EMNLP是真的水，大家有没有觉得，今天看了emnlp2021主会议，实在忍不住吐槽？

发表于 2025-4-9 13:08:27

在计算机的很多领域里，例如computer vision和nlp，执行的原则基本都是差不多的：顶会的录取合格的文章。”合格“在于”选题是不是合理的“，”方法是不是新颖“，”实验是不是完整的“。如果一篇文章合格，就接受它。合格的文章多，就多收文章。这也是为什么顶会一直要求大家”单独判断每一篇文章“。

审稿人是没法判断一篇文章是不是”杰出的“。这需要后续研究者广泛的测试。ResNet、Transformer是通过不断的验证和测试，才成了非常基础的网络结构。Faster-RCNN也是通过不断的验证和测试，才成为了Detection基本的方法。这种例子很多。

我觉得你应该学会尊重每一篇顶会的工作。即便你不喜欢他的方法，你也有很多可以学习的地方。比如：怎么写文章、怎么设计实验、怎么画图表、等等。

如果你认为这种评价系统不合适，那等你成了emnlp、acl的program chair之后，你就可以决定这个会议的走向了。在那之前，我不认为你有啥资格，diss这个领域的选择。

发表于 2025-4-9 13:19:30

我觉得会议好中也不是什么坏事~ 会议对于不同阶段的同学和老师是不一样的。
对于刚入门的同学：会议好中是一个非常好的事情。同学们从不知道怎么收集资料，做实验，写论文，到能在老师/师兄的帮助下完成一个工作。所获得的成就感和正反馈肯定是对同学们未来的科研有着极大的帮助。我还记得我刚投论文的时候，等notification email几乎一夜不怎么睡。相信现在第一次或者第二次投的同学们也是一样，也祝大家未来好运。
对于高年级的同学：刷会议数目可能是在现行体制下大家不得不做的，大家把论文数弄得稍微好看点够毕业，会议好中了也是好消息。我觉得我在前5篇paper录用的时候，每次会议接收的邮件都能让我高兴一星期。
对于资深的老师或者研究员们：应该是个坏消息，因为之前只要你能证明你可以别人不可以就好了，现在大家都可以了。而发的多，也不见得是好事。于是，对大家的要求高了，要做有价值的工作。
---------------------------------------分割线1--------------------
与此同时，现在会议的bar也确实比较低，导致了很多不应该有的问题
学术不端：有越来越多的论文无法复现了，实验数字只靠编。而且更令人啼笑皆非的是，一次编成功了，往往会编第二次。因为既不用做实验，也不用work，再加上丰富的编数字的经验，所以论文数可以指数上涨。这一两年，听了很多奇奇怪怪的故事，相信大家也都有听过或者遇到过类似的。大家可以分享在评论区~
评奖/升职/评职称 Metric老旧：之前在A会难发的时候，通过数数还多多少少能区分大家研究的价值。现在数论文数没有任何意义，但有研究价值的论文来自大陆的可以说是凤毛麟角。（不完全等于有影响力，因为影响力可以靠pr，并且一些有研究价值的工作因为领域等问题可能没有影响力）。不过，研究的价值是非常难以定义的，所以我觉得现在评各种东西的metric的有效性变差了。然而再差的metric也比没有metric好，如果真的没有metric了，只会更加不公平。
---------------------------------------分割线2---------------------
我现在比较爱看arXiv，因为新，而且绝大部分值得看的也会在上面出现。甚至于说现在所有重量级的工作的影响力来自arXiv，中了某个会是那个会议的荣幸。

发表于 2025-4-9 13:31:54

求求别骂了，本人emnlp21有中稿，可以说是既得利益了。可是我有什么办法呢？
本人北美前30的cs系phd，老板在我的phd期间没有给过任何一丁点的帮助，反倒安排了很多TA啊乱七八糟的不能出paper的项目来做。我靠自己修炼的能力，写了文章中了EMNLP，我非常骄傲。我的老板从来不主动提毕业的事，他那边隐隐约约有个bar，大概是4篇顶会。
EMNLP这种会就是救命稻草啊！
我也听了很多talk，对我来说收货很大，我并不觉得水。确实有文章是水货不假，但是如果我发现了感兴趣的东西，还是会好好读一读。
想问问题主，你是谁啊这么牛？

发表于 2025-4-9 13:41:43

看到有人说nlper要到ml三大会议去证明实力。算了吧，纯ml的会议还不是一样的水，一堆公式，然后把模型搞的巨复杂，能落地用起来的有几个？这么多年来估计也就是教科书上的那些模型被广泛应用了，其他的不也都还是水文？再说业界也有共识，现在AI领域数据比算法重要，根据业务处理好数据比折腾算法管用。随着这波行情不断地往后走，业界会越来越清晰的认识到，就目前的技术而言，业务和数据才是最重要的，把业务流程搞清楚，数据整明白，模型什么的不是重点，选个最简单快捷robust就可以了。业界招人的时候，看重的还是码代码的熟练度和解决具体问题的能力（当然不排除大厂为了所谓的bar之类的因素，需要顶会论文这些门槛来筛人，但是进去之后，如果以读论文推公式为傲，在公司的日子绝对不好过。留在学术圈另说）。
还看到有人看不起intuitively, heuristically, experimentally 。这也算了吧，整个AI领域就是工程学科，说白了就是技术，根本就不是科学。对于技术而言，intuitively, heuristically, experimentally很重要。
其实整个AI现在都水得很，ML，CV，Speech，NLP，可能还是门槛低了点，调调包就跑实验，关键还不用担心复现结果。之前还看到个说法，说工业界里发论文最多的学科就是AI了（道听途说，也没看过数据），但也可以说明了目前的AI就是个很明显技术学科。如果是像物理，数学那种严谨的科学学科，看还能这么水么？有多少公司和企业能发数学或者物理的论文？

发表于 2025-4-9 13:51:25

建设性地探讨下这个问题。AI领域从2016年火起来之后，各大会议都有论文投稿和录用逐年双增的现象，不可避免的，由于审稿人规模增大导致的平均水平下降，也导致录用论文的水平出现滑坡。这个时候怎么办呢？我觉得至少从自己开始，做好以下两件事情：
一是认真对待学术服务工作。学术共同体是个自治系统，投稿人和审稿人是同一个学术群体，人人为我，我为人人，我们都有义务共同维护这个社区的风气。应该从自己做起，积极投入这些会议的审稿服务，并且认真对待分配的稿件。
二是重视个人成果的影响力。十年前国内不太能发出顶会论文，能发顶会论文就成为判断水平的标准；现在发顶会论文不稀奇了，那就会看谁的成果更有影响力。这些会议之所以被公认为顶会，是因为推动该领域发展的重要工作大都发表在这里，而非这些会议不发表一般水平的论文。其实大部分论文关注度都不会太高，随着论文数量变多，论文引用的马太效应会更加明显。所以能发顶会论文之后，应该进一步去想如何做有影响力的研究。

EMNLP是真的水，大家有没有觉得，今天看了emnlp2021主会议，实在忍不住吐槽？

本周热门