Group-Based Trajectory Modeling of Citations in Scholarly Literature:\n Dynamic Qualities of "Transient" and "Sticky Knowledge Claims"
Notice bibliographique
Résumé
Group-based Trajectory Modeling (GBTM) is applied to the citation curves of\narticles in six journals and to all citable items in a single field of science\n(Virology, 24 journals), in order to distinguish among the developmental\ntrajectories in subpopulations. Can highly-cited citation patterns be\ndistinguished in an early phase as "fast-breaking" papers? Can "late bloomers"\nor "sleeping beauties" be identified? Most interesting, we find differences\nbetween "sticky knowledge claims" that continue to be cited more than ten years\nafter publication, and "transient knowledge claims" that show a decay pattern\nafter reaching a peak within a few years. Only papers following the trajectory\nof a "sticky knowledge claim" can be expected to have a sustained impact. These\nfindings raise questions about indicators of "excellence" that use aggregated\ncitation rates after two or three years (e.g., impact factors). Because\naggregated citation curves can also be composites of the two patterns,\n5th-order polynomials (with four bending points) are needed to capture citation\ncurves precisely. For the journals under study, the most frequently cited\ngroups were furthermore much smaller than ten percent. Although GBTM has proved\na useful method for investigating differences among citation trajectories, the\nmethodology does not enable us to define a percentage of highly-cited papers\ninductively across different fields and journals. Using multinomial logistic\nregression, we conclude that predictor variables such as journal names, number\nof authors, etc., do not affect the stickiness of knowledge claims in terms of\ncitations, but only the levels of aggregated citations (that are\nfield-specific).\n
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».