现有同行评审太慢!PeerXiv新平台:5位审稿人1个月出结果,网友:早该有了

在线体验各类最新模型,更有模型 免费Token 额度领取!
立即体验
简介: 现有同行评审太慢!PeerXiv新平台:5位审稿人1个月出结果,网友:早该有了

PeerXiv!一种全新的学术论文评审方式。


众所周知,等待同行评审的过程是很煎熬的。

自己辛辛苦苦写的论文,又是做实验,又是写报告,精益求精地润色每一句话…… 写完论文已然是一个耗费精力的活,但提交的论文同行评审结果迟迟没有消息,有时自己都会怀疑编辑是不是忘了我的稿件。你唯一能做的就是:等。

到底多长时间才能收到同行评审人和期刊编辑的反馈?据了解至多约为 3 个月(研究表明,同行评审通常平均需要 7 到 12 周),但很多变量会对时长造成影响。

假如现在重新设计同行评审会是什么样子?同行评审是研究社区的基石之一,然而,在社区不断进步和发展的同时,评审过程几乎没有变化。

现在,是时候尝试重新审视同行评审了。

一群研究人员利用业余时间设计和开发了 PeerXiv 平台,通过该平台审稿过程只需一个月。我们先来看下 PeerXiv 审稿结果,一篇论文有 5 个评价指标,评审结果会综合这 5 个指标给出平均分数。我们还能看到 5 位审稿人的打分情况。


地址:https://peerxiv.web.app/dashboard/papers

该平台的研究者包括计算机视觉研究者和爱好者 Elad Richardson、计算机视觉和 ML 研究员 Kfir Goldberg、特拉维夫大学计算机科学专业硕士学生 Yuval Alaluf,以及 Nofar Menashe。


这一平台的推出,收到众多好评,网友不禁感叹:太需要这种平台了,这种利好广大研究者的东西早就该有了,目前的同行评审体制完全是一团糟。


不过也有人提出担忧:这个平台看起来很整洁,同时我也非常担心,我怀疑这个平台的评审结果会不会偏向比较出名的研究者。此外,一旦人们开始花时间审查 PeerXiv 提交的内容,这会不会完全破坏其他出版机构的审查流程?换句话说,具有盲审流程的机构是否允许人们将他们的论文提交给 PeerXiv?


也有网友表示:该平台如何保证提交的论文质量,以及如何让高 H 指数的人利用他们的空闲时间来审查?同行评审低效的部分原因是提交的内容太多,而具有资格进行评审的人太少。

对于大家的疑问,PeerXiv 网站整理了几个大家比较关心的问题,大家可以前往查看。

PeerXiv 评审:快速、透明和奖励

PeerXiv 是一个现代化的同行预印本评审平台。论文作者可以提交他们的预印本,并直接从一组匿名的 PeerXiv 审稿人那里获得反馈。同时,审稿人会根据他们的工作获得声誉分(reputation point)。
PeerXiv 的设计遵循以下三个原则。

首先是快速(Fast)。当前的同行评审过程往往让论文作者苦等数月才能收到反馈。PeerXiv 在论文提交后的一个月时间内就可以为作者提供有用、详细的反馈。

其次是透明(transparent)。创建者认为,论文作者和审稿人理应得到一个可访问、透明的审稿流程视图。PeerXiv 对每篇提交论文的状态以及作者、审稿人和整个系统的统计数据都会提供详细的信息。

与此同时,PeerXiv 不提供接收 / 拒绝分数,而是在多个评价指标的基础上对论文进行清晰的评估。具体地,5 位审稿人被要求按照 5 分制、5 指标的评价系统对每篇论文进行打分,这 5 个评价指标分别如下:

  • 新颖性(Novelty),论文主要贡献的原创和新颖性;
  • 重要性(Significance),论文对研究社区及其他的影响度;
  • 复现性(Reproducibility),复现所提方法和评估的难易度;
  • 验证性(Validation),论文中所提评估和比较的彻底性;
  • 展现性(Presentation),论文动机和思路的展现和组织度。


最后是奖励(Rewarding)。审稿人是每篇论文评审过程的核心,他们的工作理应得到奖励。声誉系统(Reputation System)是 PeerXiv 对审稿人工作给予认可的方式。

PeerXiv 的审稿过程

PeerXiv 审稿过程仅需要一个月,对于论文作者和审稿人都很直观。

论文提交(Paper Submission)

作者可以在 PeerXiv 提交现有预印本以供评审。论文可以随时提交,并将立即被添加到评审池(reviewing pool)中。

论文投标(Paper Bidding)

审稿人标记自己觉得有趣的论文。PeerXiv 还将提供匹配分数(match score),帮助审稿人找到与自己专业知识匹配的论文。在投标之前,审稿人还可以看到自己评审论文所获得的声誉。

论文 Assignment

每周的周二和周三,PeerXiv 平台将尝试将论文与审稿人匹配,并根据他们的专业知识和经验来创建一个多元化委员会。评审通常由 5 位审稿人完成,提供更值得信赖的流程。并且,审稿人整个过程中将匿名进行。

初评审(Initial Reviews)

PeerXiv 的目的不是提供一个简单的接收 / 拒绝分数,而是提供一个基于 5 个评价指标的清晰评估,上文中已经提到,它们分别是新颖性、重要性、复现性、验证性和展现性。

审稿人讨论(Discussion)

在得出初评审之后,审稿人之间将展开讨论,互相听取意见并完善最终评审。初始和最终分数都将呈现给论文作者和公众。

作者回应(Author Response)

审稿人提交最终评分之后,论文作者有机会根据需要对评审意见进行回应。作者回应将与评审意见一块呈现。需要注意,PeerXiv 中没有设置 rebuttals/camera-ready 步骤。PeerXiv 根据提交的预印本进行评审,论文作者可以再次提交新版本。

发表(Publication)

至此,评审过程结束。论文和相应的评审意见将出现在 PeerXiv 的首页上,并显示最终评分。高分论文将由 @peerxiv 自动发表,以提供进一步曝光。

详细流程图如下。

创建者表示,PeerXiv 目前只是一个模拟(mock),展示了他们对同行评审系统的全新愿景。

参考链接:https://peerxiv.web.app/abouthttps://www.reddit.com/r/MachineLearning/comments/uuhy4e/n_introducing_peerxiv_a_modern_platform_for/

相关文章
|
存储 自然语言处理 搜索推荐
ChatGPT 文本Embedding融合Qdrant向量数据库:构建智能问答系统的技术探索
向量数据库结合ChatGPT带来了什么 1. **语义搜索:** 使用向量数据库进行语义搜索,可以更准确地找到与查询相关的信息。ChatGPT可以理解用户的自然语言查询,而向量数据库可以根据语义相似性返回匹配的向量数据。 2. **智能推荐:** 结合ChatGPT的智能理解和向量数据库的相似性搜索,可以实现更智能的推荐系统。系统可以根据用户的历史行为和语境,向用户推荐相似的向量数据,如文章、产品或其他内容。 3. **自然语言处理与向量表示结合:** ChatGPT可以将自然语言转换为向量表示,这样就可以在向量数据库中进行更高效的查询。这种集成使得自然语言处理和向量数据库可以相互补充等
1280 0
ChatGPT 文本Embedding融合Qdrant向量数据库:构建智能问答系统的技术探索
|
机器学习/深度学习 人工智能 自然语言处理
【医学知识图谱构建】基于有监督对比学习的上下位关系预测
背景 & 挑战(Background & Challenge)随着人工智能和医疗行业的蓬勃发展,各种医疗知识库与医疗知识图谱的构建已成为精准医学领域的研究热点。大数据时代,随着医疗系统的信息化发展,医疗领域已经积累了海量的数据。医疗知识图谱所具有的数据集成能力和知识推理能力能够将大量的医疗数据进行有序整合并应用到各类医疗场景中。目前在医疗领域,国外已经构建了一些知识库,比如医学主题
2100 1
【医学知识图谱构建】基于有监督对比学习的上下位关系预测
|
自然语言处理 API Swift
Qwen1.5开源!魔搭最佳实践来啦!
近几个月来,通义千问团队一直在努力探索如何构建一个“好”的模型,同时优化开发者体验。就在刚刚,中国新年前夕,通义千问团队分享了Qwen开源系列的下一个版本,Qwen1.5。
|
7月前
|
数据采集 资源调度 算法
雷达目标航迹跟踪与数据处理
雷达目标航迹跟踪与数据处理
471 3
|
12月前
|
负载均衡 算法 安全
基于Reactor模式的高性能网络库之线程池组件设计篇
EventLoopThreadPool 是 Reactor 模式中实现“一个主线程 + 多个工作线程”的关键组件,用于高效管理多个 EventLoop 并在多核 CPU 上分担高并发 I/O 压力。通过封装 Thread 类和 EventLoopThread,实现线程创建、管理和事件循环的调度,形成线程池结构。每个 EventLoopThread 管理一个子线程与对应的 EventLoop(subloop),主线程(base loop)通过负载均衡算法将任务派发至各 subloop,从而提升系统性能与并发处理能力。
572 3
|
人工智能 边缘计算 自然语言处理
大模型应用实践:2025年智能语音机器人厂商推荐和方案详解
随着数字化转型加速,AI客服机器人市场规模预计2025年突破500亿美元,年复合增长率超25%。其发展由语音交互升级、垂直场景解决方案成熟及多模态融合与边缘计算普及三大趋势驱动。文章分析了智能语音机器人的选型核心维度,包括技术性能、场景适配、数据治理与成本效益,并对比了国内外代表厂商如合力亿捷、Zendesk等的方案特点,为企业提供选型策略与落地建议,助力实现服务模式的根本性变革。
1194 0
|
人工智能 API Docker
智能文档检索和简便集成的开源 AI 问答工具:Danswer
当你使用 Danswer 时,只需以自然的方式提出问题,就像与朋友交谈一样简单,它会自动搜索公司内部的文件和资料,然后给你一个可靠的答案,并附上来源。
|
消息中间件 Java 数据库连接
【C++ 多线程】C++ 多线程环境下的资源管理:深入理解与应用
【C++ 多线程】C++ 多线程环境下的资源管理:深入理解与应用
578 1
|
自然语言处理 监控 数据可视化
艺术与文本的交织:基于Python的jieba和wordcloud库实现华丽词云
艺术与文本的交织:基于Python的jieba和wordcloud库实现华丽词云
522 0
|
SQL 关系型数据库 MySQL
(十六)MySQL调优篇:单机数据库如何在高并发场景下健步如飞?
在当前的IT开发行业中,系统访问量日涨、并发暴增、线上瓶颈等各种性能问题纷涌而至,性能优化成为了现时代中一个炙手可热的名词,无论是在开发、面试过程中,性能优化都是一个常谈常新的话题。而MySQL作为整个系统的后方大本营,由于是基于磁盘的原因,性能瓶颈往往也会随着流量增大而凸显出来。
2135 0