机器学习科学的科学和创新

理解影响因素科学进展的方向和速度的核心科技的进步。培养创新通过公共和私人投资需要分析大量的数据和实验证据明显解释为什么某些科学主题收到更多的关注导致增加创新和后续影响。为此理解科学进步的动力,有关键问题已经收到广泛关注科学和科学领域的创新和仍然需要更多的研究。

本文主题集合要求研究理解,测量和加速科学的过程。感兴趣的主题相关(但不局限)数据挖掘、网络科学、信息检索、机器学习和自然语言处理(NLP)专利和学术资料,引用数据、协作网络数据、知识图,时间序列数据等进一步研究metascience和创新的过程,除了预测以及推荐新兴领域的创新而不是简单地测量创新步伐。这样的技术将会有巨大的影响的理解长期创新的决定因素和为什么某些领域维持超过别人。

这个研究课题征集观点和调查,无价值的提案,实证分析,和方法论的贡献覆盖见解一系列主题排名不分先后:

●AI对于理解和推进科学过程,数据挖掘和机器学习工具可以利用用户数据,用户/研究员连接,成功背后的科学发现和科学数据库模式。问题仍在可预测性的成功模式与内容相关的科学文章,专利数据和元数据。随着时间的推移可以缩放法律条引用聚合这些数据库被用来研究的科学进步的隐藏的动力吗?这些解释背后的因素创新想法的出现?什么样的主题经得起时间的考验,是什么使他们有效的机器学习,可以帮助这些主题的可视化和可解释性?推荐系统的发展可以用来预测新兴的科学领域和创新个性化研究小组吗?

●科学NLP:语言模型和图像取得了引人注目的进展在生成新内容,另外,结合现有知识的新概念。研究在这一领域包括发展新形式表示学习技术和信息检索系统,可以查询复杂文本和总结他们自动近似一个研究员的知识目标、需求和兴趣,基于数据。最近,大型语言模型与生成解码(llm)显示的承诺。问题仍然存在是否这些工具可以帮助新知识的发现,因为大部分的信息存储在这些模型权重导致记忆和现有信息网络上的幻觉。

●科学合作和团队的研究合作,经常大,对科学进步成为常态。最近的研究表明,“大型团队开发和小型团队破坏科学和技术”。理解科学的社会过程通过计算方法可以更快的科学发现和更好的生产力的研究。还有待观察什么工作在这种情况下,团队的最优规模是什么客观的科学进步,如何在团队中思想和背景的多样性使更好的创新从而发现新途径的科学和创新的方向吗?有办法利用用户/作者网络信息和结构选择和更换必要时,团队成员特定的专业知识来达到期望的目标吗?

●减少偏见的过程metascience:同质性的存在在种族、性别和联系建立了阻碍科学的进步。多样性的影响研究等科学减轻影响和发展技术固有的偏见是一个重要的一步培养更好的创新机制。同样,引文偏差在对等网络作者以及偏差在同行评审科学论文的质量产生重大影响。我们如何测试这些偏见和机器学习和数据挖掘可以帮助去引用统计数据?
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

关键字:机器学习、网络科学,科学的科学,自然语言处理,深度学习,科学引文网络,数据

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。