研究调查了在 20 个学科领域长达 43 年（1980-2023 年）内引用老旧文献的倾向。我们将 NLP 引用老旧文献的趋势与其他 20 个领域的情况进行比较，分析 NLP 是否与这些领域在引用时间上存在相似的模式或是否可以观察到差异。我们的分析基于大约 2.4 亿篇论文的数据集，揭示了一个更广泛的科学趋势：许多领域在引用老旧文献方面明显减少（例如心理学、计算机科学）。我们将这种减少称为 “引文衰退时期”，类似于经济学家对减少经济活动的定义。这一趋势在 NLP 和机器学习研究中最为明显（引文年龄下降 12.8% 和 5.5%）。我们的结果表明，引用更近期的文献并不是直接由出版率的增长所驱动（跨领域下降 3.4%，人文学科下降 5.2%，形式科学下降 5.5%）- 即使考虑到论文数量的增加。我们的研究结果引发了关于科学界对过去文献的参考情况的质疑，特别是对于 NLP，并且关于忽视老旧但相关研究的潜在后果。我们的数据和演示结果已经公开提供。

Feb, 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

通过对 ACL Anthology 中的研究论文进行系统分类和分析，我们提供了自然语言处理领域的研究概况、学科分类，分析了最近的发展，并总结了我们的发现并强调了未来工作的方向。

Jul, 2023

通过对最近法律自然语言处理（NLP）文献中的趋势的回顾，我们发现法律 NLP 社区与法学界之间的重叠有限。我们认为，一些最流行的法律 NLP 任务未能解决法律从业人员的需求，因此我们探讨了一些能够弥合学科鸿沟的法律 NLP 任务示例，并突出了一些尚未充分探索的有趣领域。

Oct, 2023

本论文介绍了一种估算全球语言技术的实用性的框架，并量化了 NLP 研究现状中存在的差异性，探讨了其相关的社会和学术因素，并为基于证据的政策制定提出了定制的建议，旨在促进更全球和公平的语言技术。

Oct, 2021

自然语言处理中智能模型的进步与行业模型的重要性及其对学术论文的影响进行调查，发现与行业的合作在 NLP 出版物中有显著依赖性，并探讨了两种可能的解释。

Dec, 2023

该报告旨在通过识别与 NLP 和 ML 相关的最受欢迎的论文，为研究者和从业者提供一个快速指南，着重应对信息过载问题和了解当前趋势。最受引用的论文主要涉及 LLM 效率、评估技术、伦理考虑、有身体的机器人和 LLM 的问题解决，其中 NLP 相关论文最为具有影响力。

Jul, 2023

本研究通过对包含 78187 篇自然语言处理出版物和 701 份作者简历的语料库进行分析，研究显示自 90 年代以来业内的存在一直保持稳定，在过去五年中却急剧上升，其中少数公司贡献了大部分的出版物和通过赠款和实习提供了学术研究的资金，研究表明业内对自然语言处理研究的存在和影响非常重要，且发展迅速，这项工作呼吁增加业内在该领域的透明度。

May, 2023

调查学术界与工业界协作对自然语言处理（NLP）的影响，通过从 NLP 论文中提取机构和引用构建了一个流程，并将其分为学术界、工业界和混合界（学术界与工业界的协作）。我们的实证分析发现，工业界和学术界 - 工业界合作发表的论文数量呈增长趋势，并且这些类型的论文比仅由学术界产生的论文具有更高的影响力。

Jul, 2023

本文综述了自然语言处理在编程方面的研究，并从推理模型到最新竞争级模型全面调查了现有的相关工作，具有技术类别的完整性，方便查找和比较未来的工作。

Dec, 2022