AI 是否能够为 REF 输出分配质量分数?实验证据
利用人工智能和多个引文计量和元数据输入进行的质量估计,与简单的定量指标和耗费时间的同行评审相比,得出更好的结果;医学和物理学科的精度最高,社会科学、数学、工程、艺术和人文学科的表现较差。
Dec, 2022
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
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
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
通过研究 589 份发表于四本领先心理学期刊的研究论文,我们调查了现代人工智能是否能够模仿专家在复杂科学领域的创造力,并介绍了一种新的方法论,利用 AI 的训练截止日期之后发表的原创研究文章,确保没有事先接触,减轻死记硬背和事先训练的担忧。结果显示,AI 能够擅长理解专业研究、演绎推理以及评估证据与结果之间的一致性,这些是人类专业领域专家和创造力的认知特征。这些发现表明通用人工智能在转变学术界方面的潜力,需要基于知识的创造力的角色越来越容易被技术所替代。
Apr, 2024
该论文研究了高校和研究机构公平的学术招聘问题,提出了基于优化和神经网络的两种计算框架来构建决策支持工具,通过计算 Academic Quality Index 对学术质量进行量化评估。
May, 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
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
在近 15 年里,通过调查 AI 技术的应用情况,以帮助研究人员进行系统的科学文献分析,我们揭示了当前支持的任务、应用的算法类型和 34 项研究中提出的可用工具,同时提供了该领域演变的历史视角和人类在越来越自动化的系统性文献回顾过程中发挥的作用。
Jan, 2024
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