Aspect-Based Sentiment Evolution and its Correlation with Review Rounds in Multi-Round Peer Reviews: A Deep Learning Approach
本研究采用深度学习方法分析了来自《自然通讯》（Nature Communications）的 11,063 份多轮同行评审报告，揭示出随着评审轮数的增加，正面情绪上升而负面情绪下降，且层面级（aspect-level）情感得分与总评审轮数呈负相关。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，科学同行评审过程并非一场单一、可怕的考试，而是一场漫长的、多阶段的烹饪比赛。你提交你的菜肴（你的研究论文），由一组专家评审团（评审员）进行评判。如果菜肴不够完美，评审员会带着笔记将其退回。你回到厨房，调整配方，然后重新提交。这个循环可能会发生一次、两次，甚至六次，直到这道菜最终被列入菜单。
这篇论文就像是一个巨大的侦探故事，分析了评审员在这些多轮烹饪过程中所写的“笔记”。研究人员想要了解两件事：
- 评审员是在针对或称赞菜肴的哪些具体部分？（是调味？是摆盘？还是食材？）
- 随着厨师不断重新提交菜肴，评审员的情绪是如何变化的？ 他们是变得越来越开心了，还是始终很暴躁？
以下是他们调查的详细分解：
1. 食材：海量的笔记收集
研究人员从一份名为 Nature Communications 的著名科学期刊中收集了大量的真实评审笔记。他们查看了超过 11,000 篇已接收的论文以及附带其中的数千条评论。由于该期刊公开其评审过程（就像向观众展示评审员的评分卡一样），研究人员可以准确看到每篇论文经历了多少“轮”。
2. 分析配方：教计算机读懂言外之意
这些笔记非常杂乱，且充满了特定的科学术语。为了理解它们，研究人员构建了一个“智能机器人”（深度学习模型）来阅读评论。
- 问题所在： 旧的方法就像只是看着一道菜并说：“好”或“坏”。这太笼统了。
- 解决方案： 他们教会了机器人识别细粒度的细节。机器人不再仅仅识别“坏”，而是学会了区分是“实验太弱”、“数据令人困惑”还是“语言很生硬”。
- 优胜者： 他们测试了许多不同的“机器人大脑”。表现最好的模型是一个名为 LCF-BERT-CDM 的模型。它就像一个超级味觉专家，能够专注于正在讨论的具体成分（即“属性”），并判断评审员是喜欢还是讨厌它。它的准确率达到了约 83%，这在处理此类任务时是非常高的。
3. 评审员到底说了什么（研究结果）
一旦机器人读完所有笔记，一些清晰的模式便显现了出来：
- “暴躁”的开场： 在第一轮中，评审员大多持批评态度。他们指出了实验、数据和结果方面的缺陷。负面评论非常多。
- “开心”的结尾： 随着论文进入更多轮次（第 2 轮、第 3 轮等），情绪发生了转变。负面评论的数量下降，正面评论上升。到了最后一轮，评审员主要是在检查一些小细节，如表格、插图和语法。这就像评审员终于说：“好吧，食物很好，只需改进一下摆盘。”
- “决定性因素”： 研究人员发现，如果评审员对特定内容（如实验、研究意义或结果分析）感到不满，论文就更有可能陷入“重新提交”的循环中。这些就是让论文无法快速被接收的“烤焦的面包”问题。
- 相关性： 存在明显的联系：评审意见中的负面情绪越多，论文经历的轮次就越多。如果评审员讨厌核心科学内容，论文就必须经过更多次的“烹饪”（修改）才能被接收。
4. 这为什么很重要（对作者而言）
该论文建议，如果你是一名正在撰写论文的科学家，你不应该只是听天由命。你应该格外关注那些“决定性因素”类的食材。
- 如果你的实验或数据分析不扎实，你很可能会面临一个漫长、艰苦且充满批评的多轮评审过程。
- 如果你在第一稿中就做好了这些核心部分，你可能会跳过额外的轮次，更快地让你的论文被接收。
这篇论文“没说”什么
需要注意的是，这项研究并未做以下事情：
- 它没有在被拒绝的论文上进行测试（仅针对已接收的论文），因此我们不知道那些“无法修复”的缺陷究竟是什么样的。
- 它没有创造一个能为你自动撰写论文的工具。
- 它并未声称能够预测科学的未来或改变期刊的运作方式；它只是分析了现有的数据以寻找模式。
简而言之： 这篇论文利用先进的 AI 阅读了数千份同行评审笔记，并发现虽然评审员开始时很挑剔，但随着论文的改进，他们会变得越来越开心。然而，如果你搞砸了核心科学内容（实验和数据），你将面临一段漫长且多轮次的挣扎，才能让你的论文得以发表。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。