OpenAlex
PulseAugur coverage of OpenAlex — every cluster mentioning OpenAlex across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
人工智能分类系统重塑对公共管理学术研究的理解
一项发表在arXiv上的新研究探讨了包括人工智能辅助方法在内的不同学术表征系统如何对公共管理（PA）和人工智能在公共管理中的学术研究进行分类。研究发现，五种不同的方法在语料库规模、出版物类型和主题结构方面存在显著差异，这表明算法知识组织正在积极塑造跨学科领域的理解和边界。研究结果强调，人工智能驱动的分类是解释性的，并且会影响学科的演变，因此人类判断在补充人工智能工具方面仍然至关重要。
-
Global Research Space 通过语义搜索可视化1100万篇论文
一个名为 The Global Research Space 的新工具已被开发出来，以帮助研究人员应对快速增长的科学文献。该平台可视化了来自 OpenAlex 和 Arxiv 的约1100万篇论文中的趋势。它使用 SPECTER 2 模型对标题和摘要进行编码，并使用 UMAP 将它们投影到二维地图上进行可视化，同时支持关键词和语义查询。该工具还包括一个分析层，用于对机构、作者和主题进行排名，并增加了跟踪时间变化的功能。
-
生物医学API的Unicode保真度不一致，影响LLM训练数据
最近对四个主要的生物医学文献API——PubMed E-utilities、Crossref、OpenAlex和Semantic Scholar——进行的审计显示，它们处理Unicode字符的方式存在显著不一致。研究发现，PubMed AbstractText字段经常未能保留印刷标点符号，而OpenAlex系统性地丢失了特殊空白字符。虽然数学符号和希腊字母通常得以保留，但这些字符级别的保真度问题直接影响文本挖掘、文献计量学以及生物医学…
-
科学摘要中的军事化语言上升48%，侵蚀可信度
一项对2010-2025年间2140万篇科学论文的分析研究表明，摘要中军事化语言的使用显著增加。这一趋势在2019年后加速，在南方国家（Global South）的摘要中尤为明显，并与全球冲突数据相关。研究发现，科学交流中的这种“战争框架”悖论式地会降低可信度、资助意愿和政策支持，尽管可能增加紧迫感。
-
科学家利用AI模型预测科学概念扩散
研究人员开发了一种预测科学概念扩散的新方法，并以量子计算为例进行了研究。通过分析概念共现网络和引用模式，他们训练模型来预测概念在科学领域内部及跨领域内的传播方式。研究发现，虽然概念的内源性强化难以预测，但外源性扩散和熵具有高度可预测性，其驱动因素包括上游异质性和引用广度。
-
AI模型利用概念网络动力学预测科学突破
研究人员开发了一种新的机器学习模型，通过分析概念网络的演变来预测科学突破。这种可解释的AI方法使用59个特征来预测研究概念之间联系的形成和强度，取得了高精度（ROC-AUC为0.954-0.967）。该模型的预测基于可审计的结构特征，而非不透明的嵌入，与以前的方法相比提高了透明度和准确性。研究人员提出了一个决策架构，将这些预测整合到研究战略和政策中。
-
新的RAG框架增强技术文献推理能力
研究人员开发了TechGraphRAG，一个新颖的、基于代理的检索增强生成（RAG）框架，用于技术文献推理。该系统采用一个13步流程，通过整合查询意图分类、证据评分、带查询重构的代理重试以及外部数据库搜索，超越了传统的RAG。它还利用Neo4j知识图谱来提供关系上下文，并包含用于引用验证和质量评估的自我纠正机制。
-
数千篇生物医学论文中发现AI生成的引文
《柳叶刀》近期发表的一项研究显示，生物医学期刊文章中的AI伪造引文显著增加。研究人员开发了一个AI驱动的系统来分析超过240万篇论文，在2023年至2026年初的2800篇文章中发现了超过4000个伪造的参考文献。这种趋势在综述文章中尤为普遍，可能与LLM幻觉有关，研究期间每篇论文的伪造引文数量增加了12倍以上。
-
新研究质疑人类引文作为AI搜索基准的可靠性
一篇新的研究论文挑战了人类生成的引文列表作为评估文献检索系统可靠性的事实依据。该研究引入了一个“深度研究”管道，与仅使用API的标准搜索相比，显著提高了召回率。研究还发现，与AI排名结果相比，人类引文的相关性较低，并且更偏向于合作者，这表明需要多方面的评估指标。
-
科学基础设施适应AI集成
科学界依赖于一个强大的基础设施来管理研究中的身份、来源和完整性。arXiv、DOI和ORCID等系统对于科学出版和知识传播至关重要。现有的这个框架现在正被改编以支持AI在科学发展中的集成，这类似于GitHub如何被重新用于AI开发。
-
Tomesphere 推出免费平台，提供 300 万篇研究论文
Tomesphere 推出了一个免费平台，用于整理超过 300 万篇研究论文的信息。该平台为每篇论文提供生成的 TLDRs（摘要）、同行评审、代码存储库和语义相似性图。该平台旨在通过默认使用文本向量相似性而非仅引用重叠来提供对研究更全面的视图。
-
研究人员分享关于科学探究真正如何开始的指南
一位研究人员创建了一个演示文稿，旨在揭开科学探究的起点，强调它始于好奇心和理解的愿望，而不是需要高级学位或资金。该演示文稿旨在使科学感觉更容易接近，特别是对于早期职业研究人员。它强调了 Zotero 和 OpenAlex 等工具在研究过程中的作用。
-
AI 公司使用开放科学数据引发合作与私有化之争
AI 公司广泛使用 arXiv、ORCID 和 PubMed 等开放科学基础设施进行研究。这种做法引发了关于这是否代表真正的合作还是科学知识私有化形式的疑问。文章认为，AI 公司的大量数据提取可能不可持续，并可能损害开放科学生态系统。
-
研究人员利用语义分析和合著数据绘制交通研究趋势图
研究人员开发了一种新方法，通过分析语义相似性以及传统的合著网络来识别学术研究中的“幻影合作者”。该方法应用于超过12万篇交通研究论文，发现语义上接近但未直接联系的作者在未来成为实际合著者（coauthors）的可能性显著更高。研究还发现，源自语义分析的主题社群与基于合著的主题社群差异很大，这表明结合两者可以更丰富地理解研究结构。
-
新语料库和指标推动大语言模型在系统文献评价中的应用
两篇新研究论文探讨了大语言模型（LLMs）在系统评价领域的应用。第一篇论文介绍了一个大规模、跨学科的语料库，包含超过30万篇系统评价，旨在改进检索和筛选组件的基准测试。第二篇论文LLM4SCREENLIT提出了评估大语言模型在文献筛选中性能的建议，并提出了一种加权马修斯相关系数（WMCC），以更好地考虑该任务的失衡性质。
-
CiteRadar: 研究人员画像和地理可视化的引文情报平台
研究人员开发了CiteRadar，一个开源平台，旨在分析学术引文并可视化其地理分布。该系统处理一个Google Scholar标识符，生成出版物列表、包含作者元数据的引文论文、排名作者表以及交互式世界地图。CiteRadar通过整合多个数据源并采用新颖的技术进行解析、作者消歧和位置数据提取，解决了现有文献计量工具的局限性。