超越内容：作者网络中心性如何驱动顶级 AI 会议的引用差异
数字图书馆
2025-12-29 v1 社会与信息网络
摘要
尽管学术引用对评估学术影响力至关重要，但它们往往反映了研究质量之外的系统性偏差。本研究考察了引用差异的一个关键但尚未充分探索的驱动因素：作者在科学合作网络中的结构位置。通过对 2005 年至 2024 年间发表在三个顶级机器学习会议 (NeurIPS, ICML, ICLR) 上的 17,942 篇论文进行大规模分析，我们量化了作者中心性对引用的影响。在方法论上，我们采用 beta 回归对引用百分位进行建模，恰当地考虑了引用数据的有界性，从而推动了该领域的发展。我们还提出了一种新颖的中心性指标，即带有时间和协作计数衰减的调和接近度 (HCTCD)，该指标纳入了时间衰减和协作强度。我们的结果稳健地表明，长期中心性对引用百分位的影响显著强于短期指标，其中接近度中心性和 HCTCD 是最有效的预测因子。重要的是，团队层面的中心性聚合，特别是通过指数加权的求和，比传统的基于排名的方法更有效地解释了引用方差，突显了集体网络连通性优于个人声望的首要地位。将中心性特征纳入机器学习模型可使预测误差 (MSE) 降低 2.4% 至 4.8%，证实了其超越基于内容基准的价值。这些发现挑战了根深蒂固的评估范式，并提倡采用具有网络意识的评估框架，以缓解科学认可中的结构性不平等。
引用
@article{arxiv.2512.21832,
title = {Beyond Content: How Author Network Centrality Drives Citation Disparities in Top AI Conferences},
author = {Renlong Jie and Longfeng Zhao and Chen Chu and Danyang Jia and Zhen Wang},
journal= {arXiv preprint arXiv:2512.21832},
year = {2025}
}