Semantic Alignment, Chronological Distance, and Citation-Network Prominence in Citation Formation: Evidence from Ten Citation Corpora

Resumen Técnico: Alineación Semántica, Distancia Cronológica y Prominencia en la Red de Citación en la Formación de Citas

Planteamiento del Problema
La predicción de enlaces de citación es un problema central en la informetría y la ciencia de redes, sin embargo, su validez metodológica se ve frecuentemente comprometida por la filtración temporal (temporal leakage). Muchos estudios existentes construyen características a partir de grafos de citación estáticos y totalmente agregados, lo que inadvertidamente permite que la información futura (por ejemplo, el recuento final de citas de un artículo o la topología final de la red) influya en las predicciones sobre eventos de citación pasados. Esta "filtración de la topología futura" y otras formas relacionadas de filtración inflan artificialmente el rendimiento predictivo y oscurecen la información históricamente disponible que realmente gobernó el comportamiento de citación. Si bien la filtración temporal es un problema conocido en el aprendizaje automático aplicado, la predicción de citas sigue siendo excepcionalmente vulnerable debido a la frecuente negligencia de las estructuras de distancia cronológica en la construcción de los modelos de referencia (benchmarks).

Metodología
El estudio introduce un marco metodológico fuertemente mitigador de la filtración diseñado para evaluar la formación de citas bajo condiciones temporalmente rigurosas. El núcleo de este enfoque es el grafo con límite temporal ($G_{t_A-1}$), donde todas las cantidades derivadas de la red se computan exclusivamente a partir de la información disponible antes del año de publicación ($t_A$) del artículo que cita.

1. Taxonomía de la Filtración: Los autores formalizan cuatro formas distintas de filtración temporal:
   • Filtración de Citas Futuras: El enlace objetivo existe en el grafo de computación de características.
   • Filtración de la Topología Futura: Las medidas de centralidad o superposición utilizan nodos/aristas que entran en la red en o después de $t_A$.
   • Filtración de Metadatos: Uso de metadatos actualizados retrospectivamente (por ejemplo, Factores de Impacto futuros).
   • Filtración Semántica: Embeddings de texto de modelos preentrenados que pueden codificar implícitamente contextos de citación del futuro.
2. Infraestructura de Datos: El marco se aplica a diez grandes corpora bibliográficos recuperados de Dimensions.ai, que abarcan cinco dominios: Ciencia (Plegamiento de Proteínas, CRISPR), Ingeniería (Fabricación Aditiva, Protección contra la Corrosión), Biomedicina (Neuroblastoma, Osteosarcoma), Ciencias Sociales (Desigualdad de Ingresos, Comportamiento Organizacional) y Humanidades (Estudios de Cine, Estudios de la Memoria). Todos los corpora cubren el periodo 1975–2024.
3. Espacio de Candidatos y Negativos: Para evitar negativos triviales, el estudio emplea negativos con restricciones temporales y tópicas. Para un artículo citante $A$ y un artículo citado verdadero $B$, los candidatos negativos se muestrean de artículos publicados dentro de $\pm3$ años de $B$ y que pertenecen al mismo corpus temático, asegurando que el modelo discrimine entre artículos contemporáneos y tópicamente relevantes.
4. Ingeniería de Características y Descomposición: Las características se agrupan en tres bloques explicativos para una descomposición S-T-N$_{prom}$:
   • S (Semántica): Alineación semántica direccional utilizando embeddings SBERT de títulos y resúmenes.
   • T (Temporal): Brecha de tiempo de citación ($t_A - t_B$).
   • N$_{prom}$ (Prominencia en la Red): Grado de entrada de distancia cronológica y PageRank con límite de año.
5. Modelado y Evaluación: Se utiliza Gradient Boosting como el clasificador primario. La evaluación incluye validación cruzada de 5 pliegues (5-fold cross-validation), pruebas estrictas de retención cronológica (entrenamiento $\le$ 2015, prueba 2016–2020) y experimentos de clasificación top-k (MRR, NDCG@k) para cerrar la brecha entre la discriminación por pares y el realismo de la recuperación.

Resultos Clave

• Rendimiento Predictivo: Bajo condiciones estrictas de mitigación de filtración, Gradient Boosting logra puntuaciones ROC-AUC que oscilan entre 0.530 (Protección contra la Corrosión) y 0.734 (CRISPR). Estas puntuaciones reflejan la dificultad intrínseca de la tarea más que un fallo del modelo, ya que el rendimiento de la retención cronológica es consistente con la validación cruzada.
• Dominancia de la Distancia Cronológica (T): La descomposición revela que la recencia cronológica (T) es el componente explicativo dominante en casi todos los corpora.
  • El $AUC(T)$ por sí solo oscila entre 0.577 y 0.824.
  • La contribución marginal de T más allá de S ($\Delta T$) es positiva en los diez corpora.
• Redundancia de la Alineación Semántica (S): Añadir alineación semántica direccional a un modelo que ya incluye la distancia cronológica reduce el poder predictivo ($\Delta S < 0$) en los diez corpora. En cuatro de los diez corpora, los artículos citados exhibieron una alineación semántica direccional marginalmente menor que los candidatos no citados.
• Contribución Despreciable de la Prominencia (N$_{prom}$): Una vez que se conoce T, la prominencia en la red de citación añade una señal predictiva insignificante ($\Delta N|_{ST} \approx 0$ o negativa en 8/10 corpora). Esto no se debe a la multicolinealidad, ya que T y N$_{prom}$ son mayoritariamente independientes en la mayoría de los conjuntos de datos.
• Citas Semánticamente Sorprendentes: Cuando las citas ocurren a pesar de una débil alineación semántica, tienden a ser temporalmente próximas. No emerge un patrón de prominencia consistente para estos casos, excepto en corpora específicos como Desigualdad de Ingresos, donde la prominencia actúa como el principal separador.

Significancia y Reivindicaciones
El artículo posiciona su contribución principal como metodológica, proporcionando un marco de evaluación riguroso que prioriza la validez histórica sobre la maximización de la precisión. El estudio afirma que:

1. La distancia cronológica es el principal motor de la formación de citas dentro de comunidades académicas estrechamente definidas y basadas en palabras clave, superando la alineación semántica y la prominencia de la red bajo condiciones de control de filtración.
2. La alineación semántica es en gran medida redundante con la recencia cronológica en estos entornos restringidos, ofreciendo poca capacidad discriminativa más allá de la antigüedad del artículo citado.
3. La predicción de citas es fundamentalmente un problema de recuperación que requiere una evaluación más allá de la discriminación por pares; el estudio demuestra que el rendimiento se degrada a medida que aumenta la complejidad del conjunto de candidatos, resaltando los límites de los conjuntos de características actuales en escenarios de recuperación más amplios.
4. Existe heterogeneidad específica de cada dominio: Aunque la dominancia de T es un patrón consistente, existen excepciones (por ejemplo, en Desigualdad de Ingresos, donde la prominencia domina, y en Estudios de la Memoria, donde la alineación semántica contribuye más significativamente), lo que sugiere que la dinámica de citación es específica de cada corpus en lugar de estar gobernada por una ley universal.

Los autores delimitan explícitamente su alcance, reconociendo que los hallazgos son específicos de los corpora definidos por palabras clave y los espacios de candidatos restringidos utilizados. No afirman que estos resultados sean generalizables a la recuperación de todo el corpus o que el contenido semántico sea irrelevante para la formación de citas en contextos más amplios, sino que, dentro de los límites específicos de su marco de mitigación de filtración, el tiempo es el predictor más potente.