Detecting and analyzing missing citations to published scientific entities
Xiamen University（厦门大学）
在学术写作中，正确的引文是积累知识、维护学术诚信的重要手段。然而，正确引用并不是一件容易的事情。对于已发表的科学实体，不断增长的学术出版物和对术语的过度熟悉很容易导致引文缺失。针对这一情况，我们设计了一种基于已发表科学实体与文献中引文共现的引文推荐方法（CRPSE）。实验结果表明，我们的方法在推荐源文件出版的科学实体的有效性。我们进一步对2020年著名计算机科学会议发表的论文中的缺失引文进行了统计分析。在所收集的12,278篇论文中，发现475篇计算机科学和数学的已发表科学实体存在引文缺失。许多没有引用的实体被认为是公认的研究成果。在中位数的基础上，提出这些缺失引用的已发表科学实体的论文是在8年前发表的，这可以被认为是已发表科学实体发展成为一个被广泛接受的概念的时间框架。对于已发表的科学实体，我们呼吁按照学术标准的要求准确和完整地引用其源论文。
2022-10-18 cs.AI cs.CL cs.DL
Originality in scientific titles and abstracts can predict citation count
GESIS – Leibniz Institute for the Social Sciences（GESIS——莱布尼茨社会科学研究所）；Technion - Israel Institute of Technology（以色列理工学院）
本文将发散语义整合（DSI）应用于Web of Science的99,557篇科学标题和摘要，发现DSI在学科间存在显著差异且随时间略升，并与5年后被引次数的对数呈显著正相关（调整后$R^2$为0.13）。
2025-02-03 cs.CL cs.DL
Structural Scaffolds for Citation Intent Classification in Scientific Publications
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
识别科学论文中引用的意图（例如，背景信息、方法的使用、比较结果）对于单个出版物的机器阅读和科学文献的自动分析至关重要。我们提出了结构支架，一个多任务模型，将结构信息的科学论文引用有效分类的引用意图。我们的模型在现有ACL选集数据集（ACL-ARC）上实现了新的最先进水平，F1分数绝对增加了13.3%，而不依赖于现有方法中的外部语言资源或手工设计的特征。此外，我们还引入了一个新的引用意图数据集（SciCite），与现有数据集相比，该数据集的大小超过五倍，涵盖了多个科学领域。我们的代码和数据可在https://github.com/allenai/scicite上获得。
2019-09-30 cs.CL
Enhancing Scientific Papers Summarization with Citation Graph
Fudan University（复旦大学）
以往的科技领域文本摘要研究主要集中在输入文献的内容方面，很少考虑其引文网络。然而，科学论文中充满了不常见的特定领域术语，如果没有相关研究社区的帮助，模型几乎不可能理解其真正含义。本文重新定义了利用引文图进行科技论文文摘的任务，提出了一种基于引文图的文摘模型CGSum。此外，我们构建了一个新的科技论文摘要数据集语义学者网络（SSN），其中包含141K的研究论文在不同的领域和661K的引用关系。整个数据集构成了一个大型的连接引用图。大量的实验表明，我们的模型可以实现有竞争力的性能相比，即使是一个简单的架构的预训练模型。研究结果还表明，引文图对于更好地理解论文内容和生成高质量摘要至关重要。
2021-04-07 cs.CL
Citing Less Critically: LLMs Reshape the Rhetoric and Reach of Scientific Citation
Northeastern University（东北大学）；University at Albany, State University of New York（纽约州立大学奥尔巴尼分校）
该研究通过掩码引用任务对比6种LLM与人类的引用行为，发现LLM引用批判性更低、过度引用热门旧论文、引用社会距离更远的作者，重塑了科学引用的修辞与范围。
2026-09-02 cs.CL cs.CY cs.DL
Scientific Article Summarization Using Citation-Context and Article's Discourse Structure
Georgetown University（乔治城大学）
本文提出了一种基于引文语境和文献语篇模型的科技论文摘要方法。虽然引文以前曾用于生成科学摘要，但它们缺乏引用文章的相关背景，因此不能准确反映文章的内容。我们的方法克服了引文摘要和文章的内容之间的不一致的问题，通过为每个引用提供上下文。我们还利用固有的科学文章的话语来制作更好的摘要。我们表明，我们提出的方法有效地提高了现有的总结方法（超过30%的最佳性能基线的改善）方面的\textsc{Rouge}评分TAC 2014科学总结数据集。虽然我们用于评估的数据集是在生物医学领域，但我们的大多数方法都是通用的，因此适用于其他领域。
2017-04-21 cs.CL cs.IR
BibTeX Citation Errors in Scientific Publishing Agents: Evaluation and Mitigation
University of Pennsylvania（宾夕法尼亚大学）
本文评估并缓解了科学出版代理中BibTeX引用的字段级错误，通过构建包含931篇论文的基准测试，发现模型依赖参数记忆，提出clibib工具提升准确性。
2026-08-11 cs.CL cs.DL
ResearchQA: Benchmarking Citation-Grounded Question-Answering on Scientific Papers
Khoj Inc.（Khoj公司）
该研究引入ResearchQA基准测试，含多领域多类型问答对，用于科学论文基于引用的问答评估。通过特定方法评估八个模型，发现基于引用指标区分度更高，开放权重模型接近最佳封闭模型准确率且延迟更低，还发布了相关资源。
2026-07-14 cs.CL
Contextualizing Citations for Scientific Summarization using Word Embeddings and Domain Knowledge
Georgetown University（乔治城大学）
引文文本有时信息量不大，在某些情况下本身就不准确;它们需要引用论文的适当上下文来反映其确切的贡献。为了解决这个问题，我们提出了一个无监督的模型，使用分布式表示的话，以及领域知识，从参考文献中提取适当的上下文。评估结果表明，我们的模型的有效性显着优于国家的最先进的。我们还展示了如何有效的语境化方法的结果，提高基于引用的科学文章的摘要。
2017-05-23 cs.CL cs.IR
Density, asymmetry and citation dynamics in scientific literature
New York University（纽约大学）；Northwestern University（西北大学）
研究论文与已有研究的语义相似性对引用率的影响，提出密度($ρ$)和不对称性($α$)指标，发现密度能适度提升引用预测效果而不对称性无显著作用，为文档嵌入与科学计量学提供了可扩展框架。
2025-06-29 cs.CL cs.DL cs.SI
Scientific Paper Summarization Using Citation Summary Networks
School of Information（信息学院）；University of Michigan（密歇根大学）；Department of EECS（电气工程与计算机科学系）
快速转移到一个新的研究领域是痛苦的研究人员由于大量的科学文献在每个研究领域。克服这个问题的一个可能的方法是总结一个科学主题。在本文中，我们提出了一个模型，总结一篇文章，它可以进一步用于总结整个主题。我们的模型是基于分析别人的观点的目标文章的贡献和研究的引文摘要网络使用聚类方法。
2008-07-10 cs.CL cs.IR
Neighborhood Contrastive Learning for Scientific Document Representations with Citation Embeddings
DFKI GmbH（德国人工智能研究中心）；University of Göttingen（哥廷根大学）；University of Copenhagen（哥本哈根大学）
通过对比学习目标，可以大大改善学习科学文档表示，其中的挑战在于创建编码所需相似性语义的正训练样本和负训练样本。先前的工作依赖于离散引用关系来生成对比样本。然而，离散引用强制执行硬截止相似性。这与基于相似性的学习是反直觉的，并且忽略了科学论文尽管缺乏直接引用也可以非常相似-这是寻找相关研究的核心问题。相反，我们使用受控的最近邻采样引用图嵌入对比学习。这种控制使我们能够学习连续的相似性，对难以学习的阴性和阳性样本进行采样，并通过控制它们之间的采样裕度来避免阴性和阳性样本之间的冲突。由此产生的方法SciNCL在Sciencore基准测试中优于最先进的方法。此外，我们证明，它可以训练（或调整）模型的样本效率，它可以与最近的训练效率的方法相结合。也许令人惊讶的是，即使是以这种方式训练通用领域的语言模型，其性能也优于在领域内预先训练的基线。
2022-10-19 cs.CL
HLM-Cite: Hybrid Language Model Workflow for Text-based Scientific Citation Prediction
Tsinghua University（清华大学）
本文提出HLM-Cite混合语言模型工作流，通过课程微调嵌入模型粗略检索核心引文，并利用LLM智能体单次推理排序，将引文预测从二元分类提升为区分核心引文、表面引文与非引文，在19个领域实现17.6%的性能提升。
2024-10-10 cs.AI cs.CL cs.DL
CitePrompt: Using Prompts to Identify Citation Intent in Scientific Papers
Indian Association for the Cultivation of Science（印度科学培养协会）；Indian Institute of Information Technology（印度信息技术学院）
本研究提出基于提示学习的CitePrompt框架用于科学论文引用意图分类，仅需少量外部信息即在多个数据集取得优异性能，并首次实现该任务的零样本与少样本设置转换。
2023-05-03 cs.CL
Scientific Paper Extractive Summarization Enhanced by Citation Graphs
Shandong University（山东大学）；Renmin University of China（中国人民大学）；University of Notre Dame（圣母大学）；KAUST（阿卜杜拉国王科技大学）；Ant Group（蚂蚁集团）
在引用图中，相邻的论文节点共享相关的科学术语和主题。因此，该图传达了可以在论文摘要任务中利用的文档级相关性的唯一结构信息，用于探索超出文档内的信息。在这项工作中，我们专注于利用引文图，以提高科学论文摘要在不同的设置。我们首先提出了一个多粒度无监督摘要模型（MUS）作为一个简单的和低成本的解决方案的任务。MUS通过链接预测任务在引用图上微调预训练的编码器模型。然后，考虑到多粒度信息，从相应的文章中提取摘要句子。初步结果表明，即使在一个简单的无监督框架中，引用图也是有帮助的。受此启发，我们接下来提出了一个基于图的监督摘要模型（GSS），以在大规模标记数据可用时实现更准确的任务结果。除了采用链接预测作为辅助任务外，GSS还引入了一个门控语句编码器和一个图信息融合模块，以利用图信息来优化语句表示。在公共基准数据集上的实验表明，MUS和GSS比现有的最先进的模型带来了实质性的改进。
2022-12-08 cs.CL
CiteBench: A benchmark for Scientific Citation Text Generation
Linköping University（林雪平大学）；Technical University of Darmstadt（达姆施塔特工业大学）；IBM Research Europe - Ireland（IBM欧洲研究院-爱尔兰）
针对现有引用文本生成研究任务定义不统一难以系统研究的问题，提出整合多数据集的基准CiteBench，可跨任务与领域标准化评估模型，还探究了基线性能与可迁移性并给出研究指引，代码已开源。
2023-11-03 cs.CL
SCALAR: Scientific Citation-based Live Assessment of Long-context Academic Reasoning
MBZUAI（穆罕默德·本·扎耶德人工智能大学）；LibrAI；Tsinghua University（清华大学）；Alibaba Group（阿里巴巴集团）；The University of Melbourne（墨尔本大学）
SCALAR通过基于学术引用的长上下文推理评估框架，评估模型在学术写作中的推理能力，发现多项选择任务能有效区分模型性能，而填空式引用预测任务更具挑战性。
2026-01-22 cs.CL
EchoReview: Learning Peer Review from the Echoes of Scientific Citations
Harbin Institute of Technology, China（哈尔滨工业大学）；Beijing Institute of Technology, China（北京理工大学）
EchoReview通过引用上下文驱动的数据合成方法，构建了首个大规模跨会议、跨年度的评审数据集，并训练出能提升核心评审维度的自动化评审员。
2026-01-31 cs.AI cs.CL
CiteSum: Citation Text-guided Scientific Extreme Summarization and Domain Adaptation with Limited Supervision
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
科学极端摘要（TLDR）旨在形成科学论文的超短摘要。由于需要大量的人工注释和领域专业知识，以前管理科学TLDR数据集的努力未能扩大规模。在本文中，我们提出了一个简单而有效的方法来自动提取TLDR摘要的科学论文从他们的引文文本。基于所提出的方法，我们创建了一个没有人类注释的新基准CiteSum，它比以前的人类策划数据集SciTLDR大30倍左右。我们对CiteSum进行全面分析，检查其数据特征并建立强大的基线。我们通过使在CiteSum（名为CITES）上预训练的模型适应监督有限的新任务和领域，进一步证明了CiteSum的有用性。对于科学的极端总结，CITES在SciTLDR上的表现优于大多数完全监督的方法，无需任何微调，并且仅用128个例子就获得了最先进的结果。对于新闻极端摘要，CITES在XSum上实现了其基础模型（未在CiteSum上预训练）的显著增益，例如，+7.2 ROUGE-1 zero-shot性能和最先进的Few-Shot性能。对于新闻标题生成，CITES在Gigaword上的无监督和zero-shot方法中表现最好。我们的数据集和代码可以在https://github.com/morningmoni/CiteSum上找到。
2022-10-19 cs.CL
SciLit: A Platform for Joint Scientific Literature Discovery, Summarization and Citation Generation
Institute of Neuroinformatics（神经信息学研究所）；University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
针对科学写作中文献检索、总结与引用耗时的问题，提出集成文献推荐、要点提取与引用生成的SciLit平台，采用两阶段检索系统实现亿级文献高效推荐，配套界面支持抽取式摘要展示与上下文对齐的生成式引用，已上线供使用。
2023-11-06 cs.CL
Abstention vs. Hallucination: Benchmarking LLM Source Attribution for Scientific Citations
AI Institute, USC（南加州大学人工智能学院）；Ohio State University（俄亥俄州立大学）
针对LLM引用幻觉问题，提出REASONS基准（12,723个实例）和AR/HR双指标框架，评估多种归因方法，发现高级RAG降低幻觉率但减少弃权，强调系统需在不确定时适当弃权。
2026-09-17 cs.AI cs.CL cs.IR
Generating Extractive Summaries of Scientific Paradigms
University of Michigan（密歇根大学）；National Research Council Canada（加拿大国家研究委员会）；University of Maryland（马里兰大学）
研究人员和科学家越来越多地发现自己处于必须快速理解大量技术材料的境地。我们的目标是通过使用文献计量学文本挖掘和摘要技术来生成科学文献摘要，从而有效地满足这一需求。我们展示了如何使用引文来生成自动生成的、易于消费的技术摘要。我们首先提出了C-LexRank，一个基于引用的科学论文摘要模型，它采用社区发现并提取显著的信息丰富的句子。接下来，我们进一步扩展我们的实验，以总结一组论文，其中涵盖了相同的科学主题。我们生成提取摘要的一组问答（QA）和依存句法分析（DP）的论文，他们的摘要，他们的引文句子，并表明，引文有独特的信息适合创建一个摘要。
2014-02-04 cs.CL cs.IR
DS@GT ARC at LongEval: Citation Integrity and Factual Grounding in Scientific QA
Georgia Institute of Technology（佐治亚理工学院）
研究在科学问答中传统评估指标与引用完整性的差异，通过Corrective RAG和CiteFix构建纠正管道，对比前沿模型，发现前沿模型答案生成不依赖文档上下文，而纠正管道提升了引用忠实度和答案基础，提出需奖励严格答案基础的评估指标。
2026-07-17 cs.CL cs.IR
