Методика сетевого анализа научных публикаций

Main Article Content

Инна Геннадьевна Ольгина

Аннотация

Актуальность вопросов анализа значимости научных публикаций обусловлена тем, что с появлением интернет-технологий стал возможен сбор данных о сети цитирования публикаций. Между тем, существующий сегодня подход к анализу значимости научных публикаций базируется на библиометрических показателях, учитывающих только количество цитирований. Однако все более широкое применение начинает получать сетевой анализ, применяемый преимущественно в исследованиях социальных сетей. Автором разработана методика, позволяющая осуществить эффективный анализ значимости научных публикаций, которая основана на методах сетевого анализа, альтернативных библиометрическим методам. В качестве критериев оценки значимости научных публикаций, основанных на сетевом анализе, установлены релевантные меры центральности узлов сети цитирования: центральность по степени связности; близости к другим узлам; посредничеству; авторитетности; концентрации. Приведен результат эксперимента, позволивший продемонстрировать адекватность разработанной методики анализа научных публикаций на основе сетевых метрик. В качестве первичных источников данных о публикациях использованы наукометрические базы данных, позволяющие отслеживать цитируемость публикаций и выявлять соответствующие сети цитирования. Применение предложенной методики способствует выявлению важных публикаций в развитии соответствующих научных направлений.

Article Details

Библиографические ссылки

1. Гонашвили А.С. Наукометрические базы данных и работа с ними : науч.-метод. пособие / ун-т при Межпарламент. ассамблее ЕврАзЭС. СПб.: Изд-во ун-та при МПА ЕврАзЭС, 2020. 57 с.
2. H-index. URL: https://en.wikipedia.org/wiki/H-index (дата обращения: 15.04.2023).
3. Impact factor. URL: https://ru.wikipedia.org/wiki/Impact factor (дата обращения: 15.04.2023).
4. Lu Z., Ma Y., Song L. Patent Citation Network Analysis Based on Improved Main Path Analysis: Mapping Key Technology Trajectory // Advances in Artificial Intelligence and Security (ICAIS 2021): Communications in Computer and Information Science. Springer: Cham, 2021. Vol. 1423. P. 158–171. https://doi.org/10.1007/978-3-030-78618-2_13.
5. Wang J., Cheng Q., Lu W. et al. A term function–aware keyword citation network method for science mapping analysis // Information Processing & Management. Vol. 60, no. 4. P. 103405. https://doi.org/10.1016/j.ipm.2023.103405.
6. Ольгина И.Г., Пронин И.В., Абдрахманов А.Н. Построение графовых моделей сети цитирования научных публикаций // Системы управления, информационные технологии и математическое моделирование: материалы II Всерос. науч.-практ. конф. с междунар. участием (Омск, 19–20 мая 2020 г.). Омск: ОмГТУ, 2020. Т. I. С. 118–125.
7. Zhao F., Zhang Y., Lu J. et al. Measuring academic influence using heterogeneous author-citation networks // Scientometrics. 2019. Vol. 118. P. 1119–1140. https://doi.org/10.1016/10.1007/s11192-019-03010-5.
8. Ji P., Jin J., Ke Z. T., L. W. Co-citation and Co-authorship Networks of Statisticians // Journal of Business & Economic Statistics. 2022. Vol. 40, no. 2. P. 469–485. https://doi.org/10.1080/07350015.2021.1978469.
9. Luc P.T., Lan P.X., Le A.N.H., Tran B.T. A Co-Citation and Co-Word Analysis of Social Entrepreneurship Research // Journal of Social Entrepreneurship. 2022. Vol. 13, No. 3. P. 324–339. https://doi.org/10.1080/19420676.2020.1782971.
10. Печников А.А., Чебуков Д.Е. Анализ соавторства в математических журналах Math-Net.Ru // Научный сервис в сети Интернет: тр. XXIV Всерос. науч. конф. (19-22 сент. 2022 г.). М.: ИПМ им. М.В. Келдыша, 2022. С. 190-202. https://doi.org/10.20948/abrau-2022-5.
11. Gómez S. Centrality in Networks: Finding the Most Important Nodes // Business and Consumer Analytics: New Ideas / P. Moscato, N. Jane de Vries. Springer: Cham, 2019. P. 401–433. https://doi.org/10.1007/978-3-030-06222-4_8.
12. Das K., Samanta S., Pa M. Study on centrality measures in social networks: a survey // Social Network Analysis and Mining. 2018. Vol. 8. P. 13. https://doi.org/10.1007/s13278-018-0493-2.
13. Бредихин С.В., Ляпунов В.М., Щербакова Н.Г. Мера важности научной периодики – «центральность по посредничеству» // Проблемы информатики. 2014. №3. C. 53–64.
14. Печников А.А., Чебуков Д.Е. Структура графа цитирования журналов Math-Net.Ru // Научный сервис в сети Интернет: тр. XXIII Всерос. науч. конф. (20–23 сент. 2021 г.). М.: ИПМ им. М.В. Келдыша, 2021. С. 265–278. https://doi.org/10.20948/abrau-2021-2.
15. Ольгина И.Г. Метод определения важных узлов сети цитирования научных публикаций // Вестник компьютерных и информационных технологий. 2021. Т. 18, № 5 (203). С. 3–10. https://doi.org/10.14489/vkit.2021.05.pp.003-010.
16. Freeman L.C. Centrality in social networks conceptual clarification // Social Networks. 1978. No. 31. P. 215–239.
17. Newman M.E.J. Scientific collaboration networks. I. Network construction and fundamental results // Physical Review. 2001. Vol. 64, No. 1. P. 016131. https://doi.org/10.1103/PhysRevE.64.016131.
18. Brandes U. A faster algorithm for betweenness centrality // The Journal of Mathematical Sociology. 2001. Vol. 25, No. 2. P. 163–177.
19. Kleinberg J. Authoritative sources in a hyperlinked environment // Proceedings of the 9th ACM-SIAM Symposium on Discrete Algorithms (SODA 98). 1998. P. 668–677.
20. Leon C., Perez J. Authority Centrality and Hub Centrality as metrics of systemic importance of financial market infrastructures // Borradores de Economia. 2013. Vol. 754. P. 1–25. https://doi.org/10.2139/ssrn.2290271.
21. Бредихин С.В., Ляпунов В.М., Щербакова Н.Г., Юргенсон А.Н. Параметры «центральности» узлов сети цитирования научных статей // Проблемы информатики. 2016. № 1. С. 39–57.
22. Shibata N., Kajikawa Y., Takeda Y. et al. Early detection of innovations from citation networks // International Conference on Industrial Engineering and Engineering Management (Hong Kong, 8–11 December 2009). IEEE, 2009. https://doi.org/10.1109/ieem.2009.5373444.
23. Baglioni M., Geraci F., Pellegrini M., Lastres E. Fast Exact Computation of betweenness Centrality in Social Networks // Advances in Social Networks Analysis and Mining: International Conference 2012 IEEE/ACM (Istanbul, 26–29 August 2012). P. 450–456. https://doi.org/10.1109/ASONAM.2012.79.
24. Farhan M.T., Darwiyanto E., Asror I. Analysis of Hubs and Authorities Centrality Using Probabilistic Affinity Index (PAI) on directed-weighted graph in Social Network Analysis // Journal of Physics: Conference Series. 2019. Vol. 1192. P. 012005. https://doi.org/10.1088/1742-6596/1192/1/012005.
25. Marra A., Antonelli P., Dell’Anna L., Pozzi C. A network analysis using metadata to investigate innovation in clean-tech – Implications for energy policy // Energy Policy. 2015. Vol. 86. P. 17–26.
26. Baronchelli A., Ferrer-i-Cancho R, Pastor-Satorras R., Chater N., Christiansen Morten N. Networks in cognitive science // Trends in cognitive sciences. 2013. Vol. 17. Iss. 7. P. 348–360. https://doi.org/10.1016/j.tics.2013.04.010.
27. Karuza E.A., Thompson-Schill Sh.L., Bassett Danielle S. Local patterns to global architectures: influences of network topology on human learning // Trends in cognitive sciences. 2016. Vol. 20. Iss. 8. P. 629–640. https://doi.org/10.1016/j.tics.2016.06.003.
28. Merseal Hannah M., Beaty Roger E., Kenett Yoed N., Lloyd-Co J., Orjan de Manzano, Norgaard Martin. Representing melodic relationships using network science // Cognition. 2023. Vol. 233. P. 105362. https://doi.org/10.1016/j.cognition.2022.105362.
29. Barabasi A.-L. Scale-free networks: Aa decade and beyond // Science. 2009. Vol. 325. Iss. 5939. P. 412–413.
30. Кошелева Н.Н. Корреляционный анализ и его применение для подсчета ранговой корреляции Спирмена // Актуальные проблемы гуманитарных и естественных наук. 2012. № 5. С. 23–26.
31. Ермолаев О.Ю. Математическая статистика для психологов. М.: Московский психолого-социальный институт: Флинта, 2003. 366 с.


Наиболее читаемые статьи этого автора (авторов)