ICLRApr, 2019

论 ArXiv 作为数据集的应用

PDF
TL;DR本文介绍了 arXiv，它收集了来自物理学、数学和计算机科学等科学领域的 150 万篇预先印刷的文章，并提供了一个管道，标准化和简化 arXiv 的公开可用数据。该管道被用来提取和分析一个拥有 670 万边的引文图和一个包含 110 亿字的全文研究文章语料库。作者呈现了一些基线分类结果并推动了更加令人兴奋的生成图模型的应用。
arxivpre-print articlescitation graphresearch articlesgenerative graph models
发现论文，激发创造
  • unarXive 2022: 包含结构化全文和引用网络的 NLP 预处理 arXiv 出版物

    提出了一个新版的数据集 unarXive，包含了跨越多学科和 32 年的 1.9 百万篇学术出版物，有更完整的引文网络和更丰富的文档结构表示方法和非文本内容的呈现。提供了用于引文推荐和 IMRaD 分类的训练 / 测试数据集。

    Mar, 2023

  • arXiv.org 在计算机科学界的流行度

    本文探讨了计算机科学领域论文的电子出版方面的实践，研究发现使用 arXiv.org 网站来发布电子版论文的人数增长迅速，各学科领域在使用该网站进行论文发布方面存在较大的差异，同时也讨论了该方法对同行评议的影响。

    Oct, 2017

  • 计算机科学 arXiv 上的预印本有多少被实际打印了，以及为什么

    计算机科学领域的预印本在 arXiv 上发布后，通过引入基于语义的映射方法（使用了 BERT），我们发现所调研的预印本中的 66％发表时标题未变且 11％具有改变标题和其他修改。进一步的比较研究揭示了在计算机科学领域中，被发表的预印本具有充分的修订、多个作者、详细的摘要和导言、广泛且权威的参考文献以及可用的源代码。

    Aug, 2023

  • 科学界如何对新提交的预印本作出反应：文章下载量、Twitter 提及和引用

    分析了在线响应预印本的方法，通过研究三种响应形式 ——arXiv.org 上的下载，Twitter 上的提及，学术记录中的早期引用，发现 Twitter 和 arXiv 下载是不同的时间模式，并且它们与引用之间存在关联。

    Feb, 2012

  • arXiv.org 上的科学论文分类

    本论文介绍了一个新的科学语句分类任务，并发布了一个大规模数据集用于监督学习。通过对 arXiv.org 的机器可读表现形式进行数据派生，我们探索了 50 个作者注释的类别，并通过将 1050 万个注释段分组为 13 类进行了任务设计，以证明任务设置与已知最新技术的成功率相一致。通过 BiLSTM 编码解码模型，演示了其 0.91F1 得分的高峰。此外，我们介绍了一种数学公式的词汇串行化，并观察到当上下文感知模型还在符号模态上训练时，可以进一步提高模型的性能。最后，本文讨论了数据和任务设计的限制，并概述了走向科学话语越来越复杂模型的潜在方向，超越了孤立的语句

    Aug, 2019

  • 科学文本中的人工智能开发与应用识别

    利用 arXiv 的元数据，通过学习这些数据中科学论文的主题标签，我们可以推断出其他大型语料库中与人工智能相关的论文，这种监督式方法可以一直更新，无需依赖于主题专家进行查询开发或标注。

    Feb, 2020

  • 基于自然语言处理的原始研究文章分类之外

    本研究提出了一种针对未知类别的科学文献的文本分类的新方法，使用自然语言处理技术。该研究利用预训练的语言模型（特别是 SciBERT）从 ArXiv 数据集的摘要中提取有意义的表示。文本分类使用 K-Means 算法进行，并根据 Silhouette 得分确定最佳聚类数。结果表明，所提出的方法比传统的 arXiv 标签系统更有效地捕捉主题信息，从而改善了文本分类。该方法为科学研究文献快速增长的领域提供了更好的导航和推荐系统的潜力。

    Sep, 2023

  • 学术研究中的 AI 生成文本的定量分析：使用 AI 检测工具研究 Arxiv 提交中的 AI 存在

    通过分析在 Arxiv 上发布的学术组织制作的故意伪造内容的方法，本研究创建了使用物理学、数学和计算机科学文章的数据集，并发现 originality.ai 在检测中非常准确，准确率达到了 98%。

    Feb, 2024

  • 早期网站使用统计数据作为后续引文影响的预测因子

    本研究分析了短期网络使用情况对中期引证影响的预测作用，以文章引用计数、Web 阅读次数及 e-print 论文库为研究对象。

    Mar, 2005

  • 使用 DBLP Discovery 数据集分析计算机科学研究的现状

    本论文使用计量学方法分析计算机科学的元数据，并使用交互式 Web 应用程序 CS-Insights 进行数据可视化，发现了计算机科学领域在过去两十年中出现了大量新的作者和出版物，会议论文的受欢迎程度下降，期刊文章的引用次数更高。

    Dec, 2022