Findings详细介绍
有关Findings的官方回答
有关Findings的知乎问答
最近收到很多私信问怎么看Findings和建议,以下是我的个人看法。 因为录用Findings的是得分略低于录用正会的论文,这些论文应该质量都还可以,所以Findings应该会变成一份受人尊敬的NLP论文集;但同时,录用机制又给同行暗示,这些论文从统计上要比正会差一些。所以,我的建议是,如果你认为自己的工作还有较大的改进余地,也不着急抢先发表,可以考虑认真修改后转投后面的AAAI、NAACL或ACL;否则,可以接受在Findings上发表,以腾出更多精力来开展新的研究工作。
中了几篇Findings,所以专门研究了下。 ACL的官方说明:https://2020.emnlp.org/blog/2020-07-30-findings-acl-response 定位:ACL官方认证的论文存档(a.k.a. “ACL archives”),不像http://arxiv.org那样任何人都可以上传。 和主会接受论文的区别:Findings论文不给主会上报告,其它没有清晰定义,就像很难区分口头报告和海报一样。 For the time being, we hope that the differences will emerge organically, similar to the difference between talks and posters at a standard conference, which also lacks a concrete definition. 其实就是review分数低一些。看大家的反馈,这次EMNLP比主会接受论文的下线分数低1~2分。 要想评估含金量,最快的是等list公布后,可以评价下里面的论文质量。真正的评价估计得等3~5年之后了,到时看看这批论文的引用率怎样。 个人认为:1~2分的差距和评审中的随机性相比,几乎可以忽略。因此,含金量还是有保证的。如果不在乎是否一定要在CCF推荐列表中,也是个不错的选择。将精力多用在下一个工作上更值得。
1 、功利的讲一讲,paper肯定是被emnlp承认的,就像其他答主所说,regular和workshop之间。中国标杆CCF估计严格来看是算不了B了,毕竟short paper和Demo paper在正刊里都算不了。 会议论文指“Full paper”或“Regular paper”(正式发表的长文),对于会议上其他形式发表的论文如Short paper、Demo paper、Technical Brief、Summary以及作为伴随会议的Workshop等不计入目录考虑的范围。 2 、从影响力角度讲,在疫情时代,我觉得挂arXiv就算发了,自媒体报道你就算oral了。以今年acl的经验来看,在线会议扩大影响力不太可能了。所以finding和主会可能都不如早点arXiv 3 、对学生来讲,有总比没有强。肯定是对研究的一种肯定。对审稿人来讲,这个极大的缓解了下一个会的压力,终于不用再审一次了。 总之,现在arXiv和leaderboard这么多,好的工作不会被埋没,也同时鼓励了很多新入行的同学。多一个EMNLP finding我觉得是个好东西。
其实EMNLP的官方说明还是挺清楚的。 关于含金量,官方的说法是 expect to be higher for findings than for most workshops。所以定位应该是介于main conference和workshops之间。EMNLP强调findings有着和EMNLP相同的审稿和camera-ready timeline,以及会被发布在ACL anthology,让人觉得和EMNLP有着相当的含金量。但我觉得这些并不是含金量的决定因素。。。。关键还是看收录为findings的论文数量和质量。 至于什么样的工作应该更多考虑findings而不是转投别的conference,官方的说法是:This might be more pertinent if the paper has already been rejected from another publication venue, or if the author needs to fill out their CV, e.g., a PhD student wanting to secure a postdoc or faculty position. Other reasons might be that the importance of the work may diminish with time, and the work needs to be published quickly to have an impact. 这样看来就比如申请PHD或者Faculty,来不及等别的会出结果了,被findings收录肯定是好过没有发表。。。还有就是热门的方向和想法,很可能在转投时候被别人占坑的,快速在findings发表也是一个好的选择。
个人意见:说白了想收你钱,又不想给正式名分。 可以类比刚出来的时候非全日制硕士和全日制硕士,同一张卷子,同一复试线,全日制被刷的可以调剂非全日制。官方强调含金量一样,但是用人单位那边就难说了。因此有的被刷的同学贪图名校的名分就读了非全,有的人不甘心再来就再来一年冲全日制。非全日制含金量主要看你的目标就业单位怎么看,同理,Findings的含金量主要看你的学校、目标单位的评价体系。 当然,除了实际上的含金量,还有面子的问题。你读了北大非全,可以说自己是北大的,但总是底气不足,但起码是北大啊,但还是非全,但起码是北大... 看你怎么权衡了。Findings同理。
Accept = 754 Accept-Findings = 520 Reject = 1840 Accept: 24% Accept+Findings: 41%
EMNLP近两年录取情况
不盲目以SOTA评论文
今年5月份, EMNLP 组委会就专门向审稿人发布了一篇建议公告,指出审稿人应该做什么以及不应该做什么,并特别强调“一篇论文的贡献可以是在效率、泛化能力、可解释性和许多其它的指标上有所进步。任何令人信服的贡献都不应该仅仅因为没有在某些指标上取得最高排名而被拒绝。”
在这里,EMNLP 组委会希望重新强调一些建议/不建议做的事,希望它们能够帮助审稿人和作者。
首先,请评价论文的贡献。此时,你应该用到你在 NLP 领域的专业知识。我们建议你不应该仅仅因为作者在论文中给出的实验结果较好,或者在数学上似乎很复杂就接收论文。这都不是论文构成贡献的充分或必要条件。
同时,我们还建议你不应该仅仅因为有些论文的实验结果没有比目前最佳的工作(SOTA)好就拒掉它们。在之前的 ACL 大会上,一些审稿人过于看重 SOTA 的模型性能,他们给任何没有达到 SOTA 性能的系统都打了低分。
然而,我们的目的是发表真正最好的论文,那么一个具有建设性的问题就是「论文应该在哪些方面最先进?」。正如博文「Peer review in NLP: reject-if-not-SOTA」中所谈到的,一篇论文的贡献可以是在效率、泛化能力、可解释性和许多其它的指标上有所进步。任何令人信服的贡献都不应该仅仅因为没有在某些指标上取得最高的排名而被拒绝。
其次,在阅读论文和撰写审稿意见时,请考虑下面这些重要的因素:
论文提出了什么学术观点,论文的哪些内容对这些观点起了什么支撑作用?如果论文提出了观点 X 并取得了一定的性能提升,那么这种性能提升是否真的是由 X 带来的?
审稿意见要详细具体。例如,如果你认为作者忽略了一些需要引用的关键论文,请在你的审稿意见中将这些参考文献列出来。引用这些文献可能对你来说是显而易见的,但是作者往往并不这么清楚。详细的审稿意见可以帮助作者制定一份有力的针对审稿意见的应对方案,并在他们的论文中解决这些问题。值得注意的是,作者并不一定要引用或对比同时期的其它工作(即在论文提交三个月内出现的其它文献),特别是在这些论文没有在经过同行评审的平台上发表的情况下。
请提出具有建设性的建议。指出论文在哪些方面做得不好,可能在评审时起到把关性的作用(给出拒稿的理由),但是这样做对作者的帮助就没有那么大了。给出一些关于作者可以如何改进这些存在问题的方面的建议,则可以让他们把工作做得更好。
即使在批评的时候,也请注意使用友善的语言。审稿人可能会很容易变得有些激动,写出一些你永远不会当着别人的面说的不礼貌的话。请尽量在你的审稿意见中保持礼貌。最后需要注意的是,现在越来越多的作者会在社交媒体上公开评审意见(尤其是当这些评审意见以不切实际的理由拒掉这些论文时)。
因此,我们建议审稿人不应该基于下面的原因拒掉一篇论文:
论文的语言或写作风格。请重点关注论文的实质性内容。我们理解,有时论文的语言或写作风格很差,以至于审稿人无法弄懂论文的内容和实质。在这种情况下,拒稿是可以的,但你只有在努力弄懂这篇论文后才能这么做。
论文的研究工作针对的语言不是英语。我们关注的是针对任何语言的自然语言处理。
论文的实验结果并不比 SOTA 的工作好。请根据上文和「Peer review in NLP: reject-if-not-SOTA」(https://hackingsemantics.xyz/2020/reviewing-models/)中给出的建议,查看论文的贡献和发现。
论文没有使用某类特定的方法(例如,深度学习)。好的工作并不要求一定要使用某种特定的方法。请说明为什么需要这种方法。想想这篇论文的贡献是什么,请牢记:使用多种方法并不是一件坏事。
论文的方法过于简单。我们的目的是不要设计出最为复杂的方法。在这里,请再想想论文的贡献和发现是什么。通常,使用最简单的方法完成的论文的引用量是最多的。如果某种简单的方法比以前的工作中更复杂的方法性能更好,那么这通常是一个重要的发现。
论文的主题范围较窄或者过时。请保持开放的心态。我们并不希望整个研究社区都争相研究同一个火热的话题。请关注论文的贡献,想想它对我们的研究社区有何影响。
如果论文的主题是全新的,这样一来我们就没有现有的对比工作,或者所有现有的工作都是在另外的领域完成的。我们需要对涉足新领域的论文保持兴趣。论
论文介绍的是研究资源。在像 NLP 这样依赖于有监督机器学习的领域中,数据集的开发与建模工作同等重要。博文「Peer review in NLP: resource papers」(https://hackingsemantics.xyz/2020/reviewing-data/)讨论了接收/驳回一篇描述研究资源的论文的原则,大家可参考。
在AI科技评论9月11日推文“《柏拉图与技术呆子》:探讨人类与技术的创造性伙伴关系”留言区留言,谈一谈你对本书的相关看法、期待等。
AI 科技评论将会在留言区选出5名读者,每人送出《柏拉图与技术呆子》一本。
活动规则:
1. 在留言区留言,留言点赞最高且留言质量较高的前 5 位读者将获得赠书。获得赠书的读者请联系 AI 科技评论客服(aitechreview)。
2. 留言内容和留言质量会有筛选,例如“选我上去”等内容将不会被筛选,亦不会中奖。
3. 本活动时间为2020年9月11日 - 2020年9月18日(23:00),活动推送内仅允许中奖一次。