拓宽与深化：通过影响弥散树量化科学论文的影响力
数字图书馆
2019-04-17 v1 社会与信息网络
摘要
尽管引用计数作为评估科学论文影响或作用的度量已有悠久历史，但受该论文启发的后续工作的演化及其通过引文链接的相互作用却很少被探索，以量化该论文如何丰富研究领域的深度与广度。我们提出一种称为影响弥散树（IDT）的新数据结构，以建模后续论文及其通过引文的依赖关系。我们还提出每篇论文的理想IDT概念，并表明一篇理想（高影响力）论文应在纵向与横向上增进领域知识。在充分探索IDT结构性质的基础上，我们导出一组度量，即影响弥散指数（IDI）、归一化影响散度（NID）以量化论文影响力。我们的理论分析表明，理想IDT构型应具有相等的深度与广度（从而最小化NID值）。我们在两种实验设置中确立了NID作为更优影响力度量的优越性。首先，在一个大型真实文献数据集上，我们表明NID作为论文在发表后一定时期内将获得的新引文数量的早期预测器优于原始引用计数。其次，我们表明NID在识别通过其所在同期论文（发表于同一会议/期刊）中获“时间检验奖”认可的高影响力论文方面优于原始引用计数。我们得出结论：为量化论文影响力，除总引文计数外，还应考虑引文论文彼此间的组织方式，以更好理解论文对研究领域的影响。为可复现性，本研究使用的代码与数据集正提供给社区。
引用
@article{arxiv.1904.07579,
title = {Go Wide, Go Deep: Quantifying the Impact of Scientific Papers through Influence Dispersion Trees},
author = {Dattatreya Mohapatra and Abhishek Maiti and Sumit Bhatia and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:1904.07579},
year = {2019}
}
备注
Published at The ACM/IEEE-CS Joint Conference on Digital Libraries (JCDL) 2019