Oct, 2023

科学中隐藏的引用削弱真正的影响力

PDF
TL;DR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。
hidden citationsunsupervised interpretable machine learningbibliometric analysisscientific impactknowledge extraction
发现论文，激发创造
  • 量化长期科学影响

    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

  • 衡量学术影响力：并非所有引用都相等

    本文通过创建数据集，采用监督式机器学习，使用四种特征对引文学术影响力进行预测并设计了一种新的基于引文提升的 H 指数，证明其比传统 H 指数更好地衡量研究人员的表现。

    Jan, 2015

  • 科学影响力能够被预测吗？

    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

  • 推断期刊对引用的因果效应

    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

  • 高影响引用

    本研究通过研究论文引用的出版物之间的引证，开发了 “引证投影图” 概念，并探究了引用模式在不同科学领域中的变化以及这种模式如何反映了论文的科学影响力。研究发现，低影响论文具有特有的引用模式，而中等影响论文具有狭窄、学科专注的引用模式。跨学科引用模式既有高风险又有高收益，越来越多的引用网络呈现出跨学科的趋势。

    Apr, 2010

  • 基于深度神经网络学习技术的引用次数预测

    本研究提出了使用神经网络预测论文未来引用次数的新方法，该方法有效地提高了年度和总引用次数的预测准确性。

    Sep, 2018

  • 从短期语言影响预测长期引用

    该研究提出了一种基于语言影响力的新方法来量化文献对后续出版物内容的影响程度，并通过测量高维度的 Hawkes 过程来预测未来引用次数。

    Oct, 2022

  • 通过机器学习在不断演化的知识图上预测高影响力研究主题

    预测从未发表的研究想法的影响力，使用大型知识图谱结合语义网络和引用网络，通过机器学习准确预测未来的网络动态和新研究方向的影响。

    Feb, 2024

  • 推特对引用的影响：揭示社交媒体影响者对人工智能研究可见性的影响

    通过研究社交媒体影响者在提高机器学习研究可视性方面的作用，本文探讨了社交媒体对论文引用次数的影响。研究发现，得到这些影响者认可的论文的引用次数显著增加，中位数引用次数比对照组高 2-3 倍。此外，研究还探讨了受关注作者的地理、性别和机构多样性。这些发现突显了社交媒体在学术交流中的扩大影响，并强调了当今数字学术环境中不断发展的生态系统的重要性。

    Jan, 2024

  • 六十年来具有重要影响力和高引用量的机器学习研究综合研究

    通过对高被引机器学习论文进行综合评析，我们揭示了机器学习领域内最有影响力的论文、高被引作者以及合作网络。我们还发现了热门研究主题和最新受到关注的新兴话题，并对高被引论文的地理分布进行了分析，突显了某些国家在机器学习研究中的主导地位。通过为研究人员、政策制定者和实践者提供关于这一快速发展领域的主要进展和趋势的有价值的见解，我们的研究为它们提供了有价值的洞察。

    Aug, 2023