利用基于指标的模型探测人工智能科学生态中的新兴技术
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
提出了一种基于深度学习和弱信号分析的多层定量方法,能够从高超声速科学出版物中识别未来的迹象,帮助战略规划者和领域专家更好地识别和监测新兴技术趋势,以提供准确可靠、基于证据的指标。
May, 2022
通过分析人工智能会议上发表的论文,我们深入了解了人工智能和机器学习的演变过程,以及研究人员的影响和领导力,得出了一些对于理解和衡量人工智能演化的新见解。
May, 2022
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
本文提出了一种通过语义聚类短信息的方法来早期发现新兴实体,并设计并利用性能评估指标来评估该方法的性能表现。结果表明,该提议方法发现的新兴实体不仅仅是 Twitter 趋势的范畴。
Jul, 2022
该研究在人工智能和机器学习领域的三个期刊中进行了综述,指出数据处理是技术发展中最重要的部分。一些常用的数据集往往需要手动标记,因此半监督或无监督的方法被越来越多地研究。在实际应用中,考虑到安全和可解释的预测是必要的。
May, 2023
使用 AI 技术构建基于真实世界数据的 Science4Cast 基准测试,并提出十种不同的方法来预测人工智能研究的未来研究方向,最终目的是为了更先进的研究建议工具。
Sep, 2022
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