CiteRadar: A Citation Intelligence Platform for Researcher Profiling and Geographic Visualization

以下は、論文「CiteRadar: A Citation Intelligence Platform for Researcher Profiling and Geographic Visualization」の詳細な技術的サマリーです。

1. 問題提起

集計された文献指標（総被引用数や h インデックスなど）は研究影響力を測定する標準的な手段ですが、キャリア開発、助成金申請、コラボレーションの発見に不可欠な詳細な問いには答えられていません。研究者は以下の情報を必要としています。

• 誰が彼らの研究を引用しているか（具体的な名前、所属機関、役職）。
• これらの研究者が世界的にどこに所在しているか。
• 引用した研究者が個々にどの程度影響力があるか。

既存の解決策は不十分です。

• 商用プラットフォーム（Web of Science、Scopus）はこのデータを提供しますが、高額な機関向けサブスクリプションが必要です。
• Google Scholarは無料で広く利用されていますが、構造化された著者ごとのメタデータや地理データなしに、集計された数のみを公開しています。
• オープン API（OpenAlex、CrossRef）は生データを提供しますが、統合された自動化ツールとして組み立てるには、大規模な独自エンジニアリングが必要です。
• 既存のオープンツール（例：CitationMap）は、著者識別、構造化されたランキング、複数ソースからのメタデータ充実化が不足しています。

2. 手法

CiteRadar は、単一の Google Scholar ユーザー ID を包括的な引用インテリジェンスレポートに変換する5 段階のパイプラインを自動化するオープンソースの Python コマンドラインツールです。このシステムは、Google Scholar、OpenAlex、CrossRef、Semantic Scholar、OpenStreetMap Nominatim の 5 つの異種データソースを統合しています。

パイプラインの段階：

1. Scholar スクレイピングと引用追跡:
   • Google Scholar プロフィールから完全な出版物リストをスクレイピングします。
   • 引用数が 0 超のすべての論文について、「Cited by」リンクを走査します。
   • BAN 回避戦略: 現実的なブラウザ指紋、保守的なリクエスト間隔（2 秒の遅延）、そして 429 エラーの優雅な回復機能を使用して、レート制限を回避します。
2. メタデータ充実化（CrossRef）:
   • Scholar が著者リストを切り捨てている論文（通常 5 名超）については、タイトル類似性マッチングを使用して CrossRef API にクエリを送信し、完全で構造化された著者リストを取得します。
3. 複数ソースによる著者プロファイリング:
   • 完全な著者メタデータ（名前、機関、国、都市）を以下の優先度カスケードで解決します。
     1. OpenAlex（一次）: 永続的な著者 ID と機関データを提供。
     2. Semantic Scholar（二次）: 名前/所属のフォールバック。
     3. CrossRef（三次）: 構造化された名前のフォールバック。
   • URL 修正: OpenAlex の機関 Web URL が API エンドポイントの代わりに取得されていた重大なバグを修正し、都市レベルのデータ利用可能性を 0% から約 60% に引き上げました。
4. 著者識別とランキング:
   • 「同名」エンティティの結合（文献指標で一般的な失敗）を防ぐための2 段階識別アルゴリズムを実装しています。
   • 段階 1: 候補著者の機関を、段階 3 で記録された論文レベルの機関に対して、ストップワードでフィルタリングされた文字列類似性を用いて検証します。
   • 段階 2: OpenAlex ID が存在しない場合、名前で検索し、名前類似性と機関の一致に基づいて候補をフィルタリングします。
   • ランキング: 2 つのランキング表を生成します。1 つは引用頻度（研究者を引用した論文数）によるもの、もう 1 つはh インデックス（引用した研究者の影響力）によるものです。
5. サマリーと可視化:
   • 固有の研究者、国、機関に関するプレーンテキストの統計サマリーを生成します。
   • Folium ライブラリを使用して、単一の自己完結型インタラクティブ HTML 世界地図を作成します。
   • ジオコーディング: OpenStreetMap Nominatim を使用して、都市/国のペアを座標に変換します。
   • 可視化: 大きな都市が小さな都市を隠さないよう、研究者密度を表すために対数スケールの円マーカーを使用します。

3. 主要な技術的貢献

この論文は、4 つの特定の技術的課題を特定し、解決しています。

1. Unicode 不分割スペースパーサー: Google Scholar の HTML は、区切り文字の周りに標準的なスペースの代わりに U+00A0（不分割スペース）を使用しています。CiteRadar は明示的な Unicode 正規化を実装して、そうでなければ単純なパーサーでは空のままになる会場と年のフィールドを正しく解析します。
2. ストップワードフィルタリングされた機関類似性: 著者識別を解決するために、システムは文字列類似性を計算する前に、一般的な機関のストップワード（例：「University」、「of」、「Lab」）をフィルタリングします。これにより、「Texas Tech University」と「University of Texas」のような異なる機関間の誤った一致を防ぎ、h インデックスの帰属エラーを最大 9 倍削減します。
3. OpenAlex API URL 変換: 著者らは、Web URL 経由で機関データを取得すると JSON ではなく HTML が返されることを発見しました。彼らはパス変換（/openalex.org/ $\to$ /api.openalex.org/institutions/）を設計し、都市レベルのデータを持つ著者の割合を 0% から約 60% に増加させました。
4. 対数地図スケーリング: インタラクティブな地図は、マーカー半径に対して対数スケーリング関数（$r(n) = \max(7, 7 + 10 \log_2(n+1))$）と知覚的に順序付けられたカラーパレットを使用し、視覚的な雑音なしに引用密度を効果的に可視化します。

4. 結果とケーススタディ

著者らは、自身の Google Scholar プロフィール（HPC および AI システム研究）をプロファイリングすることで CiteRadar を検証しました。

• 規模: パイプラインは、11 か国、31 の機関にまたがる 134 人の固有の引用研究者を処理しました。
• 地理的洞察: 米国（64%）に支配的なクラスターと、特に Sogang 大学における 9% の重要な独立クラスターを特定しました。
• 識別の成功: システムは類似した名前の研究者を正常に区別し、誤ったエントリ（例：著者と誤認された会議名）をフィルタリングし、h インデックスを正しく帰属させました。
• 実行可能な知見:
  • Oak Ridge 国立研究所の 20 名の研究者による著者の手法の採用を明らかにしました（DOE 助成金提案に有用）。
  • 作品を引用しているシニア研究者（h インデックス $\ge$ 50）を特定し、昇任/昇格のケースに対する定性的証拠を提供しました。
  • 学際的な影響を発見しました（VLSI 設計研究者によって引用された LLM ベンチマーク論文）。

5. 意義

CiteRadar は、生データと個々の研究者にとっての実用的なインテリジェンスの間のギャップを埋めます。

• アクセシビリティ: 高額なサブスクリプションを持つ機関にのみ限定されていた高度な文献インテリジェンスへのアクセスを民主化します。
• 詳細さ: 「いくつ」の引用から「誰が」「どこで」へと移行し、ターゲットを絞ったコラボレーションと戦略的なキャリアプランニングを可能にします。
• 再現性: 単一の pip install パッケージとして、引用分析のための透明性が高く再現性のあるワークフローを提供します。
• 堅牢性: 主要なデータソースの特定の解析の癖や API の制限に対処することで、オープンソースの文献ツールにおける信頼性の新しい基準を設定します。

入手先: このツールはオープンソース（MIT ライセンス）であり、https://github.com/chenxuniu/citeradar で利用可能です。