するために,最初の経験的分析を提案する。
私たちは、10万のGitHubリポジトリに存在するファイル、ディレクトリ、エクステンション、および10年間の進化を分析します。
論文 参考訳（メタデータ） (2026-05-15T23:30:44Z) - Claudini: Autoresearch Discovers State-of-the-Art Adversarial Attack Algorithms for LLMs [75.62489398666644]
我々は,Claude Codeをベースとしたemphautoresearchスタイルのパイプライン citepkarpathy2026autoresearch が,新しいホワイトボックス対逆攻撃を発見できることを示した。
textbfsignantは、jailbreakで既存のすべての(30以上のメソッド)を著しく上回り、インジェクション評価を促します。
論文 参考訳（メタデータ） (2026-03-25T16:50:56Z) - What Makes a GitHub Issue Ready for Copilot? [0.0]
私たちは、GitHubの問題の品質を測定するために、32の詳細な基準を構築して、AIエージェントに適合させています。
私たちは、GitHubの問題が合体したプルリクエストをもたらす可能性を予測するために、解釈可能な機械学習モデルを構築します。
論文 参考訳（メタデータ） (2025-12-24T21:16:02Z) - LEAN-GitHub: Compiling GitHub LEAN repositories for a versatile LEAN prover [56.34998574538897]
我々は、GitHub上のLean 4リポジトリから抽出された大規模なフォーマルデータからなるデータセットであるLEAN-GitHubを提案する。
我々のモデルは1回のパスで48.8%、64回のパスで54.5%、Lean 4 miniF2Fテストで54.5%に達し、最先端のメソッドを52%上回った。
論文 参考訳（メタデータ） (2024-07-24T12:28:03Z) - How do Software Engineering Researchers Use GitHub? An Empirical Study of Artifacts & Impact [0.2209921757303168]
我々は、著者が研究にかかわるソーシャルコーディングにどのように関与しているかを尋ねる。
トップSE研究会場で1万件の論文が公開され、GitHubリンクに手書き注釈が付けられ、309の論文関連リポジトリが研究されている。
人気と影響力は広く分布しており、一部は出版会場と強く相関している。
論文 参考訳（メタデータ） (2023-10-02T18:56:33Z) - Synthcity: facilitating innovative use cases of synthetic data in
different data modalities [86.52703093858631]
Synthcityは、MLフェアネス、プライバシ、拡張における合成データの革新的なユースケースのための、オープンソースのソフトウェアパッケージである。
Synthcityは、実践者に対して、合成データにおける最先端の研究とツールへの単一のアクセスポイントを提供する。
論文 参考訳（メタデータ） (2023-01-18T14:49:54Z) - CiteBench: A benchmark for Scientific Citation Text Generation [69.37571393032026]
CiteBenchは引用テキスト生成のベンチマークである。
CiteBenchのコードはhttps://github.com/UKPLab/citebench.comで公開しています。
論文 参考訳（メタデータ） (2022-12-19T16:10:56Z) - Deep learning for table detection and structure recognition: A survey [49.09628624903334]
本調査の目的は,テーブル検出の分野での大きな進展を深く理解することである。
この分野における古典的アプリケーションと新しいアプリケーションの両方について分析する。
既存のモデルのデータセットとソースコードは、読者にこの膨大な文献のコンパスを提供するために組織されている。
論文 参考訳（メタデータ） (2022-11-15T19:42:27Z) - GitHub Actions: The Impact on the Pull Request Process [7.047566396769727]
本研究では、プロジェクトがGitHub Actionsをどのように利用するか、開発者がGitHub Actionsについて何を議論しているか、プロジェクトアクティビティインジケータが採用後にどのように変化するかを調査する。
私たちの調査によると、5,000のリポジトリのうち1489がGitHub Actionsを採用しています。
また、GitHub Actionsの採用によってプルリクエスト(PR)の拒絶が増加し、受け入れられたPRでのコミュニケーションが増加し、拒否されたPRでのコミュニケーションが減少することが示唆された。
論文 参考訳（メタデータ） (2022-06-28T16:24:17Z)
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。