Buchumschlag

Can LLMs Predict Citation Intent? An Experimental Analysis of In-Context Learning and Fine-Tuning on Open LLMs

Fuente: Zenodo

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Koloveas, Paris, Chatzopoulos, Serafeim, Vergoulis, Thanasis, Tryfonopoulos, Christos
Format:	Recurso digital
Sprache:	Englisch
Veröffentlicht:	Zenodo 2025
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Can LLMs Predict Citation Intent? An Experimental Analysis of In-context Learning and Fine-tuning on Open LLMs
von: Koloveas, Paris, et al.
Veröffentlicht: (2025)

BIP! NDR (NoDoiRefs): A Dataset of Citations From Papers Without DOIs in Computer Science Conferences and Workshops
von: Koloveas, Paris, et al.
Veröffentlicht: (2023)

InsightGUIDE: An Opinionated AI Assistant for Guided Critical Reading of Scientific Literature
von: Koloveas, Paris, et al.
Veröffentlicht: (2025)

Accelerating Scientific Discovery with Multi-Document Summarization of Impact-Ranked Papers
von: Koloveas, Paris, et al.
Veröffentlicht: (2025)

A Template-Driven Platform for Contextualised Researcher Profiles
von: Chatzopoulos, Serafeim, et al.
Veröffentlicht: (2026)

From raw affiliations to organization identifiers
von: Kallipoliti, Myrto, et al.
Veröffentlicht: (2025)

A Virtual Laboratory for Managing Computational Experiments
von: Adamidi, Eleni, et al.
Veröffentlicht: (2025)

A Large-Scale Dataset and Citation Intent Classification in Turkish with LLMs
von: Karaca, Kemal Sami, et al.
Veröffentlicht: (2025)

Supervised Fine-Tuning or In-Context Learning? Evaluating LLMs for Clinical NER
von: Baroian, Andrei
Veröffentlicht: (2025)

Filtering Beats Fine Tuning: A Bayesian Kalman View of In Context Learning in LLMs
von: Kiruluta, Andrew
Veröffentlicht: (2026)

A Feasibility Experiment on the Application of Predictive Coding to Instant Messaging Corpora
von: Schoinas, Thanasis, et al.
Veröffentlicht: (2025)

Teaching LLMs How to Learn with Contextual Fine-Tuning
von: Choi, Younwoo, et al.
Veröffentlicht: (2025)

Prompt, Translate, Fine-Tune, Re-Initialize, or Instruction-Tune? Adapting LLMs for In-Context Learning in Low-Resource Languages
von: Toukmaji, Christopher, et al.
Veröffentlicht: (2025)

SDA: Steering-Driven Distribution Alignment for Open LLMs without Fine-Tuning
von: Xia, Wei, et al.
Veröffentlicht: (2025)

Quantifying Prediction Consistency Under Fine-Tuning Multiplicity in Tabular LLMs
von: Hamman, Faisal, et al.
Veröffentlicht: (2024)

Is One-Shot In-Context Learning Helpful for Data Selection in Task-Specific Fine-Tuning of Multimodal LLMs?
von: An, Xiao, et al.
Veröffentlicht: (2026)

SciPredict: Can LLMs Predict the Outcomes of Scientific Experiments in Natural Sciences?
von: Sehwag, Udari Madhushani, et al.
Veröffentlicht: (2026)

Learning a Zeroth-Order Optimizer for Fine-Tuning LLMs
von: Zhang, Kairun, et al.
Veröffentlicht: (2025)

Learning to Think: Information-Theoretic Reinforcement Fine-Tuning for LLMs
von: Wang, Jingyao, et al.
Veröffentlicht: (2025)

Efficiently Learning at Test-Time: Active Fine-Tuning of LLMs
von: Hübotter, Jonas, et al.
Veröffentlicht: (2024)

LLMs Meet Finance: Fine-Tuning Foundation Models for the Open FinLLM Leaderboard
von: Rao, Varun, et al.
Veröffentlicht: (2025)

NEFMind: Parameter-Efficient Fine-Tuning of Open-Source LLMs for Telecom APIs Automation
von: Khan, Zainab, et al.
Veröffentlicht: (2025)

Towards Understanding Fine-Tuning Mechanisms of LLMs via Circuit Analysis
von: Wang, Xu, et al.
Veröffentlicht: (2025)

Fine-Tuning LLMs for Report Summarization: Analysis on Supervised and Unsupervised Data
von: Rallapalli, Swati, et al.
Veröffentlicht: (2025)

Simplify-This: A Comparative Analysis of Prompt-Based and Fine-Tuned LLMs
von: Cohen, Eilam, et al.
Veröffentlicht: (2026)

Are LLMs Enough for Hyperpartisan, Fake, Polarized and Harmful Content Detection? Evaluating In-Context Learning vs. Fine-Tuning
von: Maggini, Michele Joshua, et al.
Veröffentlicht: (2025)

5G EMF Exposure at 3.6 GHz in Greece Using Data From Frequency‐Selective Monitoring Sensors
von: Serafeim Iakovidis, et al.
Veröffentlicht: (2025)

Optimizing Recommendations using Fine-Tuned LLMs
von: Cheema, Prabhdeep, et al.
Veröffentlicht: (2025)

Thompson Sampling via Fine-Tuning of LLMs
von: Menet, Nicolas, et al.
Veröffentlicht: (2025)

QEFT: Quantization for Efficient Fine-Tuning of LLMs
von: Lee, Changhun, et al.
Veröffentlicht: (2024)

Understanding and Preserving Safety in Fine-Tuned LLMs
von: Zhang, Jiawen, et al.
Veröffentlicht: (2026)

Measuring Intent Comprehension in LLMs
von: Kunievsky, Nadav, et al.
Veröffentlicht: (2025)

Intent Detection in the Age of LLMs
von: Arora, Gaurav, et al.
Veröffentlicht: (2024)

vTune: Verifiable Fine-Tuning for LLMs Through Backdooring
von: Zhang, Eva, et al.
Veröffentlicht: (2024)

Intent Assurance using LLMs guided by Intent Drift
von: Dzeparoska, Kristina, et al.
Veröffentlicht: (2024)

Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning
von: Singh, Navan Preet, et al.
Veröffentlicht: (2026)

Can Pre-training Indicators Reliably Predict Fine-tuning Outcomes of LLMs?
von: Zeng, Hansi, et al.
Veröffentlicht: (2025)

Keeping Code-Aware LLMs Fresh: Full Refresh, In-Context Deltas, and Incremental Fine-Tuning
von: Sharma, Pradeep Kumar, et al.
Veröffentlicht: (2025)

Sculpting Subspaces: Constrained Full Fine-Tuning in LLMs for Continual Learning
von: Nayak, Nikhil Shivakumar, et al.
Veröffentlicht: (2025)

Efficient Differentially Private Fine-Tuning of LLMs via Reinforcement Learning
von: Khadangi, Afshin, et al.
Veröffentlicht: (2025)