Measuring coverage of cited fields by author publication histories

तकनीकी सारांश: लेखक के प्रकाशन इतिहास द्वारा उद्धृत क्षेत्रों के कवरेज का मापन

समस्या विवरण
बिब्लियोमेट्रिक अध्ययन अक्सर विषयगत विविधता, ज्ञान संयोजन और साहित्य की आयु को चित्रित करने के लिए संदर्भ सूचियों (reference lists) का उपयोग करते हैं। हालांकि, एक महत्वपूर्ण अंतर अभी भी अनसुलझा है: उद्धृत साहित्य और उस कार्य को तैयार करने वाले लेखक के विशिष्ट प्रकाशन इतिहास के बीच संबंध। एक विविध संदर्भ सूची एक शोध टीम के पूर्व रिकॉर्ड में अच्छी तरह से प्रतिनिधित्व कर सकती है, जबकि दूसरी टीम के लिए यह काफी हद तक अनुपस्थित हो सकती है। विशेषज्ञता विविधता के मौजूदा माप अक्सर लेखक प्रोफाइल के बीच की दूरी या केवल पोर्टफोलियो की संरचना पर ध्यान केंद्रित करते हैं, बिना दोनों के प्रतिच्छेदन (intersection) को मात्रात्मक रूप से मापे। यह शोध पत्र तर्क देता है कि टीम अनुसंधान को समझने के लिए एक विशिष्ट माप की आवश्यकता है कि एक पेपर के उद्धृत संदर्भ वितरण का कितना हिस्सा व्यक्तिगत लेखक के इतिहास बनाम संयुक्त टीम इतिहास में प्रतिनिधित्व पाता है, और कितना हिस्सा बिना कवर हुआ (uncovered) रह जाता है।

कार्यप्रणाली
यह अध्ययन एक संदर्भ-भारित अपघटन ढांचे (reference-weighted decomposition framework) को पेश करता है जो एक फोकल पेपर के उद्धृत क्षेत्रों को तीन घटकों में विभाजित करता है:

1. अधिकतम व्यक्तिगत कवरेज ($M$): उन उद्धृत श्रेणियों का हिस्सा जो सबसे व्यापक प्रासंगिक इतिहास वाले एकल लेखक द्वारा कवर किया गया है।
2. अतिरिक्त सह-लेखक कवरेज ($D$): सभी सह-लेखकों के इतिहास को संयोजित करने से प्राप्त वृद्धिशील (incremental) हिस्सा, जो $M$ द्वारा कवर किए गए हिस्से से अधिक है।
3. अनकवर्ड शेष ($E$): उन उद्धृत श्रेणियों का हिस्सा जो प्रत्येक लेखक के प्रेक्षित प्रकाशन इतिहास में अनुपस्थित है।

ढांचा दो अवलोकन खिड़कियों (observation windows) के बीच अंतर करता है: एक प्रीप्रोजेक्ट विंडो (प्रोजेक्ट शुरू होने से पांच वर्ष पहले) और एक प्रीपब्लिकेशन विंडो (फोकल पेपर से पांच वर्ष पहले)। यह शुद्ध कवरेज परिवर्तन ($A = E_{pre} - E_{pub}$) की गणना करने की अनुमति देता है, जिससे आधारभूत अनकवर्ड शेयर को बाद के लाभों या हानियों से अलग किया जा सके।

डेटा और अनुमानात्मक क्रम
अध्ययन एक लिंक्ड डेटासेट का उपयोग करता है जो कोरियाई राष्ट्रीय विज्ञान और प्रौद्योगिकी सूचना सेवा (NTIS) अनुदान रिकॉर्ड, राष्ट्रीय अनुसंधान फाउंडेशन (NRF) पावती (acknowledgments), और OpenAlex प्रकाशनों को जोड़ता है। विश्लेषण एक तीन-चरणीय अनुमानात्मक क्रम का पालन करता है:

• डिस्कवरी स्टेज: 115 अनुदान-लिंक्ड पेपर।
• प्रथम पुष्टिकरण स्टेज: 240 पेपर (एक्सप्लोरेटरी डायग्नोस्टिक्स के लिए कुल $N=355$)।
• द्वितीय पुष्टिकरण स्टेज: एक भविष्योन्मुखी निश्चित प्रोटोकॉल जो 832 के बड़े पूल में से चयनित 194 अनुदानों (112 AI-उपयोग, 82 गैर-AI) का विश्लेषण करता है।

प्राथमिक अनुप्रयोग यह जांचना है कि क्या आर्टिफिशियल इंटेलिजेंस (AI) के उपयोग के रूप में वर्गीकृत प्रोजेक्ट्स, गैर-AI प्रोजेक्ट्स की तुलना में उच्च आधारभूत अनकवर्ड शेयर ($E_{pre}$) प्रदर्शित करते हैं, जो अनजानी जानकारी (unfamiliar knowledge) पेश करने में AI की भूमिका के बारे में परिकल्पनाओं का परीक्षण करता है।

प्रमुख योगदान और मेट्रिक्स

• कवरेज का अपघटन: यह पेपर एक सामान्य आधार (common denominator) पर व्यक्तिगत, सामूहिक और अनकवर्ड संदर्भ शेयरों को अलग करने के लिए एक पुनरुत्पादनीय (reproducible) विधि प्रदान करता है, जिसे उद्धरण आवृत्ति द्वारा भारित किया गया है।
• उद्धरण जोर विश्लेषण (Citation Emphasis Analysis): भीतर-पेपर पुनर्वितरण प्रयोगों के माध्यम से, अध्ययन लेखक के इतिहास, विविधता और क्षेत्र के कुल योग को स्थिर रखते हुए उद्धरण गणनाओं को परिवर्तित करता है। यह इस प्रभाव को अलग करता है कि उद्धरण कहाँ रखे गए हैं (कवर्ड बनाम अनकवर्ड क्षेत्र), पोर्टफोलियो की संरचना से स्वतंत्र।
• परिचितता से अंतर: लेखक स्पष्ट रूप से कहता है कि $E$ अनुक्रमित साक्ष्य की अनुपस्थिति को मापता है, न कि वास्तविक विशेषज्ञता या सीखने की अनुपस्थिति को। यह केवल रिकॉर्ड और उद्धरणों के बीच के प्रतिच्छेदन का एक वर्णनात्मक लेखांकन है, संज्ञानात्मक परिचितता (cognitive familiarity) का प्रॉक्सी नहीं है।

परिणाम

• एक्सप्लोरेटरी डायग्नोस्टिक्स:

  • संदर्भ विविधता (शैनन एंट्रॉपी) लेखक की संख्या, संदर्भ संख्या और इतिहास की मात्रा के समायोजन के बाद भी $E_{pre}$ के साथ सकारात्मक रूप से जुड़ी हुई है। डिस्कवरी स्टेज में, मॉडल में विविधता जोड़ने से $R^2$ 0.328 से बढ़कर 0.502 हो गया।
  • उद्धरण जोर: वास्तविक पोर्टफोलियो संरचनात्मक बेंचमार्क की तुलना में अनकवर्ड उपक्षेत्रों पर काफी कम भार डालते हैं। डिस्कवरी स्टेज में, देखा गया अनकवर्ड शेयर, क्षेत्र-सशर्त पुनर्वितरण बेंचमार्क से 8.66 प्रतिशत अंक कम था (95% CI: 6.22–11.36)। यह अंतर पेपर के अपने प्राथमिक उपक्षेत्र के संदर्भों को बाहर करने के बाद भी बना रहा।
  • एकत्रीकरण प्रभाव: AI-उपयोग वाले पेपरों में, "अतिरिक्त सह-लेखक कवरेज" ($D$) प्रथम-पुष्टिकरण चरण में प्रति पेपर औसतन 10.89% है लेकिन प्रति संदर्भ उपस्थिति के लिए केवल 3.45%, जो यह उजागर करता है कि कैसे एकत्रीकरण मेट्रिक्स विशिष्ट उद्धरणों में सह-लेखकों के सीमांत योगदान को अस्पष्ट कर सकते हैं।

• AI अनुप्रयोग (परिकल्पना परीक्षण):

  • डिस्कवरी: अनकवर्ड शेयर और AI उपयोग के बीच सकारात्मक संबंध का सुझाव दिया।
  • प्रथम पुष्टिकरण: सकारात्मक शुद्ध कवरेज परिवर्तन ($A$) के प्राथमिक परीक्षण में विफल रहा।
  • द्वितीय पुष्टिकरण: पिछले परिणामों के आधार पर प्राथमिक एंडपॉइंट को $E_{pre}$ (प्रीप्रोजेक्ट अनकवर्ड शेयर) में बदल दिया गया। पैरेंट-फील्ड समायोजन के तहत AI-उपयोग गुणांक +0.455 (+/- 6.831 से 7.742) और विस्तृत-फील्ड समायोजन के तहत +0.517 (+/- 7.395 से 8.428) के करीब था।
  • AI पर निष्कर्ष: अध्ययन यह पुष्टि नहीं करता है कि AI-उपयोग वाले प्रोजेक्ट्स का आधारभूत अनकवर्ड शेयर अधिक होता है। हालांकि AI-उपयोग वाले पेपर AI साहित्य को अधिक उद्धृत करते हैं, लेकिन यह साहित्य अक्सर लेखक के पूर्व रिकॉर्ड में पहले से ही प्रतिनिधित्व पाता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह दस्तावेजीकृत प्रकाशन इतिहास के सापेक्ष उद्धरण जोर का एक पुनरुत्पादनीय विवरण प्रदान करता है। इसका प्राथमिक योगदान पद्धतिगत है: यह एक ढांचा स्थापित करता है कि टीम के पिछले कार्य द्वारा उद्धृत क्षेत्रों के कितने हिस्से "कवर" हैं बनाम कितने "अनकवर्ड" हैं।

लेखक अपने दावों में विनम्र है, और इस बात पर जोर देता है कि:

1. कवरेज $\neq$ परिचितता: एक अनकवर्ड संदर्भ अनुक्रमित इतिहास की कमी को दर्शाता है, न कि आवश्यक रूप से विशेषज्ञता या सीखने की कमी को।
2. कोई कारण संबंध (Causal Mechanism) नहीं: अध्ययन संबंधों और संरचनात्मक विरोधाभासों का वर्णन करता है लेकिन यह स्थापित नहीं करता कि टीमें अनकवर्ड क्षेत्रों को क्यों उद्धृत करती हैं या ज्ञान कैसे प्राप्त किया जाता है।
3. संदर्भ निर्भरता: परिणाम कोरियाई अनुदानों के देखे गए, रूढ़िवादी-लिंक्ड जनसंख्या के विशिष्ट हैं और बिना आगे के सत्यापन के सभी शोध संदर्भों में सामान्यीकृत नहीं होते हैं।
4. व्याख्या की सीमाएं: ढांचा उद्धरण जोर और रिकॉर्ड के बीच संबंध की पहचान करता है लेकिन अनपरिचितता स्थापित नहीं करता है। AI जुड़ाव की विफलता यह सुझाव देती है कि इस नमूने में AI अनुसंधान आवश्यक रूप से लेखक के पूर्व रिकॉर्ड के बाहर के क्षेत्रों पर निर्भर नहीं है।

अंततः, शोध पत्र तर्क देता है कि कवरेज को मापना बिब्लियोमेट्रिक विश्लेषण में एक आवश्यक सूक्ष्मता (granularity) प्रदान करता है, जो एक पेपर की संदर्भ विविधता और उन संदर्भों के लेखक की दस्तावेजी विशेषज्ञता के साथ संरेखण के बीच अंतर करता है।