Epidemiological Models of Topic Propagation in Co-authorship Networks: Degree-Block Models Versus Homogeneous Mixing
Dit artikel daagt de geldigheid uit van het gebruik van co-auteurschapnetwerken als substraat voor epidemische modellen van onderwerpspropagatie, door aan te tonen dat degree-blockmodellen niet consistent beter presteren dan homogene mengmodellen omdat de meeste overnames van onderwerpen plaatsvinden zonder voorafgaande samenwerking met actieve auteurs, wat suggereert dat ware besmetting netwerken vereist die ook niet-overnemers bevatten en voorafgaan aan de overname.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Decennialang hebben wetenschappers geobserveerd hoe nieuwe ideeën zich door de onderzoeksgemeenschap verspreiden, waarbij ze dit proces verveelvoudigden met een virus dat zich door een populatie beweegt. Wanneer een onderzoeker zijn eerste artikel over een nieuw onderwerp publiceert, wordt deze beschouwd als "geïnfecteerd" met dat idee. Als zij stoppen met publiceren over dat onderwerp, zijn zij "hersteld" of zijn zij verder gegaan. Lange tijd nam de standaardmanier om deze verspreiding te modelleren aan dat elke wetenschapper een gelijke kans had om elke andere wetenschapper te ontmoeten, een concept dat bekend staat als homogene menging. Het was een eenvoudig, helder beeld: ideeën zweven in de lucht, en iedereen kan ze op elk moment oppikken. De werkelijkheid van de wetenschap is echter geen vrijpartij. Onderzoekers werken in hechte groepen en werken herhaaldelijk samen met dezelfde kleine kring van collega's. Dit creëert een complex web van verbindingen, waarbij sommige wetenschappers centrale knooppunten zijn met honderden co-auteurs, terwijl de meesten er slechts enkele hebben. De vraag die is blijven hangen, is of dit specifieke web van verbindingen de werkelijke motor is die de verspreiding van ideeën aandrijft, of dat het simpelere model van willekeurige menging eigenlijk voldoende is om te verklaren wat we zien.
Een team van onderzoekers van de Universidad Autónoma Metropolitana in Mexico-Stad zette zich af om deze vraag te testen door naar acht verschillende velden binnen de informatica te kijken, variërend van gevestigde onderwerpen zoals online gegevensverwerking tot opkomende gebieden zoals tiny machine learning. Zij verzamelden gegevens over elk artikel dat tot 2024 in deze velden is gepubliceerd, waarbij zij de auteurs identificeerden en precies in kaart brachten met wie zij hadden samengewerkt. In plaats van aan te nemen dat iedereen met iedereen kon praten, bouwden zij een digitale kaart van de werkelijke co-auteurschapsnetwerken voor elk onderwerp. Op deze kaart plaatsten zij de "infectie" van een idee op de auteurs die er als eerste over publiceerden en observeerden hoe de modellen de verspreiding voorspelden in vergelijking met de werkelijke historische gegevens. Zij draaiden twee soorten simulaties: één die de netwerkstructuur negeerde en uitging van willekeurige menging, en een andere die de werkelijke verbindingen respecteerde, rekening houdend met het feit dat sommige auteurs veel meer collaborators hebben dan anderen.
De resultaten daagden de aanname uit dat de complexe netwerkstructuur de primaire drijfveer is achter de opname van ideeën. Wanneer de onderzoekers de voorspellingen van de netwerkgebaseerde modellen vergeleken met de werkelijke adoptiecurves, presteerden de complexere modellen niet beter. Sterker nog, in vierentwintig afzonderlijke vergelijkingen over de verschillende onderwerpen en modellen, bood de netwerkgebaseerde aanpak slechts in drie gevallen een betere fit. Het simpelere model, dat de specifieke web van verbindingen negeerde, was even goed in het voorspellen van hoeveel auteurs zich in een veld zouden voegen over een bepaalde tijd. Dit suggereert dat de ingewikkelde details van wie wie kent, niet de belangrijkste factor zijn die bepaalt hoe snel een nieuw onderwerp zich verspreidt.
De onderzoekers gingen dieper in om te begrijpen waarom de netwerkstructuur zo weinig leek uit te maken. Zij ontdekten een fundamentele fout in het gebruik van het co-auteurschapsnetwerk van een specifiek onderwerp om de verspreiding van datzelfde onderwerp te modelleren. Het netwerk dat zij bouwden, werd volledig geconstrueerd uit de mensen die het idee al hadden geadopteerd. Het was een kaart van de geïnfecteerden, niet van de vatbaren. In veel gevallen traden tussen de 64% en 95% van de auteurs die een nieuw veld betraden, binnen zonder al eerder met iemand te hebben samengewerkt die al actief was in dat veld. Zij kwamen onafhankelijk aan, bijvoorbeeld door een artikel te lezen of een conferentie bij te wonen, in plaats van het idee direct via een samenwerking op te vangen. Omdat het netwerk werd gebouwd vanuit de mensen die al waren toegetreden, kan het niet de substraat van de besmetting zijn. Het netwerk was een resultaat van de verspreiding, niet de oorzaak.
Bovendien ontdekten de onderzoekers dat de wiskundige eigenschappen die werden gebruikt om de snelheid van een epidemie in een netwerk te voorspellen, vaak instabiel waren in deze context. De modellen vertrouwden op een specifiek getal, afgeleid van de netwerkstructuur, om te bepalen hoe besmettelijk een idee was. Echter, voor drie van de vier groeiende onderwerpen was dit getal zo gevoelig dat het model geen unieke waarde kon bepalen; de beste fit werd altijd naar de uiterste rand van het mogelijke bereik gedreven. Dit geeft aan dat de gegevens simpelweg niet genoeg informatie bevatten om de exacte snelheid te bepalen waarmee auteurs een onderwerp verlaten of eruit terugtrekken. De groei van het veld was echter duidelijk en meetbaar, maar de interne mechanica van het netwerkmodel waren te fragiel om het te verklaren.
Uiteindelijk concludeert het onderzoek dat we, om echt te begrijpen hoe ideeën zich verspreiden door samenwerking, een ander soort kaart nodig hebben. Het netwerk dat in dit onderzoek werd gebruikt, bevatte alleen de mensen die het onderwerp uiteindelijk adopteerden, waardoor de grote meerderheid van de onderzoekers die nooit deelnamen, buiten beschouwing bleef. Om de besmetting in actie te zien, zou men een netwerk nodig hebben dat iedereen omvat, inclus[ief] zij die het idee nooit hebben geadopteerd, en dat bestaat vóórdat het idee zich verspreidt. Zonder een kaart van de vatbare populatie die voorafgaat aan de infectie, kunnen de complexe netwerkmodellen de eenvoudige aanname dat ideeën zich verspreiden via een algemene groep onderzoekers niet evenaren. De bevindingen suggereren dat hoewel samenwerking essentieel is voor de wetenschap, het specifieke web van co-auteurschappen binnen een enkel onderwerp niet de verborgen motor is die de adoptie van nieuwe ideeën aanstuurt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.