Epidemiological Models of Topic Propagation in Co-authorship Networks: Degree-Block Models Versus Homogeneous Mixing
यह शोध पत्र विषय प्रसार (topic propagation) के महामारी संबंधी मॉडलों के लिए सह-लेखक नेटवर्क (co-authorship networks) को आधार के रूप में उपयोग करने की वैधता को चुनौती देता है, यह प्रदर्शित करते हुए कि डिग्री-ब्लॉक मॉडल (degree-block models) समरूप मिश्रण मॉडलों (homogeneous mixing models) से लगातार बेहतर प्रदर्शन नहीं करते हैं क्योंकि अधिकांश विषय अपनाना (topic adoption) सक्रिय लेखकों के साथ पूर्व सहयोग के बिना होता है, जो यह सुझाव देता है कि वास्तविक संक्रामकता (true contagion) के लिए ऐसे नेटवर्कों की आवश्यकता होती है जिनमें गैर-अपनाने वाले (non-adopters) शामिल हों और जो अपनाने से पहले के हों।
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
द दशकों से, वैज्ञानिक इस बात पर नज़र रखते आए हैं कि शोध समुदाय में नए विचार कैसे फैलते हैं, वे इस प्रक्रिया को एक आबादी में फैलते वायरस की तरह मानते हैं। जब कोई शोधकर्ता किसी नए विषय पर अपना पहला पेपर प्रकाशित करता है, तो उन्हें उस विचार से "संक्रमित" माना जाता है। यदि वे उस पर प्रकाशन करना बंद कर देते हैं, तो वे "स्वस्थ" हो जाते हैं या आगे बढ़ जाते हैं। लंबे समय तक, इस प्रसार को मॉडल करने का मानक तरीका यह मानता था कि प्रत्येक वैज्ञानिक के पास प्रत्येक अन्य वैज्ञानिक से मिलने का समान अवसर होता है, जिसे 'होमोजेनियस मिक्सिंग' (समान मिश्रण) के रूप में जाना जाता है। यह एक सरल, स्पष्ट चित्र था: विचार हवा में तैरते हैं, और कोई भी उन्हें किसी भी समय पकड़ सकता है। हालाँकि, विज्ञान की वास्तविक दुनिया ऐसी स्वतंत्र व्यवस्था नहीं है। शोधकर्ता करीबी समूहों में काम करते हैं, अपने सहयोगियों के एक छोटे से दायरे के साथ बार-बार सहयोग करते हैं। यह संबंधों का एक जटिल जाल बनाता है, जहाँ कुछ वैज्ञानिक सैकड़ों सह-लेखकों वाले केंद्रीय केंद्र होते हैं, जबकि अधिकांश के पास केवल कुछ ही होते हैं। प्रश्न यह बना हुआ है कि क्या संबंधों का यह विशिष्ट जाल वास्तव में विचारों के प्रसार को चलाने वाला इंजन है, या क्या सरल, यादृच्छिक-मिश्रण वाला मॉडल वास्तव में यह समझाने के लिए पर्याप्त है कि हम क्या देखते हैं।
मेक्सिको सिटी के यूनिवर्सिडैड ऑटोनोमा उमा मेट्रोपॉलिटाना के शोधकर्ताओं की एक टीम ने कंप्यूटर विज्ञान के आठ अलग-अलग क्षेत्रों को देखकर इस प्रश्न का परीक्षण करने का निर्णय लिया, जिसमें ऑनलाइन डेटा प्रोसेसिंग जैसे स्थापित विषयों से लेकर टिनी मशीन लर्निंग जैसे उभरते क्षेत्रों तक शामिल हैं। उन्होंने 2024 तक इन क्षेत्रों में प्रकाशित प्रत्येक पेपर का डेटा एकत्र किया, लेखकों की पहचान की और यह भी मैप किया कि किसने किसके साथ काम किया है। यह मानने के बजाय कि हर कोई हर किसी से बात कर सकता है, उन्होंने प्रत्येक विषय के लिए वास्तविक सह-लेखक नेटवर्क का एक डिजिटल मानचित्र बनाया। इस मानचित्र पर, उन्होंने उन लेखकों पर विचार का "संक्रमण" रखा जिन्होंने पहली बार उस पर प्रकाशन किया था और देखा कि वास्तविक ऐतिहासिक डेटा की तुलना में मॉडल ने प्रसार की भविष्यवाणी कैसे की। उन्होंने दो प्रकार के सिमुलेशन चलाए: एक जिसने नेटवर्क संरचना को अनदेखा किया और यादृच्छिक मिश्रण माना, और दूसरा जिसने वास्तविक कनेक्शनों का सम्मान किया, इस तथ्य को ध्यान में रखते हुए कि कुछ लेखकों के कई अधिक सहयोगात्मक होते हैं।
परिणामों ने इस धारणा को चुनौती दी कि जटिल नेटवर्क संरचना ही विचारों के पकड़ बनाने का प्राथमिक चालक है। जब शोधकर्ताओं ने नेटवर्क-आधारित मॉडलों की भविष्यवाणियों की वास्तविक-दुनिया के अपनाना वक्रों (adoption curves) के विरुद्ध तुलना की, तो अधिक जटिल मॉडल बेहतर प्रदर्शन नहीं कर सके। वास्तव में, विभिन्न विषयों और मॉडलों के बाइस अलग-अलग तुलनाओं में, नेटवर्क-आधारित दृष्टिकोण केवल तीन मामलों में बेहतर फिट बैठता पाया गया। सरल मॉडल, जिसने संबंधों के विशिष्ट जाल को अनदेखा किया था, यह बताने में उतना ही सक्षम था कि समय के साथ कितने लेखक एक क्षेत्र में शामिल होंगे। यह सुझाव देता है कि कौन किसे जानता है, इसके जटिल विवरण यह निर्धारित करने वाला मुख्य कारक नहीं हैं कि एक नया विषय कितनी तेज़ी से फैलता है।
शोधकर्ताओं ने इस बात को समझने के लिए गहराई से खोज की कि नेटवर्क संरचना का महत्व इतना कम क्यों था। उन्होंने पाया कि किसी विशिष्ट विषय के सह-लेखक नेटवर्क का उपयोग उसी विषय के प्रसार को मॉडल करने के लिए करना एक मौलिक दोष है। उनके द्वारा बनाया गया नेटवर्क पूरी तरह से उन लोगों से बना था जिन्होंने पहले ही विचार को अपना लिया था। यह संक्रमितों का एक मानचित्र था, न कि अतिसंवेदनशील (susceptible) लोगों का। कई मामलों में, 64% से 95% के बीच लेखकों ने किसी नए क्षेत्र में प्रवेश किया, बिना उस क्षेत्र में पहले से सक्रिय किसी भी व्यक्ति के साथ सह-लेखक बने। वे स्वतंत्र रूप से आए, शायद एक पेपर पढ़कर या एक सम्मेलन में भाग लेकर, न कि प्रत्यक्ष सहयोग के माध्यम से विचार को पकड़कर। क्योंकि नेटवर्क उन लोगों से बना था जो पहले ही शामिल हो चुके थे, इसलिए यह संक्रामक माध्यम (substrate) नहीं हो सकता। नेटवर्क प्रसार का एक परिणाम था, कारण नहीं।
इसके अलावा, शोधकर्ताओं ने पाया कि नेटवर्क में महामारी की गति की भविष्यवाणी करने के लिए उपयोग किए जाने वाले गणितीय गुण अक्सर इस संदर्भ में अस्थिर होते हैं। मॉडल एक विशिष्ट संख्या पर निर्भर करते हैं जो नेटवर्क की संरचना से प्राप्त होती है ताकि यह निर्धारित किया जा सके कि कोई विचार कितना संक्रामक है। हालाँकि, चार में से तीन बढ़ते हुए विषयों के लिए, यह संख्या इतनी संवेदनशील थी कि मॉडल एक अद्वितीय मान निर्धारित नहीं कर सका; सबसे अच्छा फिट हमेशा संभावित सीमा के बिल्कुल किनारे पर पहुँच जाता था। यह इंगित करता है कि डेटा में यह निर्धारित करने के लिए पर्याप्त जानकारी नहीं है कि लेखक किसी विषय से कितनी तेज़ी से उबरते हैं या उसे छोड़ देते हैं। क्षेत्र का विकास स्पष्ट और मापने योग्य था, लेकिन नेटवर्क मॉडल की आंतरिक कार्यप्रणाली इसे समझाने के लिए बहुत नाजुक थी।
अंततः, अध्ययन यह निष्कर्ष निकालता है कि सहयोग के माध्यम से विचारों के प्रसार को वास्तव में समझने के लिए, हमें एक अलग प्रकार के मानचित्र की आवश्यकता है। इस अध्ययन में उपयोग किया गया नेटवर्क केवल उन लोगों को शामिल करता था जिन्होंने अंततः विषय को अपनाया, जिससे उन बड़ी संख्या में शोधकर्ताओं की अनदेखी हुई जो कभी शामिल नहीं हुए। संक्रामकता को क्रिया में देखने के लिए, आपको एक ऐसे नेटवर्क की आवश्यकता होगी जिसमें वे सभी शामिल हों, जिनमें वे लोग भी शामिल हों जिन्होंने कभी विचार को नहीं अपनाया, और जो विचार के फैलने से पहले मौजूद हो। संक्रमित आबादी के पूर्ववर्ती (precede) अतिसंवेदनशील आबादी के मानचित्र के बिना, जटिल नेटवर्क मॉडल सरल धारणा कि विचार शोधकर्ताओं के एक सामान्य समूह के माध्यम से फैलते हैं, से बेहतर प्रदर्शन नहीं कर सकते। निष्कर्ष बताते हैं कि यद्यपि सहयोग विज्ञान के लिए आवश्यक है, लेकिन एक ही विषय के भीतर सह-लेखकता का विशिष्ट वेब नए विचारों को अपनाने को चलाने वाला छिपा हुआ इंजन नहीं 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।