💻 computer science

The Reciprocal Impact of Science and Software: A Cross-Corpus Analysis of How Research Shapes Software and Software Enables Research

यह अध्ययन वैज्ञानिक साहित्य और सॉफ़्टवेयर रिपॉजिटरी को जोड़ने वाला एक बड़े पैमाने का क्रॉस-कॉर्पस ग्राफ़ निर्मित करता है ताकि यह प्रकट किया जा सके कि जबकि विज्ञान और सॉफ़्टवेयर प्रभाव के विशिष्ट, पूरक परतों के माध्यम से सह-विकसित होते हैं, वर्तमान मापन विधियाँ अभी भी विरल और पद्धतिगत विकल्पों के प्रति संवेदनशील बनी हुई हैं, जो उनके पारस्परिक प्रभाव के बारे में निर्णायक निष्कर्ष निकालने से रोकती हैं।

मूल लेखक: Audris Mockus

प्रकाशित 2026-07-07

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Audris Mockus

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

वैज्ञानिक खोज की दुनिया की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें। लंबे समय से, इस शहर को दो अलग-अलग जिलों में विभाजित किया गया है जो शायद ही कभी एक-दूसरे से बात करते हैं:

लाइब्रेरी डिस्ट्रिक्ट (पुस्तकालय जिला): यह वह स्थान है जहाँ वैज्ञानिक अपने शोध पत्र (papers) प्रकाशित करते हैं। इसे इस आधार पर मापा जाता है कि कितने लोग किताबें उधार लेते हैं (citations) और लेखकों की प्रसिति कितनी है।
वर्कशॉप डिस्ट्रिक्ट (कार्यशाला जिला): यह वह स्थान है जहाँ वास्तविक उपकरण, कोड और सॉफ्टवेयर बनाए जाते हैं। इसे इस आधार पर मापा जाता है कि कितने लोग GitHub पर किसी प्रोजेक्ट को "स्टार" देते हैं या उसके कितने 'फोर्क्स' (forks) हैं।

समस्या यह है कि इन दोनों जिलों के पास अलग-अलग नक्शे हैं। एक वैज्ञानिक वर्कशॉप में एक क्रांतिकारी उपकरण बना सकता है, लेकिन लाइब्रेरी को इसके बारे में पता ही नहीं चलता। इसके विपरीत, लाइब्रेरी में मौजूद एक प्रसिद्ध पेपर एक छोटे, अदृश्य उपकरण पर निर्भर हो सकता है जिसे कोई कभी उल्लेखित भी नहीं करता।

यह शोध पत्र, ऑड्रिस मॉकस द्वारा, इन दोनों जिलों के बीच एक पुल बनाने की कोशिश करता है ताकि विज्ञान वास्तव में कैसे काम करता है, इसका एक एकल, एकीकृत नक्शा बनाया जा सके। लेखक इसे "साइंस-सॉफ्टवेयर सप्लाई चेन" कहते हैं।

यहाँ अध्ययन के निष्कर्ष दिए गए हैं, जिन्हें सरल उपमाओं के माध्यम से समझाया गया है:

1. दो-तरफा रास्ता

शोधकर्ताओं ने दो विशाल डेटाबेसों को जोड़ा: एक जिसमें लगभग सारा सार्वजनिक सॉफ्टवेयर कोड था (World of Code) और दूसरा जिसमें वैज्ञानिक शोध पत्र थे (Semantic Scholar/OpenAlex)। उन्होंने दो दिशाओं में कनेक्शन देखे:

दिशा A (विज्ञान $\rightarrow$ सॉफ्टवेयर): कौन से वैज्ञानिक शोध पत्र वास्तव में उन उपकरणों को आकार देते हैं जिनका वैज्ञानिक उपयोग करते हैं?
- आश्चर्य: ये सबसे प्रसिद्ध पेपर नहीं हैं जिनमें सबसे अधिक उद्धरण (citations) होते हैं। इसके बजाय, वे उपकरण सबसे अधिक अपनाए जाते हैं जो वैज्ञानिकों को उनके काम को पैकेज करने और व्यवस्थित करने में मदद करते हैं (जैसे "nf-core" या "Nextflow")।
- उपमा: इसे एक निर्माण स्थल की तरह समझें। सबसे प्रसिद्ध वास्तुकार (अत्यधिक उद्धृत पेपर) शायद एक सुंदर इमारत का डिजाइन बनाता है, लेकिन वे उपकरण जो हर निर्माण दल द्वारा उपयोग किए जाते हैं, वे पाड़ (scaffolding) और क्रेन हैं (पैकेजिंग टूल्स)। पेपर वास्तुकार की प्रसिति को गिनता है, लेकिन सॉफ्टवेयर पाड़ की उपयोगिता को गिनता है।
दिशा B (सॉफ्टवेयर $\rightarrow$ विज्ञान): कौन से सॉफ्टवेयर उपकरण वास्तव में नई वैज्ञानिक खोजों को सक्षम बनाते हैं?
- आश्चर्य: वे उपकरण जो सबसे अधिक विज्ञान को सक्षम करते हैं, अक्सर अदृश्य होते हैं। वे "छिपे हुए बुनियादी ढांचे" जैसे हैं, जैसे PyTorch (AI के लिए) या डेटा विज़ुअलाइज़ेशन टूल्स। इनका शोध पत्रों के शीर्षकों में शायद ही कभी उल्लेख किया जाता है, लेकिन हजारों अन्य प्रोजेक्ट्स इन्हीं पर निर्भर हैं।
- उपमा: एक विशाल शहर की कल्पना करें जहाँ हर कोई सड़कों पर गाड़ी चलाता है। आप कारों के बारे में समाचार रिपोर्टों में सड़कों को नहीं देखते; आप केवल कारों को देखते हैं। लेकिन यदि सड़कें गायब हो गईं, तो कारें रुक जाएंगी। ये सॉफ्टवेयर उपकरण सड़कें हैं। वे आवश्यक हैं, लेकिन क्योंकि वे हर जगह हैं, इसलिए कोई यह लिखने के लिए नहीं रुकता कि "मैंने आज एक सड़क का उपयोग किया।"

2. "स्टार" रेटिंग का जाल

सॉफ्टवेयर की दुनिया में, लोग अक्सर GitHub पर किसी टूल के महत्व को उसके कितने "स्टार्स" (पसंद) हैं, उससे आंकते हैं। अध्ययन में पाया गया कि स्टार्स वास्तविक उपयोग का एक बहुत खराब संकेतक हैं।

उपमा: एक रेस्टोरेंट की कल्पना करें। एक ऐसी जगह जिसे सोशल मीडिया ऐप पर 500 "लाइक्स" मिलते हैं, वह एक ट्रेंडी जगह हो सकती है जहाँ लोग केवल एक फोटो के लिए जाते हैं। लेकिन केवल 10 लाइक्स वाली जगह वह स्थानीय बेकरी हो सकती है जो हर सुबह 10,000 अन्य रेस्टोरेंट्स को ब्रेड की आपूर्ति करती है।
निष्कर्ष: अध्ययन में पाया गया कि "स्टार्स" और "डिपेंडेंसीज" (कितने अन्य प्रोजेक्ट वास्तव में उस कोड का उपयोग करते हैं) के बीच बहुत कमजोर संबंध है। 150 स्टार वाला एक टूल 9,000 अन्य प्रोजेक्ट्स द्वारा उपयोग किया जा सकता है, जबकि 50,000 स्टार वाला टूल बहुत कम द्वारा उपयोग किया जा सकता है। लोकप्रियता का अर्थ उपयोगिता नहीं है।

3. "अदृश्य" अंतराल

शोधकर्ताओं ने यह गिनने की कोशिश की कि शोध पत्र कितनी बार सॉफ्टवेयर का उल्लेख करते हैं। उन्होंने एक बड़ा अंतर पाया।

समस्या: जब वैज्ञानिक शोध पत्र लिखते हैं, तो वे अक्सर सॉफ्टवेयर का उल्लेख टेक्स्ट के बीच में (मेथड्स सेक्शन में) करते हैं, न कि औपचारिक संदर्भ सूची (reference list) में। स्वचालित उपकरण अक्सर इन उल्लेखों को मिस कर देते हैं।
परिणाम: एक पेपर और उसके द्वारा उपयोग किए जाने वाले सॉफ्टवेयर के बीच का लिंक "विरल (sparse)" और "शोर भरा (noisy)" है। यह केवल पार्टी में बोले गए नामों का उपयोग करके एक वंशावली (family tree) बनाने जैसा है, बजाय वास्तविक जन्म प्रमाण पत्रों को देखने के। चूंकि डेटा इतना अधूरा है, इसलिए शोधकर्ता यह नहीं बता सके कि सॉफ्टवेयर विज्ञान को कितना प्रभावित करता है, इसकी एक सटीक संख्या दे सकें। इसके बजाय, उन्होंने दिखाया कि मापने के अलग-अलग तरीके अलग-अलग उत्तर देते हैं, और हमें केवल एक संख्या पर भरोसा करने में सावधान रहने की आवश्यकता है।

4. नए कर्मचारी: AI एजेंट

अध्ययन ने एक नई घटना को भी देखा: AI कोडिंग एजेंट (रोबोट जो कोड लिखते हैं)।

निष्कर्ष: ये AI एजेंट वैज्ञानिक सॉफ्टवेयर प्रोजेक्ट्स में दिखाई देने लगे हैं। वे अभी तक मनुष्यों की जगह नहीं ले रहे हैं, लेकिन वे कार्यबल में शामिल हो रहे हैं।
कौन उपयोग करता है? यह विज्ञान के प्रकार (जैसे जीव विज्ञान बनाम भौतिकी) के बारे में नहीं है। इसके बजाय, AI एजेंट तेजी से चलने वाले, सक्रिय प्रोजेक्ट्स द्वारा उपयोग किए जाते हैं। यदि कोई प्रोजेक्ट नया है और उसके डेवलपर्स तेजी से कोडिंग कर रहे हैं, तो वे AI सहायकों का उपयोग करने की अधिक संभावना रखते हैं। यह एक स्टार्टअप की तरह है जो तेजी से आगे बढ़ रहा है और नए गैजेट्स का उपयोग कर रहा है, बजाय एक धीमी, स्थापित फैक्ट्री के।

मुख्य निष्कर्ष

यह पेपर तर्क देता है कि हमें विज्ञान और सॉफ्टवेयर को अलग-अलग चीजों के रूप में देखना बंद करने की आवश्यकता है।

पुराना दृष्टिकोण: विज्ञान शोध पत्र है; सॉफ्टवेयर केवल एक उपकरण है।
नया दृष्टिकोण: विज्ञान एक सप्लाई चेन है। शोध पत्र और सॉफ्टवेयर समान रूप से महत्वपूर्ण वस्तुएं हैं।

वैज्ञानिक प्रगति को वास्तव में समझने के लिए, हम केवल उद्धरणों (citations) या "स्टार्स" को नहीं गिन सकते। हमें डिपेंडेंसीज (dependencies) को देखने की आवश्यकता है—कोड का वह अदृश्य जाल जो सब कुछ थामे हुए है। जिस तरह एक शहर को केवल प्रसिद्ध इमारतों के बजाय अपने पानी के पाइपों और बिजली ग्रिडों के बारे में जानने की आवश्यकता होती है, उसी तरह वैज्ञानिक समुदाय को उस "छिपे हुए नायक" सॉफ्टवेयर को महत्व देने की आवश्यकता है जो खोज को संभव बनाता है, भले ही कोई इसके बारे में शोध पत्र न लिखे।

संक्षेप में: विज्ञान में सबसे महत्वपूर्ण उपकरण वे हैं जिनके बारे में आप कभी सुनते नहीं हैं, और सबसे लोकप्रिय उपकरण वे हैं जिनकी आपको वास्तव में आवश्यकता नहीं होती है। इसे ठीक करने के लिए, हमें एक बेहतर नक्शे की आवश्यकता है जो लाइब्रेरी को वर्कशॉप से जोड़ता हो।

तकनीकी सारांश: विज्ञान और सॉफ्टवेयर का पारस्परिक प्रभाव

समस्या विवरण
वैज्ञानिक ज्ञान और सॉफ्टवेयर सह-विकसित होते हैं, फिर भी वे अलग-अलग लेजरों में दर्ज किए जाते हैं: सॉफ्टवेयर वर्ज़न-कंट्रोल इकोसिस्टम (जैसे, GitHub) में और विज्ञान ग्रंथ सूची डेटाबेस (जैसे, Semantic Scholar, OpenAlex) में। यह अलगाव "साइंस-सॉफ्टवेयर सप्लाई चेन" (S3C) को अवलोकनीय नहीं बनाता है। वर्तमान मेट्रिक्स इस पारस्परिक संबंध को पकड़ने में विफल रहते हैं: बिब्लियोमेट्रिक्स उद्धरणों (citations) को गिनते हैं लेकिन सॉफ्टवेयर के पुन: उपयोग (reuse) को चूक जाते हैं, जबकि सॉफ्टवेयर मेट्रिक्स (stars, forks) विद्वत्तापूर्ण प्रभाव (scholarly impact) को प्रतिबिंबित नहीं करते हैं। इसके अलावा, साहित्य में सॉफ्टवेयर उल्लेखों पर मौजूदा अध्ययन वास्तविक आर्टिफैक्ट्स के साथ निम्न रिकॉल (recall) और अविश्वसनीय लिंकेज से ग्रस्त हैं, जबकि डिपेंडेंसी विश्लेषण अक्सर डेवलपर पहचानों को हल किए बिना एकल इकोसिस्टम तक सीमित रहता है। शोध पत्र का तर्क है कि पेपर्स और सॉफ्टवेयर आर्टिफैक्ट्स के बीच एक वैश्विक, पहचान-लक्षित लिंक के बिना, वैज्ञानिक उत्पादन की उत्पत्ति (provenance) अपारदर्शी बनी रहती है, जो जोखिम प्रबंधन (जैसे, "हिडन हीरो" डिपेंडेंसी की पहचान करना) और कुशल क्रेडिट आवंटन में बाधा डालती है।

कार्यप्रणाली (Methodology)
लेखक एक टाइप्ड क्रॉस-कॉर्पस ग्राफ का निर्माण करते हैं जो लगभग पूर्ण सार्वजनिक वर्ज़न-कंट्रोल इतिहास (World of Code, V2604) को ग्रंथ सूची कॉर्पोरा (Semantic Scholar और OpenAlex) से जोड़ता है।

डेटा स्रोत:
- सॉफ्टवेयर: World of Code (WoC) कमिट्स, लेखक, प्रोजेक्ट्स और प्रोजेक्ट-टू-प्रोजेक्ट डिपेंडेंसी एडजेस (edges) प्रदान करता है।
- विज्ञान: Semantic Scholar और OpenAlex पेपर्स, साइटेशन्स और सॉफ्टवेयर उल्लेख प्रदान करते हैं।
- सीड (Seed): SciCat डेटासेट से 18,247 विज्ञान रिपॉजिटरी, जिन्हें वैज्ञानिक इरादे के लिए LLM वर्गीकरण के माध्यम से क्यूरेट किया गया है।
ग्राफ निर्माण:
- ग्राफ में आठ परतों के माध्यम से 69.8 मिलियन एडजेस हैं, जिनमें depends on (सॉफ्टवेयर-टू-सॉफ्टवेयर), mentions doi (सॉफ्टवेयर द्वारा पेपर का उल्लेख), mentions repo (पेपर द्वारा सॉफ्टवेयर का नाम लेना) और पहचान सेतु (same as) शामिल हैं, जो लेखकों और DOIs को जोड़ते हैं।
- पहचान समाधान (Identity resolution) डेवलपर्स को सुसंगत पहचानों से जोड़ने के लिए WoC ऑथर-एलियासिंग मैप और ORCID/एफिलिएशन डेटा का उपयोग करता है।
प्रभाव माप (पारस्परिक प्रश्न):
- RQ1 (विज्ञान $\to$ सॉफ्टवेयर): पेपर्स की सॉफ्टवेयर तक "पहुंच" (reach) को मापता है। एक पेपर के लिए, यह उन विशिष्ट विज्ञान रिपॉजिटरी की संख्या है जो इसे उद्धृत करती हैं। एक लेखक के लिए, यह उनके पेपर्स के माध्यम से रिपॉजिटरी की पहुंच है।
- RQ2 (सॉफ्टवेयर $\to$ विज्ञान): सॉफ्टवेयर द्वारा विज्ञान को "सक्षम" (enabling) करने को मापता है।
  - कठोर माप (Strict Measure): रिपॉजिटरी का नाम लेने वाले पेपर्स (विरल, $n=137$ )।
  - प्रॉक्सी माप (Proxy Measure): इकोसिस्टम इम्पैक्ट, जिसे रिवर्स depends on इन-डिग्री (एक रिपॉजिटरी पर निर्भर विभिन्न प्रोजेक्ट्स की संख्या) के रूप में परिभाषित किया गया है। इसे वैज्ञानिक सक्षम करने के प्रॉक्सी के रूप में उपयोग किया जाता है क्योंकि सीधा पेपर-टू-सॉफ्टवेयर चैनल प्रभावी ढंग से रैंक करने के लिए बहुत विरल है।
वैधीकरण (Validation):
- आंतरिक: रिकॉल का आकलन करने के लिए दो स्वतंत्र एक्सट्रैक्टर्स (Semantic Scholar फुल-टेक्स्ट बनाम OpenAlex एब्सट्रैक्ट्स) की तुलना।
- बाहरी: एक होल्ड-आउट Softcite v2 गोल्ड कॉर्पस (मानव-क्यूरेटेड बायोमेडिकल/इकोनॉमिक्स उल्लेख) का उपयोग रिकॉल को सीमित करने और संरचनात्मक पूर्वाग्रहों (जैसे, मेथड्स-सेक्शन उल्लेख बनाम एब्सट्रैक्ट्स) की पहचान करने के लिए किया गया है।
- ट्राइएंगुलेशन: मजबूती का परीक्षण करने के लिए कई एंकर्स (SciCat, JOSS, Softcite टूल नाम, CRAN/conda रजिस्ट्रियां) के माध्यम से विश्लेषण किया गया।

मुख्य परिणाम

विशिष्ट इकोसिस्टम स्ट्रेटा (Strata): प्रभाव की दोनों दिशाएं पारिस्थितिकी तंत्र के काफी हद तक अलग-अलग परतों को उजागर करती हैं।
- विज्ञान $\to$ सॉफ्टवेयर: एक पुनरुत्पादकता/पैकेजिंग लेयर (जैसे, nf-core, Nextflow, Singularity, Bioconda) और सीक्वेंस-एनालिसिस टूल्स (SAMtools, STAR) द्वारा संचालित है। ये टूल्स कई पाइपलाइनों द्वारा पूर्ण रूप से अपनाए जाते हैं।
- सॉफ्टवेयर $\to$ विज्ञान (प्रॉक्सी): एक अदृश्य ML/डेटा-साइंस इंफ्रास्ट्रक्चर टियर (जैसे, PyTorch, seaborn, NLTK, einops) द्वारा संचालित है। इन टूल्स की डिपेंडेंसी इन-डिग्री अधिक है लेकिन इन्हें सीधे सक्षम आधार के रूप में शायद ही कभी उद्धृत किया जाता है।
- विद्वान: इकोसिस्टम के पीछे के लेखक मुख्य रूप से टूलमेकर्स (जैसे, Nextflow के लिए Paolo Di Tommaso, SAMtools के लिए Heng Li) हैं।
मेट्रिक्स का कमजोर जुड़ाव (Weak Coupling):
- पुन: उपयोग बनाम लोकप्रियता: डिपेंडेंसी इन-डिग्री, GitHub स्टार्स के साथ केवल कमजोर रूप से सहसंबंधित है (Spearman $\rho = 0.36$ )। उच्च-डिपेंडेंसी टूल्स जैसे cloudflare/circl (9,459 डिपेंडेंट्स) के बहुत कम स्टार्स (150) हो सकते हैं।
- पुन: उपयोग बनाम उद्धरण (Citation): सॉफ्टवेयर के पुन: उपयोग और विद्वत्तापूर्ण उद्धरण के बीच सहसंबंध नाजुक और गैप-संवेदनशील है।
  - जब रिपॉजिटरी का नाम लेने वाले पेपर्स ( $n=137$ ) के माध्यम से जोड़ा जाता है, तो सहसंबंध पता लगाने योग्य नहीं है ( $\rho = 0.05$ , CI शून्य को पार करता है)।
  - जब रिपॉजिटरी द्वारा घोषित DOIs ( $n=1,067$ ) के माध्यम से जोड़ा जाता है, तो एक कमजोर सकारात्मक सहसंबंध उभरता है ( $\rho = 0.13$ , CI [0.07, 0.19])।
  - लेखक निष्कर्ष निकालते हैं कि सहसंबंध का चिन्ह किस लिंकेज गैप को सहन किया जाता है, इस पर निर्भर करता है; वर्तमान डेटा घनत्व को देखते हुए मजबूत डिकपलिंग दावे समयपूर्व हैं।
लिंकेज सीमाएं:
- रिकॉल कम है: बाहरी गोल्ड बेंचमार्क से पता चलता है कि मेथड्स-सेक्शन उल्लेखों के लिए ग्राफ का रिकॉल शून्य के करीब है। ग्राफ एक "पतली, संरचनात्मक रूप से पक्षपाती स्लाइस" (एब्सट्रैक्ट्स, लैंडिंग पेज, संदर्भ) को कैप्चर करता है, न कि पूर्ण मेथड्स टेक्स्ट को।
- सीड बायस (Seed Bias): SciCat सीड WoC में क्यूरेटेड टूल्स के केवल ~11% को कवर करता है और JOSS रिपॉजिटरी के साथ खराब ओवरलैप करता है। कई एंकर्स के साथ ट्राइएंगुलेशन पुष्टि करता है कि कोई भी एकल सीड पूरे परिदृश्य को कैप्चर नहीं करता है।
AI कोडिंग एजेंट्स:
- अध्ययन 58 विज्ञान रिपॉजिटरी की पहचान करता है जिन्होंने AI कोडिंग एजेंटों को अपनाया है (2023+)।
- एडॉप्शन (Adoption) डेवलपमेंट इंटेंसिटी (सक्रिय महीने, कमिट वॉल्यूम) और सापेक्ष युवावस्था से जुड़ा है, लेकिन फील्ड, लोकप्रियता (स्टार्स), या टीम साइज से नहीं।
- पोस्ट-एडॉप्शन आउटकम अध्ययन प्रभाव स्टॉक (साइटेशन/डिपेंडेंसी) के संचय के लिए पर्याप्त समय की कमी के कारण स्थगित कर दिए गए हैं।

महत्व और दावे
शोध पत्र अपने योगदान को एक निश्चित लेखांकन के बजाय व्यवहार्यता साक्ष्य (feasibility evidence) के रूप में फ्रेम करता है।

वैचारिक बदलाव: यह सफलतापूर्वक वैज्ञानिक उत्पादन को एक सप्लाई चेन के रूप में पुनर्गठित करता है जहाँ पेपर्स और सॉफ्टवेयर सह-समान वस्तुएं हैं, यह प्रदर्शित करते हुए कि एक वैश्विक, पहचान-लक्षित "बिल ऑफ मैटेरियल्स" निर्मित किया जा सकता है।
कार्यप्रणाली संबंधी अंतर्दृष्टि: यह सिद्ध करता है कि एक ही वैश्विक ग्राफ को अलग-अलग दिशाओं में पढ़ने से प्रभाव के अलग-अलग, कमजोर रूप से जुड़े स्ट्रेटा सामने आते हैं। महत्वपूर्ण रूप से, यह प्रदर्शित करता है कि उद्धरण संख्या और लोकप्रियता (स्टार्स), वैज्ञानिक प्रभाव के माप के रूप में डिपेंडेंसी-आधारित पुन: उपयोग का स्थान नहीं ले सकते।
चेतावनी: लेखक स्पष्ट हैं कि पुन: उपयोग और उद्धरण के बीच मात्रात्मक जुड़ाव वर्तमान में लिंकेज गैप्स (चयन पूर्वाग्रह, रिकॉल मुद्दे) के प्रति बहुत संवेदनशील है ताकि मजबूत कारण संबंधी दावे (causal claims) किए जा सकें। युग्मन विधि के आधार पर सहसंबंध का "चिन्ह" बदल जाता है।
भविवी उपयोगिता: निर्मित ग्राफ उभरते हुए घटनाओं (जैसे AI एजेंट्स) को ट्रैक करने और अंततः सप्लाई-चेन जोखिमों (जैसे, अनमैंटेन की जा रही "हिडन हीरो" लाइब्रेरी की पहचान करना) को प्रबंधित करने के लिए आवश्यक आधार प्रदान करता है जो वर्तमान में बिब्लियोमेट्रिक्स के लिए अदृश्य हैं।

शोध पत्र इस निष्कर्ष के साथ समाप्त होता है कि हालांकि वर्तमान लिंकेज घनत्व सटीक पॉइंट अनुमानों के लिए अपर्याप्त है, फिर भी निष्कर्षों की दिशा इतनी मजबूत है कि यह 'साइंस-ऑफ-साइंस' टूलकिट में सॉफ्टवेयर-जागरूक, डिपेंडेंसी-आधारित मेट्रिक्स को शामिल करने के लिए प्रेरित करती है।

1. दो-तरफा रास्ता

2. "स्टार" रेटिंग का जाल

3. "अदृश्य" अंतराल

4. नए कर्मचारी: AI एजेंट

मुख्य निष्कर्ष

इसी तरह के और पेपर