Dec, 2023

NLLG 季度 arXiv 报告 09/23：当前最有影响力的人工智能论文是什么？

PDF
TL;DR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。
artificial intelligencenatural language processingmachine learningcomputer visionarxiv
发现论文，激发创造
  • NLLG 季度 arXiv 报告 06/23：当前最有影响力的人工智能论文是什么？

    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

  • 科学文本中的人工智能开发与应用识别

    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

  • 六十年来具有重要影响力和高引用量的机器学习研究综合研究

    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

  • 自然语言处理中是否存在引用年龄偏见？

    在这项研究中，通过分析在 2013 至 2022 年期间提交到流行的预印本服务器 Arxiv 的大约 300,000 篇涉及 15 个不同科学领域的论文的参考文献，我们发现所有人工智能子领域（尤其是 cs.AI，cs.CL，cs.CV，cs.LG）都存在相似的引证年龄健忘现象，参考文献的年龄平均减半（从 2013 年的 12 岁以上减少到 2022 年的 7 岁以下），这种趋势并非是 NLP 社区的引证年龄偏见，而是这些研究领域的动态造成的。

    Jan, 2024

  • 我们所引证的人：“自然语言处理” 与其他学术领域之间的影响桥梁

    量化分析了 NLP 和其他 23 个学科领域（相互）之间的影响程度，结果显示 NLP 的学科交叉合作程度下降，自 1980 年的 0.58 降至 2022 年的 0.31（历史最低），同时 NLP 的学术引用越来越内向，主要引用计算机科学领域的论文，而对语言学、数学和心理学等领域的引用较少，这些研究结果凸显了 NLP 需要紧急反思与其他学科领域的合作交流。

    Oct, 2023

  • 人工智能研究的文献研究：全球概览与印度出现

    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

  • 关于人工智能和机器学习的演化：朝着在顶尖人工智能会议上测量和理解影响力与领导力的方向发展

    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

  • 可解释人工智能（XAI）文献趋势

    通过使用 SemanticScholar API 和手动整理方法，本文收集了 5199 篇与 XAI 相关的论文并进行了可视化分析，发现 XAI 领域正在变得越来越多学科交叉和引用交叉，本文提出的收集方法还可用于检索具有特定影响力的 XAI 文献。

    Jan, 2023

  • 忘却之知：探讨 NLP 领域里的引用失忆症

    通过分析大约 71.5K 篇论文，系统而实证地研究了引文的广泛时空模式，重点关注了 NLP 领域，发现引用文献的年代多集中在最近 5 年，而且引用多样性呈下降趋势，最近十年高引用论文的引文多样性也较低。

    May, 2023

  • 引证遗忘症：自然语言处理与其他学术领域正经历引证时代的衰退

    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