Se utilizó un artículo científico real (del conjunto de datos de la Copa KDD) con citas conocidas para demostrar cómo el algoritmo podría generar recomendaciones para los investigadores que buscan información en un campo relacionado. La figura muestra las 15 citas principales recomendadas por la métrica. De estas 15 citas previstas, cinco de ellos (marcados con asteriscos) eran citas reales del artículo. En comparación, otros métodos no lograron predecir ninguna de las citas reales. Los segmentos coloreados en las "proporciones de temas" indican la probabilidad de que un artículo pertenezca a un tema específico. Crédito:Annals of Applied Statistics
Un estadístico de NUS ha desarrollado una métrica que tiene en cuenta automáticamente las variaciones de citas en diferentes disciplinas para medir el mérito de investigación de los artículos científicos.
El mérito de investigación (impacto) de los artículos científicos se utiliza con frecuencia como uno de los parámetros para juzgar la calidad de los resultados de la investigación. Suele obtenerse de las citas de trabajos de investigación ya publicados en la revista. Sin embargo, diferentes disciplinas académicas tienen diferentes comportamientos de investigación y prácticas de citación. Por ejemplo, Los artículos de ciertas disciplinas (por ejemplo, matemáticas) generalmente tienen pocas citas, mientras que otros campos (por ejemplo, biología molecular) en comparación promedian más citas. Por eso, una comparación de la calidad de la investigación en diferentes disciplinas basada en el recuento de citas en bruto no reflejaría con precisión el mérito de la investigación.
Profesora Linda TAN del Departamento de Estadística y Probabilidad Aplicada, NUS ha desarrollado una métrica a nivel de artículo, denominada "métrica de visibilidad ajustada por tema", que es capaz de dar cuenta automáticamente de la variación en las actividades de citas entre los diferentes campos de investigación. Calcula esto sin usar clasificaciones de campo existentes etiquetadas para el artículo individual, pero usando una red compleja que contiene atributos que pertenecen al artículo seleccionado. No es necesario que cada artículo pertenezca a un solo campo, sino que puede pertenecer a varios campos con distintos grados. Esto puede proporcionar un mejor indicador para comparar publicaciones científicas individuales en diferentes campos. El equipo de investigación también ha desarrollado un algoritmo computacional eficiente utilizando esta métrica para ayudar a los investigadores académicos con recomendaciones de artículos.
El profesor Tan dijo:"Cuando nuestro método se aplica al conjunto de datos de evaluación comparativa KDD Cup 2003 (competencia de descubrimiento de conocimientos y minería de datos), que tiene aproximadamente 30, 000 artículos de física de alta energía, demostró un mejor rendimiento para las recomendaciones de artículos al ser más preciso al predecir las citas reales de los artículos de prueba, en comparación con otros modelos disponibles ".
