CausalCite：一种论文引用的因果表述方法
计算与语言
2024-05-29 v3 人工智能
计算机与社会
信息检索
机器学习
摘要
论文的引用次数是科学界评估论文重要性的常用替代指标。然而，引用度量因未能准确反映论文的真实影响而广受批评。为此，我们提出 CausalCite，一种通过评估论文对其后续论文的因果影响来衡量论文重要性的新方法。CausalCite 基于一种新颖的因果推断方法 TextMatch，该方法将传统匹配框架适配于高维文本嵌入。TextMatch 使用来自大语言模型（LLMs）的文本嵌入对每篇论文进行编码，通过余弦相似度提取相似样本，并根据相似度值将相似论文的加权平均合成为反事实样本。我们在多项标准上展示了 CausalCite 的有效性，例如与先前 1K 论文数据集上科学专家所报告的论文影响高度相关、过往论文的（时间检验）奖项，以及其在 AI 各子领域的稳定性。我们还提供了一系列发现，可作为未来研究者使用我们的度量以更好理解论文质量的建议方式。我们的代码可在 https://github.com/causalNLP/causal-cite 获取。
引用
@article{arxiv.2311.02790,
title = {CausalCite: A Causal Formulation of Paper Citations},
author = {Ishan Kumar and Zhijing Jin and Ehsan Mokhtarian and Siyuan Guo and Yuen Chen and Mrinmaya Sachan and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:2311.02790},
year = {2024}
}
备注
ACL 2024 Findings