衡量学术影响力:并非所有引用都相等
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
该论文研究了科学影响力的衡量指标,使用真实学术数据集分析研究者的学术影响力指标 h-index 的提高因素,指出研究者在该主题领域的权威性以及论文发表的期刊是提高 h-index 的关键因素。
Dec, 2014
该研究提出使用加权引用技术来衡量论文的声望,该技术通过考虑引用期刊的影响和引用时间间隔来分配不同的权重,从而捕捉论文的声望;与引用次数所反映的受欢迎程度不同。通过对《信息科学与技术美国协会杂志》1998 至 2007 年发表的论文的声望和受欢迎程度进行比较,我们发现大多数论文的地位相当。
Dec, 2010
本研究提出了一种基于图形和半监督学习的模型 (GraLap),用于测量引用的强度。实验结果表明,该方法相比基线方法在参考文献的强度标记方面取得了显著的提高,可以更好地设计真实世界的应用。
Sep, 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
研究了学术论文引用格局随时间演变的特点,提出了基于 “学术论文固有质量”、“论文引用的时效性”、“早期引用” 和 “早期引用的影响力” 四个因素的学术论文潜力指数模型 (PPI),并通过分析影响论文引用增长的因素,提出了多特征的影响力预测模型,实验证明这两种模型的预测准确性得到了改善。其中,相对于多特征模型,PPI 模型的预测性能更好,且不需要调整参数,因此更好的解释了引用的变化。而多特征模型在平均绝对百分误差和准确性方面表现更好,但它们的预测效果更依赖于参数调整。
Aug, 2020
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