How Do We Engage with Other Disciplines? A Framework to Study Meaningful Interdisciplinary Discourse in Scholarly Publications
Este artigo propõe um novo framework e uma taxonomia de propósito de citação personalizada para avaliar quantitativamente como as publicações interdisciplinares de PLN se engajam e incorporam ideias de outras disciplinas de forma significativa, abordando as limitações das métricas computacionais existentes.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine que você está caminhando por uma biblioteca imensa onde livros de diferentes mundos — como "Ciência da Computação", "Psicologia" e "Sociologia" — estão todos misturados nas mesmas prateleiras. Por muito tempo, os bibliotecários (pesquisadores) tentaram descobrir o quão bem esses livros conversam entre si.
A forma antiga de medir isso era como contar quantos adesivos coloridos diferentes havia na capa de um livro. Se um livro tivesse adesivos de cinco cores diferentes, os bibliotecários assumiam que aquela era uma conversa profunda e rica entre esses cinco mundos. Mas os autores deste artigo argumentam que isso é enganoso. Só porque um livro menciona um conceito de psicologia em sua introdução, não significa que ele realmente use esse conceito para construir suas próprias ideias. Pode ser apenas uma menção superficial.
Este artigo propõe uma nova maneira de medir a conversa: o Preditor de Engajamento de Citação (CEP - Citation Engagement Predictor).
Veja como o novo sistema deles funciona, dividido em partes simples:
1. A Nova Taxonomia de "Propósito" (O "Porquê")
Em vez de apenas contar citações, os autores criaram um novo conjunto de rótulos para perguntar: "Por que o autor incluiu esta referência específica?"
Pense nisso como analisar a receita de um chef.
- Forma Antiga: "Esta receita usa ingredientes da Itália, do México e do Japão." (Apenas uma lista).
- Nova Forma: "O chef usou o molho de tomate italiano como a base para todo o prato," ou "O chef usou a especiaria mexicana apenas para definir o que é 'picante'," ou "O chef usou a técnica japonesa para provar que seu molho é melhor."
Eles criaram categorias específicas para essas perguntas de "porquê", tais como:
- Base (Basis): A ideia citada é o alicerce sobre o qual todo o artigo é construído.
- Substanciação (Substantiation): A ideia citada é usada como evidência para provar uma afirmação.
- Uso (Use): O artigo realmente usa o método ou a ferramenta citada diretamente.
- Definição (Definition): O artigo usa a citação para explicar o significado de uma palavra.
- Trabalhos Relacionados (Related Work): O artigo apenas menciona a citação para dizer: "Ei, outras pessoas também fizeram isso", sem construir algo sobre ela.
2. A Pista da "Localização" (O "Onde")
Os autores também perceberam que onde uma citação aparece no artigo importa.
- Se uma citação está na Introdução, ela pode estar apenas preparando o cenário (como um objeto de cenário de fundo).
- Se uma citação está nas seções de Métodos ou Experimentos, é provável que esteja sendo usada como uma ferramenta para realizar o trabalho real (como um martelo em uma caixa de ferramentas).
3. O "Preditor de Engajamento de Citação" (A Pontuação)
Os autores construíram um modelo de computador (um "preditor") que combina o Porquê (Propósito) e o Onde (Seção) para dar uma pontuação única de 1 a 5.
- Pontuação 1: O artigo mal menciona o outro trabalho. É um aceno superficial.
- Pontuação 5: O artigo integra profundamente o outro trabalho, usando-o como base ou ferramenta central.
Eles testaram isso fazendo com que especialistas humanos lessem 100 pares de artigos e citações para ver se a pontuação do computador correspondia à sensação humana de "engajamento profundo". O computador foi muito bom nisso, provando que observar como uma citação é usada é mais importante do que apenas contar quantas citações existem.
4. O Que Eles Descobriram (O Estudo de Caso)
Eles aplicaram este novo sistema a um grupo específico de artigos que se situam na interseção entre o Processamento de Linguagem Natural (PLN) (ensinar computadores a entender a linguagem humana) e a Ciência Social Computacional (CSC) (usar computadores para estudar a sociedade humana).
A Grande Descoberta:
Eles descobriram que a maioria desses artigos é, na verdade, bastante rasa em suas conversas interdisciplinares.
- O Problema da "Menção Superficial": Muitos artigos citam ideias das ciências sociais em sua introdução apenas para dizer "Sabemos que isso existe", mas depois não utilizam essas ideias para construir seus métodos.
- O "Mergulho Profundo" é Raro: Apenas uma pequena fração dos artigos (cerca de 3%) realmente se engajou profundamente com outras disciplinas. Esses artigos raros foram aqueles que não apenas mencionaram um conceito, mas o usaram para definir suas ferramentas ou provar suas teorias.
- Interno vs. Externo: Curiosamente, esses artigos tendiam a se engajar mais profundamente com outros artigos de ciência da computação (dentro de sua própria disciplina) do que com artigos de ciências sociais (fora de sua disciplina).
A Conclusão
Este artigo é como uma nova lupa para pesquisadores. Em vez de apenas contar quantas bolinhas coloridas diferentes há em um pote (a forma antiga), esta nova ferramenta observa como essas bolinhas estão sendo realmente usadas para construir uma estrutura. Ela revela que, embora muitos pesquisadores digam que estão fazendo um trabalho interdisciplinar profundo, eles estão frequentemente apenas arranhando a superfície. Os autores esperam que essa ferramenta ajude a comunidade científica a compreender a verdadeira profundidade da colaboração entre diferentes campos.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.