AI for Data
十二分之一的arXiv论文在提交后改了标题——你的索引早已过时
原标题: 十二分之一的arXiv论文在提交后改了标题——你的索引早已过时
📋总体概括
一组研究者基于免费公开的arXiv API，抽取cs.CL、cs.AI、cs.LG、math.CO四个类别、2019/2021/2023/2025四个提交窗口共1,382篇论文，对比v1与当前最新版本，发现7.9%的论文标题在提交后被更改，21.0%更改了摘要；其中仅0.2%属于大小写或标点层面的差异，7.7%为实质性改写，且数据集与脚本已在GitHub开源。这提示依赖arXiv v1或标题做索引、检索、引用统计的系统可能已经过时。
⚡关键信息
- ▸样本覆盖cs.CL、cs.AI、cs.LG、math.CO四类及2019—2025四个提交窗口，共1,382篇论文
🔥犀利点评
这个发现小而锋利：7.9%听上去不多，但学术检索、引用图谱、RAG语料库几乎都默认v1即真相，没人为7.9%的漂移做版本对齐。0.2%的纯格式差异直接击穿了「出版方润色」的借口——是作者自己在改写论文的门面。更讽刺的是，天天喊数据新鲜度的AI行业，喂给模型的学术语料恰恰是最陈旧的。7.7%的实质性标题改写，意味着相当一部分元数据驱动的下游系统在悄悄地错。
📰 相关资讯（与本文相关的其他资讯）
本文由本站自动聚合，以下为原始来源：前往 DevToData 阅读全文 →