Regulatory effect of document samples on the fluctuation of journal impact factor
本研究表明，通过在文献样本中剔除极端引用异常值（最佳保留阈值为90%）来重新计算期刊影响因子，能有效减少指标波动，并增强期刊评价系统的稳定性和合理性。
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
想象一下，你正试图根据一家餐厅的平均顾客评分来判断其品质。通常情况下，你会把每一条评论都加起来，然后除以评论的总数。这就会得到一个“影响力因子”（或者在这种情况下，是科学杂志的“期刊影响因子”）。
然而，这种简单的数学计算存在一个问题。如果一个人写道：“这是宇宙历史上最棒的一餐！”并给了100颗星，而另一个人说：“食物还可以，”并给了3颗星，那么这一条100星的评论就会极大地拉高整个平均分。突然之间，一家平时表现平平的餐厅看起来就像是五星级的杰作，即便第二天它又回到了平庸的水准。
这正是科学期刊所面临的情况。一篇极其热门的论文（即“病毒式传播的热门论文”）可以让期刊的分数在一年内剧烈飙升，并在次年又骤降，使得人们很难判断该期刊是真的优秀，还是仅仅运气好。
问题所在：“离群值”效应
这篇论文的作者研究了九本著名的科学期刊（包括《自然》、《科学》和《细胞》等巨头，以及几本物理学期刊）。他们注意到，这些期刊的分数经常出现剧烈的波动。
有时，一家期刊发表了一篇被其他科学家引用（提及）了数千次的论文。这固然是好事，但由于目前的评分系统将每篇论文都视为同等权重，那篇超级明星论文会将平均分拉得极高，以至于它无法代表该期刊当年发表的其他99篇论文的质量。这就像一个教室里有一个天才学生拿了满分，突然间整个班级看起来都像天才一样，即便其他学生都在挣扎求生。
解决方案：“修剪”策略
为了解决这个问题，研究人员提出了一种新的计算得分的方法。他们称之为**“双端修剪”**策略。
可以这样理解：想象你有一排按考试成绩排序的学生。
- 旧方法： 你计算所有人成绩的平均值。
- 新方法： 你看着这排学生，然后悄悄地请前1%的学生（超级明星）和后1%的学生（那些可能状态不佳的学生）先到一边。然后，你计算剩余98%学生的平均分。
通过移除两端的“极端值”，你得到的分数就能代表典型学生（或论文）的真实水平，而不是被离群值所左右。
他们的发现
研究人员在16年间对这九本期刊进行了这项理念的测试。结果如下：
- 稳定性： 当他们移除了顶端和底端的论文后，分数的剧烈波动消失了。分数变得更加平滑且可预测。
- “甜点区”： 他们尝试了移除不同数量的论文（1%、2%、5%等）。他们发现，仅仅移除极少部分（各移除顶端和底端的1%，保留98%）就很有帮助，但移除稍多一些效果会更好。
- “黄金数字”： 他们确定，保留90%的论文（即移除顶端5%和底端5%）是完美的平衡点。
- 如果保留100%，分数会过于波动。
- 如果只保留50%，你丢弃了太多的信息，分数可能不再能很好地代表该期刊。
- 90% 是“金发姑娘”原则中的理想区间（既不过度也不不足）：它移除了导致数值激增的疯狂离群值，同时保留了足够的数据来展示期刊真实的、稳定的质量。
核心结论
论文得出结论：通过使用这种“修剪”方法，我们可以防止科学期刊的评分被单篇幸运的热门论文所劫持。这让评价体系变得更加公平和诚实。我们得到的不再是分数的过山车，而是一个稳定、可靠的衡量标准，用以展示一份期刊逐篇论文所展现出的真实水平。
简而言之：不要被一篇超级明星论文蒙蔽了双眼。观察中间的90%，才能看到真相。
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。