Modèles de transformation Prévoir l'impact du papier Statistiques tirées de titres et de résumés, évalués sur un million d'articles
Une étude publiée le 14 novembre dans Scientific Reports a testé si les modèles Transformer peuvent prédire les mesures d'impact papier à partir de titres et de résumés. Les auteurs, Cameron C. Young et Marc D. Succi, ont ciblé trois mesures : les citations par année, la cote altermétrique et le ratio de citation relatif (RCR) du système iCite des National Institutes of Health des États-Unis.
En utilisant BioBERT comme modèle de base représentatif, l'évaluation finale a porté sur un million d'articles scientifiques et médicaux généraux. Sur l'ensemble de données médicales, BioBERT a atteint un F1 de 0,494, une précision de 0,504 et un MCC de 0,382 pour les citations par année; un F1 de 0,468 et un MCC de 0,354 pour le score altermétrique; et un F1 de 0,516 et un MCC de 0,405 pour le RCR iCite.
Les modèles se sont révélés les plus efficaces pour distinguer les papiers dans les quintiles d'impact les plus hauts et les plus bas, et ils étaient plus faibles sur les quintiles moyens.
Source : GSM · États-Unis (édition en anglais · édition originale en chinois)
Photo: 图：Transformer 模型的整体架构示意图，左侧为编码器、右侧为解码器。来源：Daniel Voigt Godoy (dvgodoy)，Wikimedia Commons，CC BY 4.0。 / Photo: Diagram of the overall Transformer model architecture, encoder on the left and decoder on the right. Source: Daniel Voigt Godoy (dvgodoy), Wikimedia Commons, CC BY 4.0.
