本文研究机器学习的研究领域,在探讨了机器学习领域中出现的四种不良趋势的同时,提供了对应的解决方法和可能产生不良趋势的原因。
Jul, 2018
介绍科学出版物的同行评审制度,讨论机器学习对此的影响,提出对标准和质量的强调以及提供适当的激励措施,如按照每次评审给予的财务补偿。
Dec, 2018
通过对科学文章进行形式化的出版和语义学处理,可以提高科研工作者更新领域最新成果的工作效率,并为未来科学事业的效率和效益带来了不计其数的可能性。
Mar, 2022
本研究从算法设计到数据收集到模型评估的全过程,引起注意常见陷阱,并提供实用建议以改进机器学习,通过案例研究强调这些缺陷在实践中如何发生以及在哪里可以进行改进。
Nov, 2020
机器学习方法、预测性能、负面结果、效率低下、科学产出
Jun, 2024
本文研究了在社交计算领域,针对 Twitter 数据执行 ML 分类任务,是否具有遵循模板的最佳实践方法,结果显示,大多数人都没有遵循规则,从而导致数据不可靠。
Dec, 2019
通过研究高度引用的机器学习论文,本文发现只有少数论文能够说明其与社会需要的联系,而且更少讨论负面潜力。同时,本文还发现,机器学习研究中经常突出强调的几个价值观,如性能、泛化、量化证据、效率、建立在过去的工作基础之上和创新性等,往往在支持权力集中方面存在着假设和影响。最后,作者发现高度引用的论文越来越多地与科技公司和精英大学有着紧密的联系。
Jun, 2021
计算机研究领域需要更加努力地解决我们的创新带来的负面影响问题,通过改变同行评审过程可以实现更好的社会利益。
Dec, 2021
本文讨论如何运用自然语言处理技术,自动生成机器学习领域的论文评审。通过收集论文数据集和训练模型进行实验,研究发现自动生成的评审可以涵盖更多的内容,但在细节方面需要更高的准确性和构造性。最后,总结了这个领域的八个难题及其潜在解决方案。
Jan, 2021
通过分析 4041 篇不同领域的数据论文,本研究提出了一套建议指南,旨在增加数据的准备性,确保其在机器学习技术中的透明和公正使用。
Jan, 2024