Sep, 2024

NLP的本质：分析NLP论文中的贡献

HTML
PDF
TL;DR本研究针对NLP研究定义的争议，量化分析了近2千篇NLP论文的贡献和分类。通过构建NLPContributions数据集并提出一项自动识别贡献类型的新任务，发现自90年代以来机器学习在NLP中的参与度逐渐上升，而对语言和人类知识的关注则有所下降，并在2020年后再次回升。此研究促进了对NLP研究本质的理解，并希望引发社区的深入讨论。
发现论文，激发创造
  • 自然语言处理任务性能预测

    本文提出了一种使用回归模型来预测NLP实验评估分数的方法，并证明了这种方法可以有效地预测NLP实验结果。同时，作者还提出这种方法可以用来确定实验的子集，以获得对所有实验设置的合理预测。

    May, 2020

  • 自然语言处理可重现性研究的系统综述

    研究了自然语言处理领域内可重复性的困境，探索了不同声音和共通点。

    Mar, 2021

  • 翻译型 NLP：自然语言处理研究的新范式和通用原则

    介绍了一种新的NLP研究新范式——翻译NLP，利用该范式可以更好地将基础NLP和应用NLP联系起来，实现相互促进和交流，进一步推动NLP研究的发展。

    Apr, 2021

  • 自然语言处理性能评估指标的全球分析

    本文介绍了自然语言处理领域中用于测量模型性能的度量标准，发现当前使用的大多数指标存在评估不足及解释性差等问题，导致透明性和可重复性的降低。

    Apr, 2022

  • 自然语言处理中的Square One Bias：走向研究流形的多维探索

    研究人员发现大多数自然语言处理research papers只关注一个维度，如准确性、公平性或可解释性，但忽略其他维度。作者建议在未来的研究中更加关注多维度，以充分利用自然语言处理研究的巨大潜力，同时提供了相关研究的开源分类结果。

    Jun, 2022

  • 面向所有人的NLP可重复性:理解初学者的经历

    本文为了解当下自然语言处理领域新手对当前研究重复性工作的需求，对93名introductory NLP课程学生开展了研究。结果表明，编程技能和对研究论文的理解与其完成任务的时间无明显相关性，而研究作者开源工作的可访问性、文档完整性、良好编程规范和易于获取数据文件等均对成功至关重要。此外，作者建议自然语言处理研究者关注这些简单但关键的方面并充分利用初学者的反馈来提供更好的支持和改进。

    May, 2023

  • 自然语言处理研究的探索之旅

    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

  • 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

  • 教育自然语言处理综述: 分类、系统回顾与未来趋势

    自然语言处理（NLP）旨在通过计算机科学领域的技术来分析文本，适用于医疗、商业和教育领域的应用。本文回顾了近期在教育领域解决问题方面的NLP的最新进展，介绍相关背景，提出NLP在教育领域的分类体系，并基于该体系讨论任务定义、挑战以及相应技术。随后展示了该领域中的一些现有演示，并给出未来方向的结论。

    Jan, 2024

  • 面向系统的单语NLP调查：希腊NLP的GenA

    通过应用提出的方法，本文使用系统文献综述对希腊的自然语言处理进行了全面的概述，展示了独语NLP调查的优势，并突出了独语NLP调查的方法能够避免数据泄漏和污染等常见问题。

    Jul, 2024