提出了一种自动系统，将调查论文审查任务概念化为一个分类问题，采用机器学习模型测定与指定主题相关的论文的相关性，并且通过使用 BERT 等高级语言模型，取得了优于传统机器学习方法的初步结果。

Jun, 2024

人工智能（AI）领域中，自然语言处理（NLP）、机器学习（ML）和计算机视觉（CV）是主要的研究方向和研究领域，此篇研究报告通过对 arXiv 上最引用的论文的分析，对数据集特征、关键词的流行程度和全球机构的分布进行了研究，发现 NLP 在研究中占主导地位，并且美国在相关论文中占据主导地位，而欧洲在最引用的论文中表现较差。

Dec, 2023

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

通过科学映射方法的文献计量研究，本研究确定和评估了 2015-2020 年间人工智能研究的参考文献趋势。使用 Scopus 数据库收集了所需的数据，并进行数据转换和映射技术分析，结果显示神经网络和深度学习是顶尖人工智能研究论文的主题之一。

Jul, 2023

通过对 8700 万篇论文和 710 万项专利采用自然语言处理技术，研究发现 AI 在科研中的使用范围广泛，特别是自 2015 年以来增长迅速，使用 AI 的论文影响因子更高，同时也存在 AI 人才供需不平衡和种族、性别等方面的不公平问题。

Apr, 2023

通过系统文献综述，本研究分析了人工智能与科学计量学，网路计量学和文献计量学的协同作用，以揭示 AI 算法在这些领域应用和效益的潜力。

Feb, 2024

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

通过使用 SemanticScholar API 和手动整理方法，本文收集了 5199 篇与 XAI 相关的论文并进行了可视化分析，发现 XAI 领域正在变得越来越多学科交叉和引用交叉，本文提出的收集方法还可用于检索具有特定影响力的 XAI 文献。

Jan, 2023

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

这项研究回顾了在过去两年中发表在 ACM 数字图书馆和 IEEE Xplore 会议记录中的研究论文，以自然语言处理 (NLP) 和文本挖掘 (TM) 的基本概念为支持，旨在了解公共部门中数据隐私、伦理、可解释性、可解释性、可信度和公平性等方面的见解，结果显示公平性是最常见的关注点，数据隐私是最不突出的主题，而可信度最突出，最后，也有可能获得关于 A.I. 在公共部门应用中的这些问题的有益见解。

Jul, 2023