A human-validated procedure for linking PhD dissertation metadata to OpenAlex author profiles
यह शोध पत्र एक सामान्यीकरण योग्य, मानव-सत्यापित पद्धति प्रस्तुत और मान्य करता है जो पीएचडी शोध प्रबंध (dissertation) मेटाडेटा को ओपनएलेक्स (OpenAlex) लेखक प्रोफाइलों से विश्वसनीय रूप से जोड़ने के लिए कैरेक्टर-लेवल, टोपिकल और ट्रांसफॉर्मर-आधारित समानता मापों को संयोजित करती है, जिससे शैक्षणिक करियर प्रक्षेपवक्र को ट्रैक करने में उच्च सटीकता प्राप्त होती है और यह पता चलता है कि लगभग 17.3% उत्तर अमेरिकी पीएचडी स्नातक आगामी प्रकाशनों से नहीं जोड़े जा सकते।
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
हर साल, दुनिया भर में लाखों छात्र अपनी डॉक्टरेट डिग्री पूरी करते हैं, एक ऐसा मील का पत्थर जो अनुसंधान की दुनिया में उनके औपचारिक प्रवेश को चिह्नित करता है। दशकों से, वैज्ञानिक जो इस बात का अध्ययन करते हैं कि शैक्षणिक करियर कैसे विकसित होते हैं, वे यह बताने के लिए लोगों के एक विशिष्ट समूह पर निर्भर रहे हैं कि आगे क्या होता है: वे जो पत्रिकाओं (जर्नल्स) में शोध पत्र प्रकाशित करना जारी रखते हैं। इन प्रकाशित कार्यों को ट्रैक करके, शोधकर्ताओं ने एक तस्वीर बनाई है कि वैज्ञानिक कितने समय तक सक्रिय रहते हैं, वे कितने उत्पादक हैं, और उनके करियर कैसे विकसित होते हैं। हालाँकि, इस तस्वीर में एक महत्वपूर्ण कमी है। इसमें केवल वे लोग शामिल हैं जिन्होंने प्रकाशन जारी रखा। यह उन बड़ी संख्या में स्नातकों को छोड़ देता है जो पूरी तरह से अकादमिक प्रकाशन की दुनिया को छोड़ देते हैं, शायद उद्योग, सरकार या शिक्षण में काम करने के लिए, या बस पत्रिकाओं के लिए लिखना बंद करने के लिए। क्योंकि ये व्यक्ति वैज्ञानिक आउटपुट को ट्रैक करने के लिए उपयोग किए जाने वाले मानक डेटाबेस में दिखाई नहीं देते हैं, इसलिए वे उन अध्ययनों के लिए प्रभावी रूप से अदृश्य हैं जो पीएचडी के पूर्ण प्रभाव को समझने की कोशिश करते हैं। यह जाने बिना कि कौन गायब है, करियर की सफलता या गिरावट का कोई भी अनुमान उस नमूने पर आधारित है जिसे प्रकाशन बनाए रखने की आवश्यकता द्वारा पहले ही फ़िल्टर किया जा चुका है।
इस समस्या को हल करने के लिए, शोधकर्ताओं की एक टीम ने एक नया तरीका विकसित किया है जिससे एक डॉक्टरेट शोध प्रबंध (डिसर्टेशन) और उसके लेखक के बाद के करियर के बीच के संबंध को जोड़ा जा सके, भले ही उस लेखक ने फिर कभी कोई पेपर प्रकाशित न किया हो। उन्होंने एक डिग्री के रिकॉर्ड और एक करियर के रिकॉर्ड के बीच के विशाल अंतर पर ध्यान केंद्रित किया। चुनौती बहुत बड़ी है: एक शोध प्रबंध अक्सर एक विशिष्ट क्षेत्र में किसी व्यक्ति के काम का एकमात्र रिकॉर्ड होता है, और लाखों वैज्ञानिक लेखों के डेटाबेस उन लोगों से भरे होते हैं जिनके नाम समान होते हैं। 2009 के एक शोध प्रबंध में "जॉन स्मिथ" नाम का व्यक्ति वही हो सकता है जो 2015 में एक पेपर प्रकाशित करने वाला "जे. स्मिथ" है, या वे दो पूरी तरह से अलग व्यक्ति भी हो सकते हैं। यह कठिनाई इस तथ्य से और बढ़ जाती है कि कई स्नातक अपने नाम बदलते हैं, अलग-अलग शुरुआती अक्षरों (initials) का उपयोग करते हैं, या अपने नामों के थोड़े अलग रूपों के तहत प्रकाशित होते हैं। पिछले तरीके अक्सर सरल नाम मिलान या स्वयंसेवकों पर निर्भर थे जिन्होंने पहले ही अपने काम को जोड़ लिया था, जिनमें से दोनों उन स्नातकों को पकड़ने में विफल रहते हैं जो प्रकाशन की दुनिया में आगे नहीं बढ़ते हैं।
शोधकर्ताओं ने इसे एक कंप्यूटरीकृत प्रणाली बनाकर हल किया जो एक अत्यधिक कुशल लाइब्रेरियन की तरह कार्य करती है, जो 'ओपनएलेक्स' (OpenAlex) नामक वैश्विक वैज्ञानिक प्रकाशन डेटाबेस में लाखों संभावित मिलानों के विरुद्ध एक शोध प्रबंध के विवरण की तुलना करती है। केवल नामों को देखने के बजाय, प्रणाली शोध प्रबंधों के शीर्षकों और प्रकाशित पत्रों के शीर्षनों को पढ़ती है, और यह देखने के लिए उन्हें पाठ के छोटे टुकड़ों में तोड़ती है कि उनमें कितना ओवरलैप है। यह कार्य के अंतर्निहित विषयों को समझने के लिए उन्नत तकनीक का भी उपयोग करती है, यह पहचानते हुए कि "मशीन लर्निंग" के बारे में एक पेपर "आर्टिफिशियल इंटेलिजेंस" शीर्षक वाले शोध प्रबंध से संबंधित हो सकता है, भले ही शब्द अलग हों। प्रणाली एक स्कोर उत्पन्न करती है जो इस बात का प्रतिनिधित्व करता है कि यह कितनी संभावना है कि जिस व्यक्ति ने शोध प्रबंध लिखा था, वही व्यक्ति लेख लिखे हुए है। यह सुनिश्चित करने के लिए कि यह प्रणाली काम करे, शोधकर्ताओं ने मानव विशेषज्ञों से हजारों संभावित मिलानों की समीक्षा करवाकर इसका परीक्षण किया, और यह जांचा कि क्या कंप्यूटर के अनुमान सही थे। उन्होंने पाया कि टेक्स्ट मिलान के साथ विषय विश्लेषण को जोड़कर, प्रणाली उच्च सटीकता के साथ विभिन्न रिकॉर्डों में एक ही व्यक्ति की विश्वसनीय रूप से पहचान कर सकती है।
इस नई पद्धति के परिणाम अकादमिक कार्यबल के बारे में एक चौंकाने वाली वास्तविकता को प्रकट करते हैं। जब शोधकर्ताओं ने अपने सिस्टम को उत्तरी अमेरिका के पीएचडी स्नातकों के एक बड़े समूह पर लागू किया, तो उन्होंने पाया कि इन व्यक्तियों का एक महत्वपूर्ण हिस्सा किसी भी आगामी प्रकाशन से नहीं जोड़ा जा सका। विशेष रूप से, उनका अनुमान है कि पीएचडी स्नातकों के एक विशिष्ट समूह में से 10.2% से 20.7% के बीच की संख्या ऐसी है जो अपनी डिग्री प्राप्त करने के बाद प्रमुख ग्रंथ सूची डेटाबेस (bibliographic databases) में कभी दिखाई नहीं देती, जिसमें सबसे सटीक अनुमान 17.3% है। इसका मतलब है कि लगभग पाँच में से एक डॉक्टरेट स्नातक मानक वैज्ञानिक करियर के मानचित्रों से गायब है। यह समूह आवश्यक रूप से असफल नहीं है; वे अन्य क्षेत्रों में सफल हो सकते हैं, लेकिन उनकी अनुपस्थिति डेटा को हमारे वैज्ञानिक करियर की समझ को विकृत करती है। अध्ययन ने यह भी दिखाया कि प्रकाशन रिकॉर्ड से "गायब" होने की दर समय के साथ बढ़ती है। जबकि लगभग 73% स्नातक अपनी डिग्री के तुरंत बाद प्रकाशन करते देखे जाते हैं, यह संख्या पंद्रह वर्षों के बाद घटकर लगभग 50% रह जाती है। यह गिरावट उन स्नातकों को शामिल करने पर और भी तीव्र हो जाती है जिन्होंने कभी प्रकाशन ही नहीं किया, जो यह सुझाव देता है कि अधिकांश शोधकर्ता केवल एक सीमित समय के लिए वैज्ञानिक साहित्य में योगदान देते हैं।
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या आधुनिक आर्टिफिशियल इंटेलिजेंस उनके संरचित कंप्यूटर सिस्टम की जगह ले सकता है। उन्होंने पाया कि हालांकि लार्ज लैंग्वेज मॉडल्स (LLMs) बहुत सटीक निर्णय ले सकते थे जब वे अत्यधिक आश्वस्त होते थे, लेकिन वे पूरे समूह में मिलान खोजने के मामले में अधिक विशिष्ट स्कोरिंग सिस्टम की तुलना में धीमे और थोड़े कम प्रभावी थे। वे सुझाव देते हैं कि सबसे कुशल दृष्टिकोण यह है कि डेटा को स्कैन करने के लिए तेज़, विशिष्ट प्रणाली का उपयोग किया जाए और फिर केवल उन मामलों के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग किया जाए जहाँ पहला सिस्टम अनिश्चित हो। यह दो-चरणीय प्रक्रिया जटिल मॉडल के साथ हर एक रिकॉर्ड की जांच करने की लागत और समय में फंसे बिना, डेटा का एक व्यापक दृश्य प्रदान करती है।
अंततः, यह कार्य केवल डेटा मिलान की तकनीकी समस्या को ठीक करने के बारे में नहीं है; यह एक अकादमिक करियर की कहानी को बदल देता है। उन स्नातकों को ध्यान में रखकर जो प्रकाशन नहीं करते हैं, यह अध्ययन डॉक्टरेट प्रशिक्षण के परिणामों की अधिक ईमानदार और पूर्ण तस्वीर प्रदान करता है। यह दिखाता है कि पीएचडी के बाद का मार्ग पहले के डेटा की तुलना में कहीं अधिक विविध है, जिसमें बड़ी संख्या में लोग ऐसी भूमिकाओं में जाते हैं जिनमें अकादमिक पत्रिकाओं में प्रकाशन शामिल नहीं है। यहाँ विकसित पद्धति खुली है और इसे अन्य क्षेत्रों और देशों में लागू किया जा सकता है, जो नीति निर्माताओं और शोधकर्ताओं को हर साल डॉक्टरेट प्राप्त करने वाले लाखों लोगों के वास्तविक भाग्य को समझने के लिए एक नया उपकरण प्रदान करती है। यह हमें याद दिलाता है कि एक शोध प्रबंध का अंत हमेशा एक वैज्ञानिक करियर की शुरुआत नहीं होता है, और पीएचडी का मूल्य जर्नल के पन्नों से कहीं अधिक विस्तृत है।
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।