Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
cset1. Februar 2023 · Q005754

Keyword Cascade Plots

cset.georgetown.edu · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt am Beispiel Deep Learning eine Methode vor, die Stichworttreffer Forschungsklustern zuordnet und deren Veröffentlichungsanteile sowie Zitationsbeziehungen über die Zeit visualisiert. Die Auswahl von Suchbegriffen und Clustern ist anpassbar, doch Stichwortsuchen können Arbeiten übersehen; zudem gelten festgelegte Linkfilter, und die Auswertung lässt sich nicht direkt über die Map-of-Science-Oberfläche reproduzieren.

Mittel

Der Bericht beschreibt ein Verfahren, um Forschungsbeziehungen über eine begrenzte Stichwortsuche hinaus zu untersuchen. Am Beispiel Deep Learning werden zunächst Titel und Abstracts nach „deep neural network“ und „convolutional neural network“ durchsucht. Die Treffer werden Forschungsklustern zugeordnet; anschließend wird bestimmt, welcher Anteil der Veröffentlichungen jedes Clusters zum Stichwortkorpus gehört. Für das Beispiel wählen die Autorinnen und Autoren die 20 Cluster mit den höchsten Anteilen.

Für 2010 bis 2021 werden Veröffentlichungszahlen, Stichwortanteile und Zitationsverbindungen zwischen den Clustern erfasst. Verbindungen mit weniger als vier Links pro Jahr sowie Verknüpfungen eines Clusters mit sich selbst werden ausgeblendet. Ein Konzentrationsdiagramm zeigt Anzahl und Anteil der Stichwortpublikationen; das Keyword-Cascade-Diagramm ergänzt Beziehungen durch Referenzen und Zitationen. Laut Bericht ist Cluster 2381 zu adversarialem maschinellem Lernen besonders stark vernetzt; auch CNN Training und Neural Network Pruning werden hervorgehoben.

Die Auswahl von Stichwörtern, Clustern und Grenzwerten ist abhängig vom Analyseziel und kann angepasst werden. Stichwortlisten können relevante Arbeiten übersehen. Die Analyse nutzt zusammengeführte Korpusdaten und lässt sich nicht direkt in der Map-of-Science-Oberfläche reproduzieren; schwächere Verbindungen können zusätzliche manuelle Prüfung erfordern.

Ausführlich lesen

Der Bericht von Autumn Toney und Melissa Flagg stellt eine Methode vor, mit der sich Forschungsgebiete über eine ausgewählte Stichwortsuche hinaus untersuchen lassen. Als Beispiel dient Deep Learning. Die Autorinnen und Autoren weisen darauf hin, dass Stichwortlisten schwer dauerhaft vollständig und relevant zu halten sind: Eine Suche kann deshalb nur einen Teil der einschlägigen Veröffentlichungen erfassen. Ihr Ansatz verknüpft eine Stichwortsuche mit den Forschungsklustern der CSET Map of Science, um verwandte Arbeiten und Beziehungen zwischen Forschungsbereichen sichtbar zu machen.

Das Vorgehen umfasst sechs Schritte. Zunächst werden Titel und Abstracts nach den Phrasen „deep neural network“ und „convolutional neural network“ durchsucht. Veröffentlichungen, die mindestens eine Phrase enthalten, bilden das Stichwortkorpus. Anschließend ordnet man diese Arbeiten Forschungsklustern zu und berechnet, welcher Anteil der Veröffentlichungen in jeder Gruppe zum Stichwortkorpus gehört. Die Cluster werden nach diesem Anteil sortiert. Für das Beispiel wählen die Autorinnen und Autoren die 20 Cluster mit den höchsten Werten; grundsätzlich sind aber auch eine feste andere Clusterzahl, ein Schwellenwert oder andere Auswahlkriterien denkbar.

Im nächsten Schritt werden für die Jahre 2010 bis 2021 Daten zu Veröffentlichungszahlen, Stichwortanteilen und Zitationsverbindungen zwischen den ausgewählten Clustern ermittelt. Die Auswertung blendet Verbindungen aus, wenn es für das jeweilige Jahr weniger als vier gibt, und schließt Verknüpfungen eines Clusters mit sich selbst aus. Danach zeigt ein Konzentrationsdiagramm die Zahl der Veröffentlichungen und den jährlichen Anteil der Stichwortarbeiten pro Cluster: Die Knotengröße steht für die Gesamtzahl der Veröffentlichungen, die Farbe für den Stichwortanteil. Das abschließende „Keyword Cascade Plot“ ergänzt Verweise und Zitationen zwischen Clustern und Jahren.

Laut Bericht zeigt das Beispiel unter anderem, dass Cluster 2381 zu adversarialem maschinellem Lernen über die Zeit gewachsen ist und einen ungefähr konstanten Anteil an Veröffentlichungen mit den gesuchten Stichwörtern aufweist. Im Kaskadendiagramm gehört es neben CNN Training und Neural Network Pruning zu den stark vernetzten relevanten Clustern. Der Bericht nennt außerdem Cluster 3568 zu Fehlerdiagnostik als Cluster mit besonders hoher Konzentration von Stichwortveröffentlichungen und Cluster 1621 als Gruppe mit besonders hohem Stichwortanteil. Die Darstellungen sollen Analysierenden helfen, je nach Fragestellung etwa Grundlagenforschung, Weiterentwicklungen oder konkrete Anwendungen zu finden und über die unmittelbar per Stichwort erfassten Arbeiten hinauszugehen.

Die Auswahl von Stichwörtern, Clustern und Grenzwerten hängt vom Analyseziel ab; die Autorinnen und Autoren beschreiben die Wahl der Clusterzahl ausdrücklich als iterierbar. Eine Suche nach schwächeren Verbindungen ist möglich, kann aber zusätzliche manuelle Prüfung erfordern. Die gezeigte Analyse beruht auf dem zugrunde liegenden zusammengeführten Literaturkorpus und lässt sich laut Bericht nicht direkt über die Oberfläche der Map of Science reproduzieren. Der Korpus vereint mehrere Literaturquellen, darunter Dimensions, Web of Science, Microsoft Academic Graph, CNKI, arXiv und Papers With Code. Für eine spätere Datenausgabe kündigt der Bericht weitere Beispiele und eine vertiefte Untersuchung von Verweis- und Zitationsbeziehungen an.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Bewertung stützt sich nur auf den Bericht. Die Stufen der Einordnung sind eigene Einschätzungen, weil für die Sammelfragen keine Stufen der Vorprüfung vorliegen. Die beiden Zusammenfassungen von Luna wurden gemeinsam bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • In der Kurzfassung fehlt die Auswahl der Top-20-Cluster nach dem Stichwortanteil.
  • In der Kurzfassung fehlt der Zeitraum 2010 bis 2021.
  • In der Kurzfassung fehlt die Unterscheidung zwischen Konzentrationsdiagramm und Keyword-Cascade-Diagramm.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 57 %Hintergrund, keine Belege
    • JEV 38 %gleiches Oberthema, hilft nicht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 72 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →