研究论文提供一种基于机械模型的引用动态模式,具有预测科学影响力和潜在政策意义的可靠测量方式。
Jun, 2013
该研究通过分析近 2,000 份自然语言处理领域内的引用来研究作者引用的方式和读者跟随引用的方式,发现作者的引用方式受到话语结构和出版场所的影响,聚焦于前后文而非方法。还证明了如何引用相关工作能够预测一篇论文的引用次数,并且引用角色的变化表明 NLP 领域正在经历一次重大的共识增加。
Sep, 2016
本文介绍了一种基于当前科研影响力的预测作者未来 h 指数的模型,并分析了导致文章对未来 h 指数贡献的因素。研究发现,学术权威和出版场所对预测科研影响力至关重要。
Jun, 2016
比较预印本和已发表论文的引用情况,推断高影响期刊对引用量的因果效应。发现高影响期刊不仅选择引用量更高的文章,同时还提高文章的引用率。研究表明,即使不考虑影响因子,期刊在研究评估中的影响仍然存在,对研究评估实践的改变具有重要影响。
Dec, 2019
研究了个体研究人员的几个主要科学计量学指标的规模依赖性,并探讨了不同引文密度的主题领域之间的差异,结果与研究小组相似,加强了引文密度景观表示中普遍的比例规则的观点。
Mar, 2008
本论文通过对物理学、数学和计算机科学三个领域的引用流进行建模,并通过时间桶签名对这三个领域之间的引用互动进行量化。基于最近提出的中继链接框架的变体,本文提出了数值模型,试图解开这三个领域之间引用链接形成的基本原理。
Sep, 2023
通过分析大约 71.5K 篇论文,系统而实证地研究了引文的广泛时空模式,重点关注了 NLP 领域,发现引用文献的年代多集中在最近 5 年,而且引用多样性呈下降趋势,最近十年高引用论文的引文多样性也较低。
May, 2023
本研究分析了短期网络使用情况对中期引证影响的预测作用,以文章引用计数、Web 阅读次数及 e-print 论文库为研究对象。
Mar, 2005
通过对每篇论文的全文应用无监督可解释的机器学习方法,系统地识别出隐藏的引文,发现对有影响力的发现来说,隐藏的引文数量超过引文计数,不受出版渠道和学科的影响。隐藏的引文数量取决于论文内对该主题讨论的程度,表明对于标准的文献计量分析而言,讨论得越多的发现越不可见。隐藏的引文表明文献计量衡量了一个发现的影响的真实度有限,因此需要从科学文献的全文中提取知识。
Oct, 2023
本研究提出了一种新颖的图神经网络模型 DPPDCC,用于解读学术论文的潜在影响,并区分扩散、一致性和贡献价值。通过对构建的动态异构图中的时态和结构特征进行编码,捕捉知识流动的重要性、比较性和引证 / 被引信息,并利用扩展图对扩散进行本质性提取、预测累积引用情况进行一致性建模。通过施加正交约束以促进每个角度的不同建模并保留贡献的内在价值,我们对基于特定时间点划分数据以模拟真实条件的问题进行了重新定义,验证了 DPPDCC 模型对于先前发表、最新发表和即时发表的论文在不同时期的泛化能力,并进行了进一步的分析以验证其鲁棒性。我们将公开提供我们的数据集和代码。
Nov, 2023