Born Flawed? Publication-Time Citation Topology Improves Retraction Early-Warning
यह अध्ययन यह प्रदर्शित करता है कि प्रकाशन के समय एक शोध पत्र की संदर्भ सूची की संरचनात्मक विशेषताओं का विश्लेषण करना—विशेष रूप से स्व-उद्धरण दर (self-citation rates), संदर्भ वर्षों का प्रसार और उद्धृत साहित्य की नवीनता—प्रकाशन के बाद के किसी भी साक्ष्य के उभरने से पहले भविष्य के प्रतिधारण (retraction) जोखिमों का शीघ्र पता लगाने में महत्वपूर्ण रूप से सुधार कर सकता है।
मूल पेपर CC BY 4.0 (https://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
विज्ञान की दुनिया की कल्पना एक विशाल, हलचल भरी लाइब्रेरी के रूप में करें जहाँ हर नई किताब एक शोध पत्र (रिसर्च पेपर) है। इस लाइब्रेरी को सुचारू रूप से चलाने के लिए, लेखकों को अपनी नई कहानियों को पुरानी कहानियों पर आधारित करना चाहिए, और उन किताबों का हवाला देना चाहिए जिन्होंने उन्हें प्रेरित किया है। इससे कनेक्शनों का एक विशाल, अदृश्य जाल बनता है, जहाँ हर नई किताब उन किताबों से जुड़ी होती है जिन पर वह टिकी है। लेकिन कभी-कभी एक किताब "ज़ोंबी" बन जाती है—इसमें फर्जी तथ्य या चोरी के विचार होते हैं, और लाइब्रेरी को उसे शेल्फ से हटाकर "रिट्रैक्टेड" (वापस लिया गया) के रूप में चिह्नित करना पड़ता है। डरावनी बात यह है कि किताब वापस लेने के बाद भी, लोग सालों तक उसका हवाला देते रहते हैं, जिससे अनजाने में नई कहानियों में उसके बुरे विचारों को फैलाते रहते हैं। यह एक ऐसी लाइब्रेरी की तरह है जहाँ एक टूटा हुआ नक्शा बार-बार नए गाइडबुक्स में कॉपी किया जाता रहता है, जिससे यात्री लंबे समय तक भटकते रहते हैं, भले ही लाइब्रेरियन ने उसे ठीक करने की कोशिश की हो। वैज्ञानिक इन "ज़ोंबी" किताबों को शेल्फ पर आने से पहले ही पहचानने के लिए एक प्रणाली बनाने की कोशिश कर रहे हैं, लेकिन अधिकांश वर्तमान अलार्म केवल तब बजते हैं जब किताब पहले ही बाहर आ चुकी होती है और लोग उसे पढ़ना शुरू कर देते हैं।
चेनहाओ झांग का एक नया अध्ययन एक चतुर सवाल पूछता है: क्या हम एक "खराब" किताब को केवल उन अन्य किताबों की सूची देखकर पहचान सकते हैं जिनका लेखक ने कहानी लिखने से पहले हवाला दिया था? पेपर सुझाव देता है कि जिस तरह से एक लेखक अपने संदर्भों (रेफरेंस) का चयन करता है, वह परेशानी का एक छिपा हुआ "फिंगरप्रिंट" छोड़ सकता है। उनके संदर्भों की संरचना का विश्लेषण करके—जैसे कि एक लेखक कितनी बार अपने पिछले काम का हवाला देता है, वे किताबें कितनी पुरानी हैं, और वे समय के विस्तार में कितनी फैली हुई हैं—अध्ययन ने पाया कि यह भविष्यवाणी करने का एक तरीका है कि कौन से पेपर के रिट्रैक्ट होने की संभावना है। यह एक बड़ी बात है क्योंकि इसका मतलब है कि हम शोध के जोखिमों को सबमिशन के क्षण में ही चिह्नित कर सकते हैं, जिससे "ज़ोंबी" के प्रसार को शुरू होने से पहले ही रोका जा सके, न कि वर्षों बाद नुकसान को साफ करने का इंतज़ार किया जाए।
"जन्मजात दोषपूर्ण?" की खोज
इस अध्ययन में, लेखक ने इस समस्या को एक जासूसी खेल की तरह माना। लक्ष्य यह देखना था कि क्या किसी पेपर के संदर्भों का "पड़ोस" (वे अन्य पेपर जिन्हें वह उद्धृत करता है) एक प्रारंभिक चेतावनी प्रणाली के रूप में कार्य कर सकता है। शोधकर्ता ने 'ओपनएलेक्स' (OpenAlex) नामक वैज्ञानिक पेपरों के एक विशाल डेटाबेस का उपयोग किया और इसे ज्ञात रिट्रैक्टेड पेपर्स की सूची के साथ क्रॉस-रेफरेंस किया। यह सुनिश्चित करने के लिए कि परीक्षण निष्पक्ष हो, उन्होंने प्रत्येक रिट्रैक्टेड पेपर को उसी वर्ष के एक "कंट्रोल" पेपर के साथ मिलाया जो रिट्रैक्ट नहीं हुआ था, जिससे 219 रिट्रैक्टेड पेपर्स और 184 कंट्रोल पेपर्स का एक नमूना तैयार हुआ।
यहाँ मुख्य नवाचार केवल प्रकाशन के समय उपलब्ध जानकारी को देखना था, जिसका अर्थ है कि उन्होंने ऐसे किसी भी डेटा का उपयोग नहीं किया जो पेपर प्रकाशित होने के बाद मौजूद न हो (जैसे कि बाद में उस पेपर को कितनी बार साइट किया गया)। उन्होंने तीन विशिष्ट "लीकेज-सेफ" (leakage-safe) विशेषताओं पर ध्यान केंद्रित किया:
- स्व-उद्धरण दर (Self-citation rate): लेखक ने अपने पिछले काम का कितनी बार हवाला दिया।
- संदर्भ-वर्ष फैलाव (Reference-year dispersion): उद्धृत किए गए पेपर्स के प्रकाशन की तारीखें कितनी फैली हुई थीं (क्या उन्होंने समय के एक संकीर्ण हिस्से को उद्धृत किया या एक विस्तृत श्रृंखला को?)।
- संदर्भ नवीनता अंतराल (Reference recency gap): नए पेपर की तुलना में उद्धृत साहित्य कितना "ताज़ा" था।
जब शोधकर्ता ने इन विशेषताओं को बुनियादी मेटाडेटा (जैसे लेखकों की संख्या या पेपर की भाषा) के साथ एक कंप्यूटर मॉडल में डाला, तो परिणाम आश्चर्यजनक रूप से स्पष्ट थे। भविष्य के डेटा पर परीक्षण करने पर (एक "आउट-ऑफ-टाइम" स्प्लिट, जो अतीत के आधार पर भविष्य की भविष्यवाणी करने का अनुकरण करता है), मॉडल की सटीकता स्कोर (AUC) 0.49 (जो लगभग तुक्का लगाने जैसा है) से बढ़कर 0.66 हो गया। यह 0.176 की वृद्धि है, और शोधकर्ता इस बारे में बहुत आश्वस्त हैं क्योंकि, भाग्य की जाँच के लिए 2,000 अलग-अलग सिमुलेशन (बूटस्ट्रैप्स) चलाने के बाद भी, यह सुधार कभी शून्य तक नहीं गिरा।
पेपर ने अपने बिंदु को सिद्ध करने के लिए एक "चीट" फीचर को भी स्पष्ट रूप से खारिज कर दिया। शोधकर्ता ने एक चौथे फीचर का परीक्षण किया: उन संदर्भों का अंश जो पहले से ही रिट्रैक्टेड थे। इस फीचर ने मॉडल की सटीकता में भारी उछाल ( 0.308 की वृद्धि) दिया, लेकिन शोधकर्ता ने इसे मुख्य परिणामों से बाहर कर दिया। क्यों? क्योंकि यह जानने के लिए कि कोई संदर्भ रिट्रैक्ट हुआ है या नहीं, आपको उस संदर्भ की भविष्य की स्थिति को जानना होगा जो नया पेपर लिखे जाने के समय मौजूद थी। चूंकि आप भविष्य नहीं जान सकते, इसलिए यह फीचर "लीकी" (leaky) और वास्तविक दुनिया की प्रारंभिक चेतावनियों के लिए बेकार है। इसे बाहर करके, अध्ययन यह सिद्ध करता है कि सिग्नल संदर्भों की संरचना से आता है, न कि यह जानने से कि बाद में किन्हें प्रतिबंधित किया गया था।
अध्ययन निष्कर्ष निकालता है कि रिट्रैक्शन के लिए नियत पेपर वास्तव में एक अलग "संरचनात्मक पड़ोस" में होते हैं जब उन्हें लिखा जाता है। वे केवल दुर्भाग्यशाली नहीं हैं; उनके पास दूसरों का हवाला देने का एक पता लगाने योग्य पैटर्न है। हालांकि नमूना आकार मामूली (कुछ सौ पेपर) है और पूर्ण सटीकता के आंकड़े अभी भी पूर्ण नहीं हैं, दिशा स्पष्ट है। लेखक सुझाव देते हैं कि यह संपादकों और अखंडता टीमों के लिए एक स्क्रीनिंग टूल बन सकता है, जिससे उन्हें सबमिशन को छाँटने और उन पेपर्स पर ध्यान केंद्रित करने में मदद मिल सकती है जो "जन्मजात दोषपूर्ण" हो सकते हैं, और वह भी वैज्ञानिक साहित्य में नुकसान फैलने का इंतज़ार किए बिना।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।