Semantic Alignment, Chronological Distance, and Citation-Network Prominence in Citation Formation: Evidence from Ten Citation Corpora

Sintesi Tecnica: Allineamento Semantico, Distanza Cronologica e Prominenza della Rete di Citazione nella Formazione delle Citazioni

Definizione del Problema
La previsione dei collegamenti di citazione è un problema centrale nell'informetria e nella scienza delle reti, eppure la sua validità metodologica è frequentemente compromessa dal leakage temporale (perdita di informazioni temporali). Molti studi esistenti costruiscono le caratteristiche partendo da grafi di citazione statici e completamente aggregati, permettendo involontariamente a informazioni future (ad esempio, il conteggio finale delle citazioni di un articolo o la topologia finale della rete) di influenzare le previsioni su eventi di citazione passati. Questo "leakage della topologia futura" e forme correlate di leakage gonfiano artificialmente le prestazioni predittive e oscurano le informazioni storicamente disponibili che hanno effettivamente governato il comportamento delle citazioni. Sebbene il leakage temporale sia un problema noto nel machine learning applicato, la previsione delle citazioni rimane unicamente vulnerabile a causa della frequente trascuratezza delle strutture di distanza cronologica nella costruzione dei benchmark.

Metodologia
Lo studio introduce un framework metodologico fortemente mitigato contro il leakage, progettato per valutare la formazione delle citazioni in condizioni temporalmente rigorose. Il nucleo di questo approccio è il grafo con limite temporale ($G_{t_A-1}$), dove tutte le quantità derivate dalla rete sono calcolate esclusivamente sulla base delle informazioni disponibili prima dell'anno di pubblicazione ($t_A$) dell'articolo citante.

1. Tassonomia del Leakage: Gli autori formalizzano quattro distinte forme di leakage temporale:
   • Leakage della Citazione Futura: Il collegamento target esiste nel grafo di computazione delle caratteristiche.
   • Leakage della Topologia Futura: Le misure di centralità/overlap utilizzano nodi/archi che entrano nella rete in o dopo $t_A$.
   • Leakage dei Metadati: Uso di metadati aggiornati retrospettivamente (ad esempio, futuri Impact Factor).
   • Leakage Semantico: Embedding testuali da modelli pre-addestrati che possono codificare implicitamente contesti di citazione dal futuro.
2. Infrastruttura dei Dati: Il framework è applicato a dieci grandi corpora bibliografici recuperati da Dimensions.ai, che coprono cinque domini: Scienza (Ripiegamento Proteico, CRISPR), Ingegneria (Produzione Additiva, Protezione dalla Corrosione), Biomedicina (Neuroblastoma, Osteosarcoma), Scienze Sociali (Disuguaglianza del Reddito, Comportamento Organizzativo) e Umanità (Studi sul Cinema, Studi sulla Memoria). Tutti i corpora coprono il periodo 1975–2024.
3. Spazio dei Candidati e Negativi: Per evitare negativi banali, lo studio impiega negativi temporalmente e topicamente vincolati. Per un articolo citante $A$ e un articolo citato $B$, i candidati negativi sono campionati da articoli pubblicati entro $\pm3$ anni da $B$ e appartenenti allo stesso corpus tematico, garantendo che il modello discrimini tra articoli contemporanei e topicamente rilevanti.
4. Ingegneria delle Caratteristiche e Decomposizione: Le caratteristiche sono raggruppate in tre blocchi esplicativi per una decomposizione S-T-N$_{prom}$:
   • S (Semantica): Allineamento semantico direzionale utilizzando embedding SBERT di titoli e abstract.
   • T (Temporale): Gap temporale di citazione ($t_A - t_B$).
   • N$_{prom}$ (Prominenza della Rete): In-degree di distanza cronologica e PageRank con limite annuale.
5. Modellazione e Valutazione: Viene utilizzato il Gradient Boosting come classificatore primario. La valutazione include la validazione incrociata a 5 pieghe (5-fold cross-validation), test rigorosi di hold-out cronologico (addestramento $\le$ 2015, test 2016–2020) ed esperimenti di ranking top-k (MRR, NDCG@k) per colmare il divario tra discriminazione a coppia e realismo del recupero (retrieval).

Risultati Chiave

• Prestazioni Predittive: Sotto rigorose condizioni di mitigazione del leakage, il Gradient Boosting raggiunge punteggi ROC-AUC compresi tra 0,530 (Protezione dalla Corrosza) e 0,734 (CRISPR). Questi punteggi riflettono la difficoltà intrinseca del compito piuttosto che un fallimento del modello, poiché le prestazioni del test di hold-out temporale rimangono coerenti con la validazione incrociata.
• Dominanza della Distanza Cronologica (T): La decomposizione rivela che la recenza cronologica (T) è la componente esplicativa dominante in quasi tutti i corpora.
  • L'$AUC(T)$ da solo varia da 0,577 a 0,824.
  • Il contributo marginale di T oltre S ($\Delta T$) è positivo in tutti i dieci corpora.
• Ridondanza dell'Allineamento Semantico (S): L'aggiunta dell'allineamento semantico direzionale a un modello che include già la distanza cronologica riduce il potere predittivo ($\Delta S < 0$) in tutti i dieci corpora. In quattro dei dieci corpora, gli articoli citati esibivano un allineamento semantico direzionale marginalmente inferiore rispetto ai candidati non citati.
• Contributo Trascurabile della Prominenza (N$_{prom}$): Una volta noto T, la prominenza della rete di citazione aggiunge un segnale predittivo trascurabile ($\Delta N|_{ST} \approx 0$ o negativo in 8/10 corpora). Ciò non è dovuto alla multicollinearità, poiché T e N$_{prom}$ sono ampiamente indipendenti nella maggior parte dei dataset.
• Citazioni Semanticamente Sorprendenti: Quando le citazioni avvengono nonostante un debole allineamento semantico, tendono a essere temporalmente prossime. Non emerge alcun pattern di prominenza coerente per questi casi, tranne in corpora specifici come la Disuguaglianza del Reddito, dove la prominenza agisce come il principale separatore.

Significato e Rivendicazioni
Il paper posiziona il suo contributo primario come metodologico, fornendo un framework di valutazione rigoroso che privilegia la validità storica rispetto alla massimizzazione dell'accuratezza. Lo studio afferma che:

1. La distanza cronologica è il driver primario della formazione delle citazioni all'interno di comunità accademiche strettamente definite e basate su parole chiave, superando l'allineamento semantico e la prominenza della rete sotto condizioni di controllo del leakage.
2. L'allineamento semantico è ampiamente ridondante con la recenza cronologica in questi contesti vincolati, offrendo scarso potere discriminatorio oltre l'età dell'articolo citato.
3. La previsione delle citazioni è fondamentalmente un problema di recupero (retrieval) che richiede una valutazione oltre la discriminazione a coppie; lo studio dimostra che le prestazioni degradano all'aumentare della complessità del pool di candidati, evidenziando i limiti degli attuali set di caratteristiche nei più ampi scenari di recupero.
4. Esiste eterogeneità specifica per dominio: Sebbene la dominanza di T sia un pattern costante, esistono eccezioni (ad esempio, nella Disuguaglianza del Reddito dove la prominenza domina, e negli Studi sulla Memoria dove l'allineamento semantico contribuisce in modo più significativo), suggerendo che la dinamica delle citazioni è specifica per ogni corpus piuttosto che governata da una legge universale.

Gli autori delimitano esplicitamente il proprio ambito, riconoscendo che le scoperte sono specifiche per i corpora definiti tramite parole chiave e gli spazi dei candidati vincolati utilizzati. Non pretendono che questi risultati si generalizzino al recupero dell'intero corpus o che il contenuto semantico sia irrilevante per la formazione delle citazioni in contesti più ampi, ma che, all'interno dei vincoli specifici del loro framework mitigato dal leakage, il tempo è il predittore più potente.