自引的新评价——引用极性、引用位置和引用密度的视角

[目的/意义]建立在统计计数基础上的传统引文分析方法,由于不考虑施引作者的动机而受到批判,尤其是对自引一直存在偏见,认为自引是作者对自己作品的过度肯定,会误导科学发展。[方法/过程]通过引用极性、引用位置和引用密度三个角度来讨论对自引的评价问题,通过探析引用发生的动机和引文背景来研究以往对自引的评价是否存在偏见;探讨引文水平和引文位置与上下文之间的关联对相同参考文献的潜在调节作用。采用定性和定量方法分析了不同主题和学科的学术出版物的自引情况。[结果/结论]统计分析结果表明自引在引用密度和极性不确定性方面没有偏差,在引用的积极性和消极性方面存在偏差;揭示了自引行为对引文密度、位置集中和关联的一些引用模式的影响。

基于CART分类方法的期刊操纵引用行为识别建模研究

当前，一些学术期刊在利益的驱使下，通过大量自引和结成“互引同盟”的方式快速提高被引频次和影响因子等指标，影响了引文分析的公平性。基于此，本文首先利用数据挖掘中的CART分类算法构建期刊操纵引用行为的识别模型，设计了识别操纵引用行为的4个评价指标：白引率、被引年代分布、被引密度比和引用密度比。并采用国内某引文数据库中的50本综合性社会科学期刊作为实验样本，采集该期刊群2009年的引文数据作为训练数据集，2008年的引文数据作为验证数据集。最后，运用2010年的引文数据对期刊操控行为识别模型的有效性进行验证，实验结果证明，本文构建的分类模型可以有效地对期刊引用操纵行为进行识别。

基于K-means聚类的期刊操控引用行为特征指标研究

认为部分期刊为了追求被引排名,开始操纵期刊的引用。这样的行为影响了期刊引文数据的质量以及利用引文开展的科学研究的可靠性。提出引文年代集中度、自引率、被引密度和引用密度4个引文指标用于识别期刊是否存在操纵引用的行为,并采用数据挖掘中的K-means聚类方法检验指标的有效性,实验结果显示这些指标都达到了较好的识别效果。