論文の概要: I would rather quit NLP than read another paper like this: The rise of antithesis in NLP papers

• arxiv url: http://arxiv.org/abs/2610.10092v1
• Date: Wed, 07 Oct 2026 13:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.949059
• Title: I would rather quit NLP than read another paper like this: The rise of antithesis in NLP papers
• Title（参考訳）: 私はこのような論文を読むよりもNLPをやめたい:NLP論文におけるアンチテーゼの台頭
• Abstract要約: 我々は,2019年の ACL 論文,2026年の ACL スタイルのarXiv 論文,および同じタイトルと要約の GPT モデルによる論文について検討した。 我々は、一対の選好に対するポストトレーニングの副作用であり、一対の反応において嫌悪感を信用し、テキスト間でそのコストを登録できないと推測する。
• 参考スコア（独自算出の注目度）: 5.990611490110393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For better or worse, LLMs are by now used routinely for scientific writing.\footnote{This paper is no exception; we did use AI to assist with writing some of the sections (see Acknowledgments).} Many have noticed that recent models fill papers with unnecessary antithesis, stating over and over what the work does not do, in ways that do not contribute to its precision or quality of expression and annoy reviewers \emph{rather than impressing them}. We study the construction \emph{rather than} in ACL papers from 2019, ACL-style arXiv papers from 2026, and papers written by GPT models from the same titles and abstracts. Its rate in 2026 is seven times the 2019 rate, and higher still in the GPT papers. Two annotators, blind to the source, find almost no 2019 use \emph{annoying} and about one in ten 2026 uses; they seldom agree on which, yet about half of 2026 papers contain a use that annoys each of them. \emph{Annoying} uses present the rejected alternative less favorably than legitimate uses. Raters of preference data and open reward models favor the construction, and an instruction to be honest promotes it. We conjecture that it is a side effect of post-training on pairwise preferences, which credit a disavowal in a single response and cannot register its cost across a text.
• Abstract（参考訳）: 良くも悪くも、LLMは科学的な執筆に日常的に使われている。 この論文は例外ではなく、AIを使っていくつかのセクションを記述しました(Acknowledgmentsを参照)。 結果】近年のモデルは不必要なアンチテーゼで書類を埋め、その作業の正確性又は品質に寄与しない方法で、何を行うかを繰り返し述べ、それを印象づけるよりは困惑するレビュアーに注意を払っていることに多くの人が気付きました。 本稿は,2019年度の ACL 論文,2026年度の ACL スタイルのarXiv 論文,および同じタイトルと抽象書から GPT モデルで作成された論文における emph{rather than} の構成について検討する。 2026年の成長率は2019年の7倍であり、GPTの論文では依然として高い。 ソースに盲目な2つのアノテーションは、2019年の時点では、emph{annoying}の使用はほとんどなく、2026年の約10分の1は、どのアノテーションに同意することはないが、2026年の論文の約半数は、それぞれを悩ませる使用を含んでいる。 \emph{Annoying} では、拒否された代替案は正当な使用よりも好ましくない。 選好データとオープン報酬モデルのレーダは構築を好んでおり、正直に言えばそれを促進させる。 我々は、一対の選好に対するポストトレーニングの副作用であり、一対の反応において嫌悪感を信用し、テキスト間でそのコストを登録できないと推測する。

関連論文リスト

• Science or Slop?: Benchmarking and Mitigating Scientific Slop in AI-Generated Papers [59.059012465617634]
  しかし、AIが生成する科学論文には、既存のトークンベースのAI検出器では容易に検出できない、より複雑なパターンがある。 これらの失敗を、構造、論証、アーティファクトの6つの尺度を通じて科学的にスロープしたものとして評価する。 本研究では,SciSlopHarnessを提案する。SciSlopHarnessは,実験記録が変更をサポートする場合にのみスロープを修正するための固定LDMをガイドするフレームワークである。
  論文  参考訳（メタデータ） (2026-09-30T18:16:42Z)
• More than half of recent astronomy papers are written with language-model assistance [0.2285632039729295]
  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。
  論文  参考訳（メタデータ） (2026-09-09T18:00:00Z)
• ClaimFlow: Tracing the Evolution of Scientific Claims in NLP [67.23189226608389]
  NLP文献のクレーム中心のビューである$texttClaimFlow$を紹介します。 新しいタスク $-$$textitClaim Relation Classification$$-$を定義する。 我々の分析によると、63.5$%の請求は決して再利用されない。
  論文  参考訳（メタデータ） (2026-03-17T02:43:36Z)
• CausalCite: A Causal Formulation of Paper Citations [80.82622421055734]
  CausalCiteは紙の意義を測定するための新しい方法だ。 これは、従来のマッチングフレームワークを高次元のテキスト埋め込みに適応させる、新しい因果推論手法であるTextMatchに基づいている。 科学専門家が報告した紙衝撃と高い相関性など,各種基準におけるCausalCiteの有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-05T23:09:39Z)
• NLLG Quarterly arXiv Report 06/23: What are the most influential current AI Papers? [15.830129136642755]
  目的は、最も関連性があり広く議論されている研究のクイックガイドを提供することであり、新参者や確立された研究者が現在の傾向を振り返り続けるのを助けることである。 我々は2023年前半に,大規模言語モデル(LLM),特にChatGPTに関連する論文の優位性を観察した。 NLP関連の論文は、私たちのデータにはML関連の論文の2倍の数の論文があるにもかかわらず、最も影響力がある(トップ論文の約60%)。
  論文  参考訳（メタデータ） (2023-07-31T11:53:52Z)
• 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)
• Did AI get more negative recently? [17.610382230820395]
  我々は、自然言語処理(NLP)と機械学習(ML)の分野における科学論文を、人工知能(AI)のコアサブフィールドとして分類する。 我々は、(i)の貢献を「肯定的姿勢」、(ii)の貢献を「否定的姿勢」とする。 我々は,NLPおよびMLにおける過去35年間の41k以上の論文の大規模傾向を分析し,論文は時間とともに著しく肯定的になったが,否定的な論文もさらに否定的になり,近年ではかなり否定的な論文が観察されている。
  論文  参考訳（メタデータ） (2022-02-28T08:37:03Z)
• De-anonymization of authors through arXiv submissions during double-blind review [33.15282901539867]
  二重盲検審査中の論文のarXivプレプリントの公開効果について検討した。 arXivで高評価を得た論文と受入率の正の相関を示す統計的に有意な証拠が得られた。
  論文  参考訳（メタデータ） (2020-07-01T01:40:06Z)

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。