Updated science-wide author databases of standardized citation indicators

Motivation

• Known: 과학자들의 인용 영향력을 측정하기 위해 h-index, h-m index 등 다양한 인용 지표가 사용되고 있으며, 2019년 첫 데이터베이스 버전이 과학계에 큰 관심을 받았다.
• Gap: 기존 데이터베이스는 최신 데이터가 부족했고, 학제간 저널 분류가 정확하지 않았으며, 세부 분야별 비교 가능성이 제한적이었다.
• Why: 과학자의 인용 영향력 평가는 학문적 성과 평가, 펀딩 배분, 인사 결정 등에 중요하며, 분야별 정확한 비교는 공정한 평가를 위해 필수적이다.
• Approach: Scopus 데이터베이스의 2020년 5월 기준 데이터를 활용하여 합성 인용 지수(composite citation index) 기반 상위 과학자 데이터베이스를 구성하고, 딥러닝을 통해 학제간 저널 분류를 개선했다.

Achievement

• 업데이트된 포괄적 데이터베이스: 경력 전체 인용 영향력(career-long)과 2019년 단일 연도 영향력(single year) 데이터 제공
• 저인용 분야 포용성 확대: 상위 100,000명 기준 외에도 자신의 세부 분야에서 상위 2%에 속하는 과학자 포함
• 학제간 저널 분류 개선: 문자 기반 합성곱 신경망(character-based CNN)을 이용해 학제간 저널을 특정 분야로 분류
• 분야별 맥락 정보 강화: 각 과학자의 세부 분야 내 순위와 해당 분야 전체 과학자 수 제공
• 자인용 분석 강화: 자인용 포함/미포함 상황에서의 인용 지표와 자인용 비율의 백분위수 임계값 제공
• 공개 접근성: 모든 데이터와 코드를 Mendeley Data에서 무료로 공개

How

• Scopus 데이터베이스에서 2020년 5월 6일 기준 인용 데이터 수집
• 6개 인용 지표(NC, H, Hm, NCS, NCSF, NCSFL)를 로그 정규화하여 합성 지수 계산
• Science-Metrix 분류 시스템을 기반으로 하면서 CNN을 통해 학제간 저널의 분야 할당
• career-long과 single year 2019 각각에 대해 백분위수(25th, 50th, 75th, 90th, 95th, 99th) 임계값 계산
• 분야별, 세부분야별 인용 밀도 고려하여 상위 2% 기준 적용
• 자인용 비율 및 인용/인용 논문 비율 분석으로 인용 조작 가능성 검토

Originality

• 전 과학 분야를 대상으로 한 최대 규모의 표준화된 인용 지표 데이터베이스 구축
• 학제간 저널 분류에 딥러닝 기법 적용으로 분류 정확도 향상
• 분야별 상대적 비교를 가능하게 하는 맥락 정보(분야 내 순위, 총 과학자 수) 포함
• 자인용 조작 탐지를 위한 통계적 지표 제공

Limitation & Further Study

• Scopus 데이터 기반으로 다른 데이터베이스(WoS 등)와의 포괄성 차이 존재 가능
• 저명도가 낮은 과학자들의 데이터 포함이 부족할 수 있음 (상위 100,000명 또는 분야 상위 2% 기준)
• 자인용 비율이 높거나 인용/논문 비율이 극단적인 경우의 판단이 전적으로 연구자의 해석에 의존
• 학제간 저널 분류의 CNN 모델이 완벽하지 않을 수 있으며, 모델 성능이 제시되지 않음
• 저인용 분야의 인용 밀도 차이로 인한 분야 간 비교 시 여전히 주의 필요
• 후속 연구: 다른 데이터베이스(WoS, Google Scholar)와의 비교 분석, 시간에 따른 인용 추세 변화 분석, 인용 조작 탐지 알고리즘 고도화

Evaluation

총평: 전 과학 분야 과학자의 인용 영향력을 포괄적이고 투명하게 평가할 수 있는 중요한 자원을 제공하며, 딥러닝을 통한 분류 개선과 분야별 맥락 정보 강화로 학문적 평가의 공정성을 높였다.