Patent “Sightings”: A Comparative Analysis of Patent Citation Search Tools Using Case Studies from the Engineering Literature
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Citation searching is a well-known and widely used technique for locating relevant articles via networks of cited references. Specialized citation databases such as Google Scholar, Scopus, and Web of Science facilitate citation searching by indexing hundreds of millions of references from a vast body of journal and conference literature. In recent years, many other discipline-specific databases have added citation indexing and search tools. Academic researchers also use citation metrics such as the Impact Factor (IF) and h-index in order to assess the value and impact of their publications. The techniques used in citation searching and the calculation of citation metrics can also be applied, with appropriate care, to the patent literature. \nSearching citations in patents and cited patents can retrieve new and relevant information on an infinite number of engineering topics. It can also reveal connections between the journal literature and patents and expose knowledge gaps for further exploration. Universities are increasingly interested in assessing the value and impact of patents awarded to their faculty. A small but growing number of universities led by the University of Maryland and Texas A&M now give credit for patents in faculty tenure and promotion reviews. \nThis paper explores the tools and strategies for searching cited patents and non-patent literature (NPL) references cited in patents using examples from the engineering literature. The author discusses patent citation practices and how citations appear in patent documents and databases. Strategies for searching patent and NPL citations in patents in selected databases are compared and discussed, noting their respective advantages and limitations. The author also explains the potential benefits and pitfalls of applying popular citation metrics to faculty patents and university patent portfolios.
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.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle