Modeling Tripartite Hyperevents in Scientific Collaboration Networks

यहाँ शोध पत्र "Modeling Tripartite Hyperevents in Scientific Collaboration Networks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वैज्ञानिक सहयोग का विश्लेषण पारंपरिक रूप से एक-आयामी नेटवर्क (one-mode networks) (जैसे सह-लेखकता, उद्धरण, या कीवर्ड सह-उपस्थिति नेटवर्क) या एक-आयामी संरचनाओं पर प्रक्षेपित द्विपक्षीय/बहुपक्षीय (bipartite/multipartite) नेटवर्क का उपयोग करके किया जाता है। लेखक मौजूदा दृष्टिकोणों में तीन महत्वपूर्ण सीमाओं की पहचान करते हैं:

1. मल्टीकास्ट प्रकृति का नुकसान (Loss of Multicast Nature): मानक द्वैत (pairwise) विश्लेषण वैज्ञानिक उत्पादन की अंतर्निहित "मल्टीकास्ट" प्रकृति को पकड़ने में विफल रहते हैं, जहाँ एक एकल घटना (एक शोध पत्र) एक साथ कई लेखकों, संदर्भों और कीवर्ड्स को जोड़ती है। प्रक्षेपण (projections) अक्सर झूठे पारगमन संबंधों (false transitive ties) को बना देते हैं (उदाहरण के लिए, यह मान लेना कि दो लेखक इसलिए जुड़े हुए हैं क्योंकि उन्होंने एक तीसरा साझा किया, जबकि वे केवल एक विशिष्ट पेपर के सह-लेखक थे)।
2. विच्छिन्न विश्लेषण (Disjoint Analysis): सह-लेखकता, उद्धरण और कीवर्ड का अलग-अलग विश्लेषण उनकी परस्पर निर्भरताओं (interdependencies) की उपेक्षा करता है। वास्तव में, लेखकों को उनके उद्धरणों और कीवर्ड्स द्वारा परिभाषित किया जाता है; कीवर्ड्स उन लेखकों और शोध पत्रों से अर्थ प्राप्त करते हैं जो उनका उपयोग करते हैं; और शोध पत्र अपनी वैचारिक रूपरेखा के माध्यम से महत्व प्राप्त करते हैं।
3. स्केलेबिलिटी और सूक्ष्मता (Scalability and Granularity): बहुपक्षीय नेटवर्क के लिए मौजूदा विधियाँ समकालीन डेटासेट (जैसे, लाखों प्रकाशनों) के आकार और सूक्ष्मता तक नहीं पहुँच पाती हैं, जबकि वे सामूहिक उत्पादन के चालकों के बारे में कई प्रतिस्पर्धी परिकल्पनाओं के परीक्षण की अनुमति भी नहीं देती हैं।

यह शोध पत्र अलग-अलग नेटवर्क के विश्लेषण से हटकर त्रिपक्षीय हाइपरइवेंट्स (Tripartite Hyperevents) को मॉडल करने का प्रस्ताव देता है, जहाँ एक एकल वैज्ञानिक प्रकाशन को तीन अलग-अलग इकाई सेटों: लेखक (Authors), संदर्भ (References), और कीवर्ड्स (Keywords) को जोड़ने वाले एक उच्च-क्रम (higher-order) इंटरैक्शन के रूप में माना जाता है।

2. कार्यप्रणाली (Methodology)

लेखक गतिशील त्रिपक्षीय हाइपरग्राफ को संभालने के लिए रिलेशनल हाइपरइवेंट मॉडल्स (RHEM) का विस्तार करते हैं।

अ. सैद्धांतिक ढांचा: त्रिपक्षीय हाइपरइवेंट्स (Theoretical Framework: Tripartite Hyperevents)

एक वैज्ञानिक प्रकाशन को समय $t$ पर एक हाइपरइवेंट $e$ के रूप में मॉडल किया जाता है, जिसे टुपल $(t, I, J, W)$ के रूप में परिभाषित किया गया है, जहाँ:

• $I$: लेखकों का एक सेट है।
• $J$: उद्धृत संदर्भों का एक सेट है।
• $W$: कीवर्ड्स का एक सेट है।
  यह संरचना एक हाइपरग्राफ $H(t) = (I, J, W, t)$ बनाती है, जो सेटों के भीतर (जैसे, सह-लेखकता) और सेटों के बीच (जैसे, लेखक द्वारा संदर्भ उद्धृत करना) संबंधों को कैप्चर करती है।

ब. सांख्यिकीय मॉडल: विस्तारित RHEM (Statistical Model: Extended RHEM)

मॉडल समय $t$ पर एक हाइपरइवेंट होने की हज़ार्ड दर (तीव्रता) $\lambda(t, e)$ का अनुमान लगाता, जो पिछले घटनाओं के इतिहास पर आधारित होती है। दर को इस प्रकार परिभाषित किया गया है:
$$\lambda(t, e) = \lambda_0(t) \cdot \exp\left(\sum \beta_i x_i(t, e)\right)$$
जहाँ $x_i$ नेटवर्क सांख्यिकी को दर्शाने वाले कोवेरिएट्स हैं और $\beta$ पैरामीटर हैं।

लेखक जटिल निर्भरताओं को पकड़ने के लिए दो प्रमुख श्रेणियों के सांख्यिकी पेश करते हैं:

1. क्लोजर सांख्यिकी (Closure Statistics - त्रिपक्षीय और क्रॉस-टाइप)
क्लोजर यह मापता है कि नोड्स एक साझा मध्यवर्ती के माध्यम से क्लोज्ड ट्रायड्स बनाने की कितनी प्रवृत्ति रखते हैं। लेखक दो एंडपॉइंट्स ($v_1, v_3$) के प्रकारों और मध्यवर्ती ($v_2$) के आधार पर क्लोजर प्रभावों का एक व्यवस्थित वर्गीकरण परिभाषित करते हैं।

• उदाहरण:
  • लेखक-कीवर्ड-लेखक: दो लेखक जिन्होंने अतीत में एक विशिष्ट कीवर्ड का स्वतंत्र रूप से उपयोग किया था, बाद में सहयोग करते हैं (सिमेंटिक क्लोजर)।
  • लेखक-संदर्भ-संदर्भ: एक लेखक एक नए संदर्भ को उद्धृत करता है क्योंकि उन्होंने पहले एक ऐसे संदर्भ को उद्धृत किया था जो उस नए संदर्भ के साथ सह-उद्धृत (co-cited) है।
  • त्रिपक्षीय क्लोजर (Tripartite Closures): ऐसी प्रक्रियाएं जैसे कीवर्ड-लेखक-संदर्भ, जहाँ एक लेखक एक कीवर्ड और एक संदर्भ को जोड़ता है जो अतीत में अलग-अलग दिखाई दिए थे, अब उन्हें एक नए इवेंट में मिलाता है।
• महत्व: ये सांख्यिकी इस बात का परीक्षण करती हैं कि क्या सामाजिक संबंध, ज्ञान की विरासत, या विषयगत समानता नए सहयोगों के निर्माण को प्रेरित करती है।

2. ज्यामितीय रूप से भारित उपसमूह पुनरावृत्ति (Geometrically Weighted Subset Repetition - GWSR)
मानक उपसमूह पुनरावृत्ति सांख्यिकी में पाई जाने वाली मॉडल डिजेनरेसी (degeneracy) और मल्टीकोलिनैरिटी (multicollinearity) की समस्याओं को हल करने के लिए, लेखक GWSR पेश करते हैं।

• हल की गई समस्या: मानक उपसमूह पुनरावृत्ति ओवरलैप आकार के साथ द्विपद गुणांकों (binomial coefficients) का उपयोग करके पिछले आयोजनों को भारित करती है, जो ओवरलैप के आकार के साथ बहुत तेजी से बढ़ते हैं, जिससे संख्यात्मक अस्थिरता (degeneracy) होती है।
• समाधान: GWSR ओवरलैप को भारित करने के लिए ज्यामितीय कार्यों का उपयोग करता है। इसमें ओवरलैप आकार के प्रति संवेदनशीलता को नियंत्रित करने के लिए स्केलिंग पैरामीटर ($\kappa, \lambda$) शामिल हैं।
  • यदि $\kappa > 0$, तो बड़े ओवरलैप को छोटे ओवरलैप की तुलना में काफी अधिक भार दिया जाता है।
  • यदि $\kappa < 0$, तो आयाम (dimension) को अनदेखा कर दिया जाता है (एक-आयामी विश्लेषण की अनुमति देता है)।
• अनुप्रयोग: GWSR को त्रिपक्षीय संरचना के भीतर तीन द्विपक्षीय इंटरैक्शन पर लागू किया जाता है:
  1. लेखक $\to$ संदर्भ (उद्धरण पैटर्न)।
  2. लेखक $\to$ कीवर्ड (विषय निरंतरता)।
  3. कीवर्ड $\to$ संदर्भ (साहित्य में विषयगत निरंतरता)।

स. केस स्टडी और डेटा (Case Study and Data)

• डेटासेट: इतालवी शैक्षणिक सांख्यिकीविद (2014–2024)।
• स्रोत: फजी क्लस्टरिंग और मशीन लर्निंग के माध्यम से लिंक किया गया इतालवी शिक्षा मंत्रालय (MUR) का डेटा, ताकि अद्वितीय लेखक पहचान सुनिश्चित की जा सके।
• चर (Variables): प्रकाशन मेटाडेटा से निकाले गए लेखक, संदर्भ और कीवर्ड।

3. मुख्य योगदान (Key Contributions)

1. पद्धतिगत नवाचार (Methodological Innovation): द्विआयामी या द्विपक्षीय प्रक्षेपणों से आगे बढ़कर, तीन अलग-अलग इकाई प्रकारों के सह-विकास को मॉडल करने के लिए त्रिपक्षीय हाइपरग्राफ पर RHEM का पहला अनुप्रयोग।
2. नए सांख्यिकीय उपकरण: विशेष रूप से पॉलीएडिक (polyadic), मल्टी-टाइप रिलेशनल इवेंट्स के लिए तैयार किए गए त्रिपक्षीय क्लोजर सांख्यिकी और GWSR का विकास। यह क्रॉस-टाइप निर्भरताओं (जैसे, उद्धरण पैटर्न कीवर्ड उपयोग को कैसे प्रभावित करते हैं) के परीक्षण की अनुमति देता है।
3. स्केलेबिलिटी: यह प्रदर्शित करना कि RHEM सूचना के नुकसान (प्रक्षेपण के माध्यम से) के बिना उच्च-आयामी टेम्पोरल नेटवर्क का विश्लेषण करने के लिए पर्याप्त सूक्ष्मता बनाए रखते हुए बड़े पैमाने के डेटा को संभाल सकता है।
4. सैद्धांतिक अंतर्दृष्टि: एक गतिशील सेटिंग में ब्रेगर (Breiger) के द्वैतता (duality) के सिद्धांत का परीक्षण करने के लिए एक ढांचा प्रदान करना, यह दिखाते हुए कि कैसे अभिनेता और समूह सामाजिक, ग्रंथ संबंधी और विषयगत संबंधों के सह-विकास के माध्यम से एक-दूसरे को गठित करते हैं।

4. अनुसंधान प्रश्न और अपेक्षित परिणाम (Research Questions & Expected Results)

शोध पत्र मॉडल तुलना के माध्यम से उत्तर देने के लिए चार प्राथमिक अनुसंधान प्रश्न (RQs) रेखांकित करता है:

• RQ1 (अंतर्संबंध): क्या त्रिपक्षीय प्रभाव (तीसरे नोड प्रकारों को शामिल करते हुए) द्विपक्षीय प्रभावों की तुलना में व्याख्यात्मक शक्ति प्रदान करते हैं? (परिकल्पना: हाँ, सामूहिक उत्पादन सामाजिक, ग्रंथ संबंधी और विषयगत कारकों के जटिल मेल से संचालित होता है)।
• RQ2 (ओमिशन बायस/छोड़ने का पूर्वाग्रह): एक नोड प्रकार (जैसे, कीवर्ड को हटाना) को अनदेखा करने से शेष नेटवर्क की समझ गुणात्मक या मात्रात्मक रूप से बदल जाती है?
• RQ3 (मॉडल फिट और योगदान): "पूर्ण मॉडल" (24 प्रभाव) उप-मॉडलों (9 प्रभाव) की तुलना में कैसा है? कौन सा नोड प्रकार (लेखक, संदर्भ, या कीवर्ड) मॉडल फिट में सबसे अधिक योगदान देता है?
• RQ4 (तंत्र पहचान): कौन सा विशिष्ट रिलेशनल तंत्र (जैसे, एक विशिष्ट प्रकार का क्लोजर या GWSR) वैज्ञानिक सहयोग का सबसे प्रभावशाली चालक है?

नोट: प्रदान किया गया पाठ "परिणाम" (अनुभाग 4) प्रस्तुत होने से पहले समाप्त हो जाता है। इसलिए, विशिष्ट संख्यात्मक निष्कर्ष और सबसे प्रभावशाली तंत्रों की रैंकिंग शामिल नहीं है, हालांकि पद्धति को यह अनुमान लगाने के लिए पूरी तरह से विस्तृत किया गया है कि इन परिणामों को कैसे प्राप्त किया जाएगा।

5. महत्व (Significance)

यह कार्य वैज्ञानिक सहयोग के विश्लेषण में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है। प्रकाशन को त्रिपक्षीय हाइपरइवेंट के रूप में मानकर, लेखक विज्ञान के खंडित दृष्टिकोणों (अलग-अलग सह-लेखकता या उद्धरण नेटवर्क) से हटकर एक समग्र, गतिशील मॉडल की ओर बढ़ते हैं।

• समाजशास्त्रियों के लिए: यह एक कठोर तरीका प्रदान करता है कि कैसे "ज्ञान" (कीवर्ड/संदर्भ) और "सामाजिक संरचना" (लेखक) सह-विकसित होते हैं।
• डेटा वैज्ञानिकों के लिए: यह जटिल, उच्च-आयामी टेम्पोरल नेटवर्क का विश्लेषण करने के लिए एक स्केलेबल सांख्यिकीय ढांचा (GWSR के साथ RHEM) प्रदान करता है।
• नीति/प्रबंधन के लिए: यह नवाचार के मौलिक चालकों की पहचान करने में मदद करता है, जो सामाजिक निकटता द्वारा संचालित सहयोगों और साझा बौद्धिक प्रतिमानों या पद्धतिगत आवश्यकताओं द्वारा संचालित सहयोगों के बीच अंतर करता है।