Epidemiological Models of Topic Propagation in Co-authorship Networks: Degree-Block Models Versus Homogeneous Mixing
本文挑战了将合著网络作为话题传播流行病模型底层的有效性，证明了度块模型并不能一致地优于同质混合模型，因为大多数话题采纳行为的发生并不依赖于与活跃作者的先前合作，这表明真正的传染需要包含非采纳者且在采纳发生前便已存在的网络。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几十年来，科学家们一直在观察新思想如何在研究界传播，将其过程视为一种在人群中移动的病毒。当一名研究人员在其研究的新领域发表第一篇论文时，他们被认为被该思想“感染”了。如果他们停止在该领域发表论文，则被视为“康复”或转向了其他领域。长期以来，模拟这种传播的标准方式假设每位科学家都有相等的机会接触到其他科学家，这一概念被称为同质混合（homogeneous mixing）。这是一个简单、纯粹的模型：思想在空气中漂浮，任何人随时都可以捕捉到它们。然而，科学界的真实情况并非一场自由竞争。研究人员在紧密的群体中工作，反复与同一小圈同事进行协作。这创造了一个复杂的连接网络，其中一些科学家是拥有数百名共同作者的核心枢纽，而大多数人只有寥寥数人。悬而未决的问题是，这种特定的连接网络是否才是驱动思想传播的真正引擎，还是更简单的随机混合模型实际上足以解释我们所看到的情况。
来自墨西哥城自治大学的研究团队试图通过研究计算机科学领域的八个不同领域来测试这个问题，这些领域涵盖了从成熟课题如在线数据处理到新兴领域如微型机器学习。他们收集了截至2024年这些领域发表的所有论文的数据，识别了作者并绘制了谁曾与谁合作过的精确图谱。他们没有假设每个人都能与所有人交谈，而是为每个课题构建了实际的共同作者网络地图。在这张地图上，他们将思想的“感染”置于首批发表该主题的作者身上，并观察模型的预测结果与真实的历时性数据相比如何。他们运行了两类模拟：一种忽略了网络结构并假设随机混合，另一种则尊重实际的连接关系，考虑了某些作者拥有更多合作者的事实。
结果挑战了“复杂网络结构是推动思想占据主导地位的主要驱动力”这一假设。当研究人员将基于网络的模型预测与现实世界的采用曲线进行比较时，更复杂的模型并没有表现得更好。事实上，在针对不同课题和模型的二十四次独立比较中，基于网络的模型仅在三个案例中提供了更好的拟合度。更简单的模型——即忽略了特定连接网络的模型——在预测有多少作者加入某一领域随时间变化方面同样出色。这表明，谁认识谁的复杂细节并不是决定一个新课题传播速度的主要因素。
研究人员进行了深入研究，以理解为什么网络结构的影响似乎如此之小。他们发现，使用特定课题的共同作者网络来模拟该课题本身传播的过程存在一个根本性的缺陷。他们构建的网络完全是由已经采纳了该思想的人组成的。这是一张关于“受感染者”的地图，而非“易感者”的地图。在许多情况下，64%至95%进入新领域的作者，在进入时并未与该领域内已活跃的任何人在共同作者身份上有过合作。他们是独立到来的，可能是通过阅读论文或参加会议，而不是通过直接的协作“感染”了想法。因为该网络是由已经加入的人构建的，它无法作为这种传染的基质。这个网络是传播的结果，而非原因。
此外，研究人员发现，用于预测网络中流行病传播速度的数学属性在此背景下往往是不稳定的。模型依赖于从网络结构中得出的一个特定数值来确定一个思想的传染性。然而，对于四个增长中的课题中的三个，这个数值对网络结构极其敏感，以至于模型无法确定其唯一值；最佳拟合值总是被推向可能范围的最边缘。这表明，数据本身并不包含足够的信息来确定作者放弃或离开一个课题的确切速率。尽管该领域的增长是清晰且可衡量的，但网络模型的内部机制却过于脆弱，无法对其进行解释。
最终，研究得出结论，要真正理解思想是如何通过协作进行传播的，我们需要一种不同类型的地图。本研究中使用的网络仅包含了那些最终采纳该主题的人，忽略了绝大多数从未加入的人。要观察传染的过程，需要一个包含所有人的网络（包括那些从未采纳该想法的人），并且这个网络要在思想传播之前就已经存在。如果没有一个在感染发生前就存在的易感人群地图，复杂的网络模型就无法超越“思想通过一个通用的研究人员池进行传播”这一简单的假设。研究结果表明，虽然协作对科学至关重要，但特定课题内的共同作者关系网并不是驱动新思想采纳的隐藏引擎。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。