All‐author vs. first‐author co‐citation analysis of the Information Science field using Scopus
Notice bibliographique
Résumé
Abstract Although many studies on the various ways of allocating credit among co‐authors have brought into general recognition that different citation counting methods can result in quite different author rankings, studies on different author co‐citation counting methods are still largely missing. This paper examines whether different co‐citation counting methods produce different results in author co‐citation analysis studies of the intellectual structure of research fields, and if so, in what ways they differ. Our results indicate that, with respect to the major specialties and how they relate to each other, the intellectual structures of the Information Science field identified through author co‐citation analyses based on different co‐citation counting methods are largely equivalent, but when it comes to detailed structure, results differ in a number of ways. In particular, classic first‐author co‐citation analysis appears to better represent the theoretical and methodological aspects of the field whereas all‐author co‐citation analysis favors more recent empirical studies, and picks out some tightly collaborative research groups or projects. We experiment with using meaningful diagonal values in a co‐citation matrix rather than using statistically generated values, and observe favorable results. We also employ a new visualization technique for reporting the results of a classic author co‐citation analysis, using a bipartite graph that represents all the information in the factor matrix of specialties and author loadings as author and factor vertices connected by edges with loadings as similarity‐measure line values, laid out algorithmically in two dimensions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,027 | 0,333 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».