[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,92 +2,265 @@
|
||||
id: wiki-2026-0508-bibliometrics
|
||||
title: Bibliometrics
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-BIBM-001]
|
||||
aliases: [계량서지학, citation analysis, h-index, impact factor, altmetrics, scientometrics]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [auto-reinforced, bibliometrics, h-index, Research-impact, scientific-metrics, Big-Data]
|
||||
source_trust_level: B
|
||||
confidence_score: 0.88
|
||||
verification_status: applied
|
||||
tags: [bibliometrics, citation, h-index, impact-factor, altmetrics, semantic-scholar, openalex, science-of-science]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: Semantic Scholar API / OpenAlex / Scopus
|
||||
---
|
||||
|
||||
# [[Bibliometrics|Bibliometrics]]
|
||||
# Bibliometrics
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "지식의 영향력 계측: 논문의 인용 횟수, 저널의 영향력 지수 등을 수치화하여 어떤 연구가 학계와 사회에 실질적으로 기여하고 있는지를 데이터로 증명하는 지식의 경제학."
|
||||
## 📌 한 줄 통찰
|
||||
> **"매 knowledge 의 economics"**. 매 citation count + h-index + impact factor 의 quantify. 매 modern: 매 altmetrics + arXiv 의 real-time. 매 Goodhart trap — 매 metric 의 game (citation cartel).
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
계량서지학(Bibliometrics)은 수학 및 통계적 방법을 적용하여 서적 및 기타 매체의 패턴을 분석하는 학문입니다.
|
||||
## 📖 핵심
|
||||
|
||||
1. **주요 지표**:
|
||||
* **Citation Count**: 얼마나 자주 인용되는가? (영향력의 직접 증거)
|
||||
* **H-index**: 생산성과 인용도를 동시에 나타내는 지수.
|
||||
* **Impact Factor (IF)**: 특정 학술지의 연평균 인용 횟수.
|
||||
2. **핵심 용도**:
|
||||
* 연구비 할당, 교수 임용, 국가별 과학 기술력 비교의 객관적 근거로 활용됨.
|
||||
* 지식의 흐름과 융합(Interdisciplinary) 현상을 시각화함.
|
||||
### 매 indicator
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 '양적 팽창' 정책에 주목했으나, 현대 정책은 '인용의 질'과 소셜 미디어 언급도(Altmetrics)까지 포함하는 '입체적 영향력 평가 정책'으로 진화함(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 연구 가속화 정책에서, 논문이 출판되기 전 아카이브(arXiv)에 공개되는 즉시 커뮤니티 평판을 수집하는 '실시간 지식 가치 평가 정책'이 정식 출판 시스템보다 더 강력한 신호 정책이 됨.
|
||||
#### Citation count
|
||||
- 매 paper 의 cited 횟수.
|
||||
- 매 simple, 매 lag.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Assessment|Assessment]], [[Scientific Communication|Scientific Communication]], [[Knowledge synthesis|Knowledge Synthesis]], [[Big-Data|Big-Data]], [[Ps-Reinforce|Ps-Reinforce]]
|
||||
- **Modern Tech/Tools**: Google Scholar, Scopus, Web of Science, Semantic Scholar API.
|
||||
---
|
||||
#### h-index (Hirsch)
|
||||
- 매 author 의 매 h-index = 매 N 개 paper 가 매 N 회 cited.
|
||||
- 매 productivity + impact 의 결합.
|
||||
- 매 한계: 매 self-citation, 매 field 의 difference.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
#### i10-index
|
||||
- 매 ≥10 cite 의 paper 수.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
#### Impact Factor (IF)
|
||||
- 매 journal 의 매 2-year average citation.
|
||||
- 매 publisher 의 marketing.
|
||||
- 매 individual paper 의 X (variance).
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
#### Eigenfactor
|
||||
- 매 PageRank-like.
|
||||
- 매 quality-weighted.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
#### Altmetrics
|
||||
- 매 Twitter / blog / news mention.
|
||||
- 매 immediate.
|
||||
- 매 attention ≠ 매 quality.
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### 매 modern source
|
||||
- **Google Scholar**: 매 broad, 매 noisy.
|
||||
- **Scopus** (Elsevier): 매 paid.
|
||||
- **Web of Science** (Clarivate): 매 paid.
|
||||
- **Semantic Scholar** (AI2): 매 free, 매 AI-enriched.
|
||||
- **OpenAlex**: 매 open, 매 250M+ paper.
|
||||
- **CrossRef**: 매 DOI registry.
|
||||
- **arXiv**: 매 preprint.
|
||||
- **PubMed**: 매 biomedical.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### 매 modern issue
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
#### Citation cartel
|
||||
- 매 mutual citation.
|
||||
- 매 self-citation 폭발.
|
||||
- 매 retractable.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
#### Field difference
|
||||
- 매 CS vs biology vs literature 의 매 base rate 다름.
|
||||
- 매 normalize 필수.
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
#### Time lag
|
||||
- 매 citation 의 매 5 year 의 mature.
|
||||
- 매 fast field (AI) 의 less applicable.
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
#### Predatory journal
|
||||
- 매 paper mill.
|
||||
- 매 IF 의 fake.
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
#### LLM 의 영향
|
||||
- 매 paper volume 의 explosion.
|
||||
- 매 review 의 saturate.
|
||||
- 매 quality control 의 break.
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### 매 modern alternative
|
||||
- **Open peer review**.
|
||||
- **Replication score**.
|
||||
- **Code/data availability**.
|
||||
- **Twitter / Mastodon discussion**.
|
||||
- **YouTube 의 explainer**.
|
||||
- **Cited by GitHub**.
|
||||
|
||||
### 매 응용
|
||||
1. **Hiring / promotion**: 매 academic.
|
||||
2. **Funding**: 매 grant evaluation.
|
||||
3. **Library**: 매 journal subscription.
|
||||
4. **National R&D**: 매 country comparison.
|
||||
5. **Trend analysis**: 매 emerging topic.
|
||||
6. **Knowledge graph**: 매 citation network.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Semantic Scholar API
|
||||
```python
|
||||
import requests
|
||||
|
||||
def get_paper(doi):
|
||||
r = requests.get(f'https://api.semanticscholar.org/graph/v1/paper/DOI:{doi}',
|
||||
params={'fields': 'title,authors,year,citationCount,influentialCitationCount,references,citations'})
|
||||
return r.json()
|
||||
|
||||
paper = get_paper('10.48550/arXiv.2206.04615')
|
||||
print(f"{paper['title']}: {paper['citationCount']} citations")
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### OpenAlex (open citation data)
|
||||
```python
|
||||
import requests
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def search(query, n=20):
|
||||
r = requests.get('https://api.openalex.org/works',
|
||||
params={'search': query, 'per_page': n,
|
||||
'select': 'id,title,publication_year,cited_by_count,authorships'})
|
||||
return r.json()['results']
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
# 매 author h-index
|
||||
def author_h_index(author_id):
|
||||
r = requests.get(f'https://api.openalex.org/works',
|
||||
params={'filter': f'author.id:{author_id}', 'per_page': 200,
|
||||
'select': 'cited_by_count'})
|
||||
citations = sorted([w['cited_by_count'] for w in r.json()['results']], reverse=True)
|
||||
h = sum(1 for i, c in enumerate(citations) if c >= i + 1)
|
||||
return h
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Citation network (NetworkX)
|
||||
```python
|
||||
import networkx as nx
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
def build_citation_network(seed_paper_id, depth=2):
|
||||
G = nx.DiGraph()
|
||||
queue = [(seed_paper_id, 0)]
|
||||
seen = set()
|
||||
|
||||
while queue:
|
||||
pid, d = queue.pop(0)
|
||||
if pid in seen or d > depth: continue
|
||||
seen.add(pid)
|
||||
paper = get_paper(pid)
|
||||
G.add_node(pid, title=paper['title'], year=paper['year'])
|
||||
|
||||
for ref in paper.get('references', []):
|
||||
G.add_edge(pid, ref['paperId'])
|
||||
queue.append((ref['paperId'], d + 1))
|
||||
|
||||
return G
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
# 매 PageRank 의 influence
|
||||
pageranks = nx.pagerank(G)
|
||||
top_influential = sorted(pageranks.items(), key=lambda x: -x[1])[:10]
|
||||
```
|
||||
|
||||
### Altmetrics
|
||||
```python
|
||||
# 매 Altmetric API
|
||||
import requests
|
||||
|
||||
def altmetric(doi):
|
||||
r = requests.get(f'https://api.altmetric.com/v1/doi/{doi}')
|
||||
if r.status_code != 200: return None
|
||||
data = r.json()
|
||||
return {
|
||||
'score': data.get('score'),
|
||||
'twitter': data.get('cited_by_tweeters_count'),
|
||||
'news': data.get('cited_by_msm_count'),
|
||||
'blog': data.get('cited_by_feeds_count'),
|
||||
}
|
||||
```
|
||||
|
||||
### Field-normalized citation
|
||||
```python
|
||||
def field_normalized_citation_score(paper_citations, field_avg, field_year_avg):
|
||||
"""매 field + year 의 normalize."""
|
||||
expected = field_year_avg
|
||||
return paper_citations / max(expected, 1)
|
||||
|
||||
# 매 RCR (Relative Citation Ratio) — NIH 의 metric
|
||||
```
|
||||
|
||||
### Trend detection
|
||||
```python
|
||||
def emerging_topic(papers_by_year, recent_years=3):
|
||||
"""매 recent 의 acceleration 의 detect."""
|
||||
recent_count = sum(papers_by_year.get(y, 0) for y in range(2024, 2027))
|
||||
older_count = sum(papers_by_year.get(y, 0) for y in range(2020, 2024))
|
||||
|
||||
growth = (recent_count - older_count) / max(older_count, 1)
|
||||
return growth > 1.5 # 매 2.5× growth → 매 emerging
|
||||
```
|
||||
|
||||
### Predatory journal detector
|
||||
```python
|
||||
PREDATORY_INDICATORS = [
|
||||
'fee mentioned upfront',
|
||||
'no peer review',
|
||||
'bogus impact factor',
|
||||
'misleading scope',
|
||||
'spam emails',
|
||||
]
|
||||
|
||||
def assess_journal(journal):
|
||||
score = 0
|
||||
if journal.has_apc and journal.apc < 100: score += 1 # too cheap
|
||||
if journal.peer_review_time < 7: score += 1 # too fast
|
||||
if journal.editorial_board_overlap > 50: score += 1
|
||||
if journal.in_doaj: score -= 2 # whitelist
|
||||
return 'predatory' if score >= 2 else 'legitimate'
|
||||
```
|
||||
|
||||
## 🤔 결정 기준
|
||||
| 사용 | Indicator |
|
||||
|---|---|
|
||||
| Single paper | Citation + altmetric + influential citations |
|
||||
| Author | h-index + i10 + field-normalized |
|
||||
| Journal | Eigenfactor (NOT IF) |
|
||||
| Trend | Year-over-year growth |
|
||||
| Country | Field-normalized + collaboration |
|
||||
| Hiring | Mix + qualitative review |
|
||||
|
||||
**기본값**: OpenAlex / Semantic Scholar (free) + 매 multi-metric + 매 qualitative.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Science-of-Science]] · [[Library-Science]] · [[Knowledge-Management]]
|
||||
- 변형: [[Citation-Analysis]] · [[Altmetrics]] · [[Scientometrics]]
|
||||
- 응용: [[H-Index]] · [[Impact-Factor]] · [[Eigenfactor]] · [[RCR]]
|
||||
- Tool: [[Semantic-Scholar]] · [[OpenAlex]] · [[Scopus]] · [[Web-of-Science]]
|
||||
- Adjacent: [[Citation-Cartel]] · [[Predatory-Journal]] · [[Open-Peer-Review]] · [[Goodharts-Law]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 literature review. 매 trend detection. 매 author / journal evaluation. 매 knowledge graph 구축.
|
||||
**언제 X**: 매 single citation count 의 quality conclusion. 매 cross-field comparison without normalize.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **IF 의 individual paper 적용**: 매 misleading.
|
||||
- **h-index 만**: 매 manipulation.
|
||||
- **No field normalize**: 매 cross-field unfair.
|
||||
- **Self-citation 의 ignore**: 매 inflated.
|
||||
- **Recent paper 의 IF 평가**: 매 lag X.
|
||||
- **Predatory 의 trust**: 매 fake metric.
|
||||
- **Citation 의 quality 의 conflate**: 매 controversial paper 의 high citation.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Hirsch h-index, NIH RCR, San Francisco DORA declaration).
|
||||
- 신뢰도 B.
|
||||
- Related: [[Awards]] · [[Benchmarks]] · [[Goodharts-Law]] · [[Open-Science]].
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — indicator + altmetric + 매 OpenAlex / Semantic Scholar code + predatory detector |
|
||||
|
||||
Reference in New Issue
Block a user