EMNLPSep, 2016

科学文章中引用强度的差别：并非所有的指头都一样

PDF
TL;DR本研究提出了一种基于图形和半监督学习的模型 (GraLap)，用于测量引用的强度。实验结果表明，该方法相比基线方法在参考文献的强度标记方面取得了显著的提高，可以更好地设计真实世界的应用。
citation analysisreference intensitysemi-supervised learninggraph-based methodsreal-world applications
发现论文，激发创造
  • 衡量学术影响力：并非所有引用都相等

    本文通过创建数据集，采用监督式机器学习，使用四种特征对引文学术影响力进行预测并设计了一种新的基于引文提升的 H 指数，证明其比传统 H 指数更好地衡量研究人员的表现。

    Jan, 2015

  • 支持研究评估的人工智能技术综述

    该文献综述通过机器学习预测引用次数或质量评分等方法，从文章文本和元数据中识别高影响力或高质量研究的指标，并回顾了有关排名和公共数据集的证据，用于预测学术文章的影响力，并讨论了技术辅助评估的偏见和透明度。

    Dec, 2022

  • 通过时间平衡的网络中心性识别重要论文

    本文分析了美国物理学会期刊自 1893 年至 2009 年间发表的 449,935 篇论文的引证网络，并比较了基于引用计数的度量与网络度量之间的差异性。其中，一种结合了 PageRank 中心性、且不受时间偏差影响的新度量是总体表现最佳的度量方式，这也表明引证网络结构包含可用于提高科学出版物排名的信息。

    Aug, 2016

  • 利用引文图谱进行科学信息提取

    本文研究了如何利用引文图来提高科学信息提取的准确性，证明结合引文图与文本提取任务能提升科学信息提取的水平。

    Jun, 2021

  • 加权引用：文章威望的指标

    该研究提出使用加权引用技术来衡量论文的声望，该技术通过考虑引用期刊的影响和引用时间间隔来分配不同的权重，从而捕捉论文的声望；与引用次数所反映的受欢迎程度不同。通过对《信息科学与技术美国协会杂志》1998 至 2007 年发表的论文的声望和受欢迎程度进行比较，我们发现大多数论文的地位相当。

    Dec, 2010

  • 一种能够跨学科衡量个人科研贡献的指标

    该研究论文提出了一种名为 hI 指数的科学研究生产力评估指标，它可以消除学科领域的影响，与传统 h 指数相比，具有更强的数据对比能力。

    Sep, 2005

  • 科学体系中的规模规律：领域特定引用特征对个人研究者影响的影响力

    研究了个体研究人员的几个主要科学计量学指标的规模依赖性，并探讨了不同引文密度的主题领域之间的差异，结果与研究小组相似，加强了引文密度景观表示中普遍的比例规则的观点。

    Mar, 2008

  • 基于图论的方法在深度学习研究中的科学影响 —— 文献计量比较

    本研究分析了深度学习中基于图形的方法的使用情况和与之相关的文章的科学影响力，发现在 2013 年后，基于图形的方法在深度学习研究中的比例呈线性增长，会议论文在会议记录引文索引（CPCI）中扫描到基于图形的方法本身就可以明显地获得更多的引用。

    Oct, 2022

  • CausalCite：论文引用的因果表述

    本研究提出了一种叫做 CausalCite 的因果推断方法，通过高维文本嵌入将每篇论文编码，利用余弦相似度提取相似的样本并综合计算出反事实样本，用于衡量论文被引用的因果关系，该方法在科学专家对 1,000 篇论文进行的实验、历史论文的奖项和 AI 各个子领域的稳定性等各种标准中表现出了很高的相关性和有效性，并给出了一些建议供未来研究者利用我们的度量方法以更好地理解论文质量。

    Nov, 2023

  • 用机器学习预测文章质量得分：英国研究卓越框架

    利用人工智能和多个引文计量和元数据输入进行的质量估计，与简单的定量指标和耗费时间的同行评审相比，得出更好的结果；医学和物理学科的精度最高，社会科学、数学、工程、艺术和人文学科的表现较差。

    Dec, 2022