論文の概要: Reading Position Is the Baseline to Beat: A Time-Ordered Evaluation of Personalised Highlight Prediction

• arxiv url: http://arxiv.org/abs/2610.09262v1
• Date: Wed, 07 Oct 2026 00:51:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.655331
• Title: Reading Position Is the Baseline to Beat: A Time-Ordered Evaluation of Personalised Highlight Prediction
• Title（参考訳）: 読み上げ位置はビートへのベースライン:パーソナライズされたハイライト予測の時系列評価
• Abstract要約: ページ上の読者の最初のハイライトは、読書製品が持っている最も安いパーソナルシグナルである。 我々は、倒すための基準は読書のポジションであると主張する。
• 参考スコア（独自算出の注目度）: 1.8620637029128544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A reader's first highlights on a page are the cheapest personal signal a reading product has. The natural plan is to suggest what similar earlier readers marked, and to judge the result against popularity. We argue that the baseline to beat is reading position. In a time-ordered evaluation on one social highlighting platform (7,343 reader-page pairs on 1,511 pages after one highlight), ranking the sentences just below a reader's first highlight, with no other reader's data, puts the next highlight in the top five 47% of the time, against 26% for popularity and 29% for the better of two similarity methods. The baseline depends on the target: over all later highlights that ranking loses to popularity, while popularity discounted by distance from the latest highlight, at the scale with the best average precision of three tried, beats popularity and both similarity methods on both targets. In a comparison specified in advance, neither similarity method shows a gain over popularity in average precision over all later highlights, from one to five highlights, and a gain of +0.01 is excluded. Nor would a gain by itself show that a method has found a reader's preferences: synthetic readers who share one set of preferences produce one, and an evaluation out of time order shows a method where the reader went. The position results are exploratory and unconfirmed. Personalisation inside a document should be evaluated in time order and against reading position.
• Abstract（参考訳）: ページ上の読者の最初のハイライトは、読書製品が持っている最も安いパーソナルシグナルである。 自然な計画は、以前の読者が何を示すかを示唆し、その結果を人気から判断することである。 我々は、倒すための基準は読書のポジションであると主張する。 1つのソーシャルハイライトプラットフォーム(1つのハイライトの後、1,511ページで7,343人の読者ページペア)でのタイムオーダー評価では、読者の最初のハイライトのすぐ下の文章を他の読者のデータなしでランク付けし、次のハイライトをトップ5の47%に、人気は26%、類似性は29%にランク付けした。 ベースラインはターゲットによって異なり、後々のハイライトではランキングが人気に負けるが、最新のハイライトとは距離が離れている。 前述した比較では、どちらの類似性法も、後述のハイライトの全てに対して平均的な精度で人気を上回り、1対5のハイライトから+0.01のゲインを除外している。 1組の好みを共有する合成読者は1つを生成し、時間外の評価は、読者が行く方法を示す。 結果は探索的であり、未確認である。 文書内のパーソナライゼーションは、時間順および読み上げ位置に対して評価されるべきである。

関連論文リスト

• Measuring Alignment With Reader Highlights Net of Position and Length [1.8620637029128544]
  120のウェブ文書(少なくとも12の独立した読者)では、言語モデルに重点を置くランキングが38.4%と一致した隣人の19.9%に対して群衆マーク付き文を維持している。 GPT-5.4 (+0.002 [-0.081, +0.088]) と区別できない 0.182 に到達し、5以下となる。
  論文  参考訳（メタデータ） (2026-07-30T06:24:38Z)
• Trait, Not State: The Durability of Reading Identity in Social Highlighting [1.8620637029128544]
  読者の選択署名は特性か状態か? 私たちは、各読者の最初の6ヶ月のハイライトをプロファイルとして凍結します。 後者の選択では、ギャップが拡大する中で、独自のvs以外のアドバンテージも追跡しています。
  論文  参考訳（メタデータ） (2026-06-11T04:59:37Z)
• The Long Tail, Not the Front Page: Cold-Start Prediction of Crowd Highlight Salience [1.8620637029128544]
  ソーシャル・ハイライトの最も有用なシグナルは、既に多くの人が読んでいる文書にのみ存在する。 文書の集合的な群衆のサリエンスを、そのマークが蓄積される前にテキストから予測できるのか? このデータに関する以前の研究で、ゼロショット言語モデルが、簡単なリード(配置)ベースラインよりも低い位置のハイライトを回復していることが判明した。 ハイライトコーパスでトレーニングされたモデルがそのベースラインを上回ることができるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-10T04:37:23Z)
• What Matters in Evaluating Book-Length Stories? A Systematic Study of Long Story Evaluation [59.626962970198434]
  最初の大規模ベンチマークであるLongStoryEvalを導入し,平均121Kトークン(最大397K)の600冊を新たに発行した。 ユーザによるすべての側面の分析により、評価基準構造を提案し、最も重要な側面を識別するための実験を行う。 評価手法として,アグリゲーションベース,インクリメンタル更新,要約ベースの評価の3つのタイプの有効性を比較した。
  論文  参考訳（メタデータ） (2025-12-14T20:53:29Z)
• Moderately Mighty: To What Extent Can Internal Software Metrics Predict App Popularity at Launch? [8.230804322052956]
  本研究では、デプロイ前のソースコードから測定可能な内部ソフトウェアメトリクスが、アプリの人気を予測できる範囲について検討する。 F-DroidとGoogle Play Storeの両方で利用可能な446のオープンソースJavaベースのAndroidアプリの厳格にフィルタされたデータセットを構築しました。 我々は、内部コードメトリクスだけでは、アプリの今後の人気を正確に予測できないが、それらがそれと有意義な相関を示すと結論付けている。
  論文  参考訳（メタデータ） (2025-07-02T19:47:41Z)
• Found in the Middle: Permutation Self-Consistency Improves Listwise Ranking in Large Language Models [63.714662435555674]
  大規模言語モデル(LLM)は、文脈の使い方に位置バイアスを示す。 我々は,ブラックボックスLLMのランキングリスト出力に対して,自己整合性(permutation self-consistency)を提案する。 LLaMA v2 (70B) では GPT-3.5 では 7-18% , LLaMA v2 (70B) では 8-16% である。
  論文  参考訳（メタデータ） (2023-10-11T17:59:02Z)
• Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
  ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。 この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。 このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。 我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
  論文  参考訳（メタデータ） (2022-04-05T19:39:13Z)
• The Unfairness of Popularity Bias in Book Recommendation [0.0]
  人気度バイアスとは、人気アイテムが頻繁に推奨されるのに対して、人気アイテムがほとんどあるいはまったく推奨されないという問題を指す。 本稿では,有名な書籍分類データセットを分析し,人気商品に対する傾向に基づいて3つのユーザグループを定義した。 以上の結果から,ほとんどの最先端の推薦アルゴリズムは本分野における人気バイアスに悩まされていることが示唆された。
  論文  参考訳（メタデータ） (2022-02-27T20:21:46Z)
• Ranking Scientific Papers Using Preference Learning [48.78161994501516]
  我々はこれをピアレビューテキストとレビュアースコアに基づく論文ランキング問題とみなした。 ピアレビューに基づいて最終決定を行うための,新しい多面的総合評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-02T19:41:47Z)
• Hierarchical Bi-Directional Self-Attention Networks for Paper Review Rating Recommendation [81.55533657694016]
  本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。 具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。 我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
  論文  参考訳（メタデータ） (2020-11-02T08:07:50Z)

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。