Уважаемые коллеги, доброго времени суток! Представляем вам американское научное издание Informing Science. Журнал имеет третий квартиль, издается Informing Science Institute, его SJR за 2018 г. равен 0,174, печатный ISSN - 1547-9684, электронный - 1521-4672, предметная область - Библиотековедение и науки об информации. Редактором является Эли Коен, контактные данные - InformingScience@Comcast.net, Eli_Cohen@acm.org, EliCohen@InformingScience.org
Вот так выглядит обложка журнала:
Это международный рецензируемый журнал, публикующий научные статьи, которые дают понимание актуальных проблем в информационных системах и дальнейшем информировании клиентов. Принимаются авторские материалы, которые проливают свет на пути совершенствования процесса информирования, которые могут в дальнейшем применяться в разработке теории и поисковых систем. Читательская аудитория журнала пересекается со многими дисциплинами, поэтому все статьи должны быть понятны неспециалистам. Представленные статьи должны быть связаны с областью эффективного поиска информации.
Пример статьи, название - Ensemble Learning Approach for Clickbait Detection Using Article Headline Features. Заголовок (Abstract):
Aim/Purpose: The aim of this paper is to propose an ensemble learners based classification model for classification clickbaits from genuine article headlines.
Background: Clickbaits are online articles with deliberately designed misleading titles for luring more and more readers to open the intended web page. Clickbaits are used to tempted visitors to click on a particular link either to monetize the landing page or to spread the false news for sensationalization. The presence of clickbaits on any news aggregator portal may lead to an unpleasant experience for readers. Therefore, it is essential to distinguish clickbaits from authentic headlines to mitigate their impact on readers’ perception.
Methodology: A total of one hundred thousand article headlines are collected from news aggregator sites consists of clickbaits and authentic news headlines. The collected data samples are divided into five training sets of balanced and unbalanced data. The natural language processing techniques are used to extract 19 manually selected features from article headlines.
Contribution: Three ensemble learning techniques including bagging, boosting, and random forests are used to design a classifier model for classifying a given headline into the clickbait or non-clickbait. The performances of learners are evaluated using accuracy, precision, recall, and F-measures.
Findings: It is observed that the random forest classifier detects clickbaits better than the other classifiers with an accuracy of 91.16 %, a total precision, recall, and f-measure of 91 %.
Key words: authentic news; clickbaits; ensemble learning; natural language processing; performance measures