使用 DBLP Discovery 数据集分析计算机科学研究的现状
本研究提取了 DBLP 上的 600 多万篇计算机科学论文,分析了计算机科学研究的趋势、活动水平、协作情况等方面。该研究的发现是计算机科学是一个快速发展的研究领域,但近年来其平均引用次数有所下降,并且最新的主题趋势也在 DBLP 数据集中得到了呈现。
Apr, 2022
CS-Insights 是一款交互式网络应用程序,可通过多个角度分析 DBLP 中的计算机科学出版物,用户可以通过专用的界面识别研究活动趋势、作者和会议的统计数据、感兴趣的话题以及计算机科学研究对其他领域的影响。CS-Insights 是公开的,其模块化架构可以轻松地适应于计算机科学以外的领域。
Oct, 2022
通过对高被引机器学习论文进行综合评析,我们揭示了机器学习领域内最有影响力的论文、高被引作者以及合作网络。我们还发现了热门研究主题和最新受到关注的新兴话题,并对高被引论文的地理分布进行了分析,突显了某些国家在机器学习研究中的主导地位。通过为研究人员、政策制定者和实践者提供关于这一快速发展领域的主要进展和趋势的有价值的见解,我们的研究为它们提供了有价值的洞察。
Aug, 2023
本文通过分析计算机科学领域当前热门的研究领域,探讨了导致这些研究领域出现的因素。利用包括论文、引用和资助信息在内的综合数据集,我们采用了决策树和逻辑回归等先进的机器学习技术,预测研究领域的趋势。分析结果表明,研究论文中引用数量(引用计数)在决定研究领域趋势方面起着关键作用,成为推动计算机科学领域趋势的最相关因素。此外,国家科学基金和专利对热门话题的影响随时间增加。逻辑回归模型在预测趋势方面表现优于决策树模型,具有更高的准确率、精确率、召回率和 F1 分数。通过超过随机猜测的基线,我们的数据驱动方法显示出更高的准确性和效力,为研究人员和机构提供了基于数据的决策和未来研究方向的宝贵洞察。
Aug, 2023
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
本论文通过对物理学、数学和计算机科学三个领域的引用流进行建模,并通过时间桶签名对这三个领域之间的引用互动进行量化。基于最近提出的中继链接框架的变体,本文提出了数值模型,试图解开这三个领域之间引用链接形成的基本原理。
Sep, 2023
我们提出了一项以任务为导向的知识检索研究议程,利用计算模型和人工智能技术,摄取科学知识的典籍,检索灵感、解释、解决方案和证据,直接增强人类在科学领域突出任务上的表现,进而革命性地推动科学进程。
May, 2022
本文利用混合方法分析了互联网上关于计算语言学的出版趋势、行为对研究聚焦点 —— 方法、材料和任务 —— 的采用、持久和退役的因果影响,发现了快速新方法 —— 双向 LSTMs 的引入影响了 LSTMs 的退役,深度学习,嵌入,生成和语言模型等趋势任务和技术在研究社区中持续受关注,并发现科学家所在地(中国等)和大规模研究项目的资金可能会对超出英语之外的语言进行研究的倾向产生影响。这项工作为计算语言学和更广泛的科学社区提供了有用的见解,提高了关于因果推断的潜力的认识。
Oct, 2021
本文使用 Web of Science 的数据,采用分段回归分析的方法对自 17 世纪中叶以来科学的增长进行了研究,进一步分析了自然科学和医药卫生科学的增长情况,并确定了三个增长阶段。
Feb, 2014
本文研究数据科学家的文献综述实践,并通过 20 个数据科学家的半结构化访谈和思考协议证实,数据科学家在跨学科领域面临挑战,缺少细节和数学内容,借助代码,博客和演讲的知识背景解决文献信息过载问题和借助线上和线下同事的支持。最后,我们概述未来方向,旨在帮助数据科学家应对蓬勃发展的研究文献。
Jan, 2023