Identifying AI Research
Zusammenfassung
Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.
Kurz
Der vorliegende Text ist ein Auszug aus dem Bericht. Darin empfehlen die Autorinnen und Autoren für englischsprachige KI-Forschung den arXiv-Klassifikator; für chinesische Texte schlagen sie Stichwortsuche mit sorgfältiger manueller Prüfung vor, weisen aber darauf hin, dass deren Leistung nicht direkt untersucht wurde.
Mittel
Der bereitgestellte Text ist ein Auszug: Er umfasst die Einleitung und einen unvollständigen Abbildungsabschnitt. Der Bericht hebt hervor, dass die Methodenwahl beeinflusst, welche KI/ML-Publikationen in bibliometrische Analysen eingehen. Für englischsprachige Texte empfehlen die Autorinnen und Autoren den arXiv-Klassifikator. Laut ihrer Bewertung identifiziert er KI-Forschung auf Veröffentlichungsebene am besten und lässt sich mit neuen Expertenlabels aktualisieren. Andere untersuchte Ansätze hätten zwar analytischen Nutzen, erfassten aber weniger wichtige KI/ML-Konferenzpublikationen und erzeugten mehr Fehler bei STEM-Preprints auf arXiv.
Die Leistung einer chinesischsprachigen Stichwortsuche auf chinesischen Publikationen wurde laut Auszug nicht direkt geprüft. Die englischsprachigen Suchergebnisse sprächen jedoch dafür, Treffer sorgfältig manuell zu überprüfen. Für sprachübergreifende Analysen empfehlen die Autorinnen und Autoren daher den arXiv-Klassifikator für englische Texte und Stichwortsuche für chinesische Texte; sie gewichten die erwartete Leistung höher als methodische Einheitlichkeit. Messwerte und nähere Angaben zum Vorgehen enthält der Auszug nicht.
Ausführlich lesen
Der bereitgestellte Text ist nur ein Auszug aus dem Bericht „Identifying AI Research“: Er enthält die Einleitung und einen unvollständigen Abbildungsabschnitt, nicht die vollständige Untersuchung. Daher lassen sich aus dem vorliegenden Material weder das genaue Evaluationsverfahren noch Zahlen oder Einzelheiten der Ergebnisse entnehmen.
Die Autorinnen und Autoren betonen, dass die Wahl der Methode zur Identifikation KI- und ML-relevanter Veröffentlichungen die bibliometrische Analyse beeinflusst. Für englischsprachige Publikationen empfehlen sie den arXiv-Klassifikator. Nach ihrer Darstellung schneidet er bei der Ermittlung KI-bezogener Forschung auf Veröffentlichungsebene am besten ab und kann durch neue Expertenlabels aktualisiert werden. Andere Methoden hätten laut Bericht zwar ebenfalls analytischen Nutzen, erfassten jedoch weniger der analytisch wichtigen KI/ML-Konferenzpublikationen und machten deutlich mehr Fehler bei den auf arXiv verfügbaren STEM-Preprints.
Für chinesischsprachige Veröffentlichungen weist der Bericht eine wichtige Einschränkung aus: Die Leistung einer chinesischen Stichwortsuche auf chinesischen Texten sei nicht direkt untersucht worden. Die Ergebnisse der englischsprachigen Stichwortsuche ließen nach Einschätzung der Autorinnen und Autoren jedoch erkennen, dass Suchtreffer sorgfältig manuell geprüft werden sollten. Für sprachübergreifende Analysen empfehlen sie deshalb, englische Texte mit dem arXiv-Klassifikator und chinesische Texte mit einer Stichwortsuche auszuwerten. Dabei räumen sie der erwarteten Leistungsfähigkeit Vorrang vor einer einheitlichen Methode ein.
Der Auszug zeigt weder die zugrunde liegenden Messwerte noch die Details der Abbildungen oder die vollständige Begründung der Empfehlungen. Die Aussagen zu Leistung und Fehlern sind daher hier als im Bericht dargestellte Ergebnisse wiedergegeben, nicht unabhängig überprüfbar.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 46 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 49 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 46 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug