Untitled

doi:10.1002/asi.v59:5

Cited by 63 publications

(3 citation statements)

References 431 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…For example, Vaughan and colleagues have shown relationships between link metrics [8] or Web mentionings [9,10] and traditional impact metrics. Kousha and colleagues propose an “integrated online impact indicator” [11], which combines a range of online sources into one indicator for impact on the Web, including course reading lists, Google blogs, PowerPoint presentations [12], and Google Books [13]. …”

Section: Introductionmentioning

confidence: 99%

Can Tweets Predict Citations? Metrics of Social Impact Based on Twitter and Correlation with Traditional Metrics of Scientific Impact

Eysenbach¹

2011

J Med Internet Res

907

671

View full text Add to dashboard Cite

BackgroundCitations in peer-reviewed articles and the impact factor are generally accepted measures of scientific impact. Web 2.0 tools such as Twitter, blogs or social bookmarking tools provide the possibility to construct innovative article-level or journal-level metrics to gauge impact and influence. However, the relationship of the these new metrics to traditional metrics such as citations is not known.Objective(1) To explore the feasibility of measuring social impact of and public attention to scholarly articles by analyzing buzz in social media, (2) to explore the dynamics, content, and timing of tweets relative to the publication of a scholarly article, and (3) to explore whether these metrics are sensitive and specific enough to predict highly cited articles.MethodsBetween July 2008 and November 2011, all tweets containing links to articles in the Journal of Medical Internet Research (JMIR) were mined. For a subset of 1573 tweets about 55 articles published between issues 3/2009 and 2/2010, different metrics of social media impact were calculated and compared against subsequent citation data from Scopus and Google Scholar 17 to 29 months later. A heuristic to predict the top-cited articles in each issue through tweet metrics was validated.ResultsA total of 4208 tweets cited 286 distinct JMIR articles. The distribution of tweets over the first 30 days after article publication followed a power law (Zipf, Bradford, or Pareto distribution), with most tweets sent on the day when an article was published (1458/3318, 43.94% of all tweets in a 60-day period) or on the following day (528/3318, 15.9%), followed by a rapid decay. The Pearson correlations between tweetations and citations were moderate and statistically significant, with correlation coefficients ranging from .42 to .72 for the log-transformed Google Scholar citations, but were less clear for Scopus citations and rank correlations. A linear multivariate model with time and tweets as significant predictors (P < .001) could explain 27% of the variation of citations. Highly tweeted articles were 11 times more likely to be highly cited than less-tweeted articles (9/12 or 75% of highly tweeted article were highly cited, while only 3/43 or 7% of less-tweeted articles were highly cited; rate ratio 0.75/0.07 = 10.75, 95% confidence interval, 3.4–33.6). Top-cited articles can be predicted from top-tweeted articles with 93% specificity and 75% sensitivity. ConclusionsTweets can predict highly cited articles within the first 3 days of article publication. Social media activity either increases citations or reflects the underlying qualities of the article that also predict citations, but the true use of these metrics is to measure the distinct concept of social impact. Social impact measures based on tweets are proposed to complement traditional citation metrics. The proposed twimpact factor may be a useful and timely metric to measure uptake of research findings and to filter research findings resonating with the public in real time.

show abstract

Section: Introductionmentioning

confidence: 99%

Can Tweets Predict Citations? Metrics of Social Impact Based on Twitter and Correlation with Traditional Metrics of Scientific Impact

Eysenbach¹

2011

J Med Internet Res

907

671

View full text Add to dashboard Cite

show abstract

“…Based on past reviews, establishment of KMS has been developed usingseveral methodologies, strategies and objectives. In fact, there were difficulties reported in establishing effective KM in organization due to the scarcity of accurate methodologies used to outline the establishment and implementation of KMS (Chalmeta & Grangel, 2008).As an example, although more organizations are interested with the use of Web 2.0 tools for KMS implementation, but there were several weaknesses with the methodologies used to support the establishment of Web 2.0 based KMS (known as KMS 2.0) in addressing the needs of organizations (Chalmeta & Grangel, 2017) and (Hussain et al, 2017a). Based on Chalmeta & Grangel (2017) as well, weaknesses of existing methodologies to support Web 2.0 capabilities can be due to many factors; one of it such as use of nonpractical methodologies that are either too theoretical or never practically implemented.…”

Section: Introductionmentioning

confidence: 99%

On Understanding the Methodologies adopted in KMS Studies within the Context of Quality Strategy

Nizam¹

2021

TURCOMAT

View full text Add to dashboard Cite

In the past, quite number of studies conducted acknowledges the imperative roles of knowledge in supporting quality strategies among organizations, as well as enhancing their competitive advantage.In accordance with the benefits, organizations established an information technology (IT)system to facilitate proper dissemination, creation and management of knowledge. Establishment of knowledge management system (KMS) indicates the important inclusion of technical and socio aspects.Past academic studies focus on establishment of KMS have been conducted with various objectives, strategy and scope.As always, establishment of KMS as a platform for knowledge management does require structured and systematic methodology. Hence, the objective of this study is to unwrap the approaches and methodologies undertaken by past studies in relation to KMS establishment within the quality strategy context. As such, review of past articles published a decade ago were conducted and analysed. Past articles were retrieved from various established journals such as Emerald, Science Direct, Journal of the Association for Information Systems (AIS), Association for Computing Machinery (ACM) as well as Google Scholar database and were verified with SCOPUS journal database to ensure its integrity. Review of past articles discovered several findings that contribute to gap fulfilment of the research in future.

show abstract

“…m − index: The m − index was proposed as an alternative of the A − index that instead of considering the arithmetic average of the citations of the papers in the Hirsch core it considers the median of the number of citations, due to the very skewed nature of the distribution of citations [Bornmann et al, 2008].…”

Section: Number Of Papers and The Number Of Citationsmentioning

confidence: 99%

Bibliographic database analysis

Fragiadaki¹,

Φραγκιαδάκη²

View full text Add to dashboard Cite

Ένας μεγάλος αριθμός επιστημονικών δημοσιεύσεων γίνεται διαθέσιμος καθημερινά σε ακαδημαϊκούς και ερευνητές ανά τον κόσμο. Οι ερευνητές, συμμετέχουν σε αυτό το τόσο ενεργό επιστημονικό περιβάλλον όχι μόνο δημοσιεύοντας την προσωπική τους έρευνα, αλλά και αναζητώντας πληροφορίες και ερευνητικές πηγές που παρουσιάζουν την έρευνα άλλων διακεκριμένων επιστημόνων. Σε αυτήν ακριβώς την διαδικασία της αναζήτησης και διάχυσης της επιστημονικής πληροφορίας είναι που το πεδίο της Ανάλυσης βιβλιογραφικών αναφορών μπορεί να βοηθήσει σημαντικά το έργο των ερευνητών. Οι διάφορες τεχνικές, δείκτες και προσεγγίσεις που ορίζει, επιτρέπουν στους επιστήμονες/ερευνητές να εντοπίζουν δημοσιεύσεις ιδιαίτερης σημασίας, να ακολουθούν το έργο άλλων διακεκριμένων επιστημόνων, ακόμα και να εντοπίζουν δημοσιεύσεις που έθεσαν τα θεμέλια για την ανάπτυξη νέων ερευνητικών περιοχών.Στην ψηφιακή εποχή που ζούμε αυτό σημαίνει ότι τα πανεπιστήμια καθώς και άλλοι φορείς που συμμετέχουν στη διαδικασία της δημοσίευσης της επιστημονικής έρευνας, χρειάζεται να αποθηκεύουν έναν μεγάλο όγκο δεδομένων σε βάσεις βιβλιογραφικών αναφορών. Τα δεδομένα που αποθηκεύονται σε αυτές τις βάσεις αφορούν τις δημοσιεύσεις αυτές καθεαυτές, τους συγγραφείς τους καθώς και τα περιοδικά/συνέδρια ή άλλους φορείς στους οποίους πραγματοποιήθηκαν αυτές οι δημοσιεύσεις. Κάποιες βάσεις βιβλιογραφικών αναφορών αποθηκεύουν τα δημοσιευμένα κείμενα και ευρετηριάζουν διάφορα πεδία συμπεριλαμβανομένων και των λέξεων κλειδιών που ορίζονται από τις δημοσιεύσεις, διευκολύνοντας με αυτόν τον τρόπο την αναζήτηση των δημοσιεύσεων.Ένα πρόσθετο χαρακτηριστικό των δημοσιεύσεων είναι ότι συνδέονται, εφόσον η τρέχουσα επιστημονική έρευνα βασίζεται σε προηγούμενη έρευνα που πραγματοποίησαν είτε οι ίδιοι οι συγγραφείς είτε άλλοι ερευνητές στο εν λόγω επιστημονικό πεδίο. Επομένως τα δεδομένα που αποθηκεύονται στις βάσεις βιβλιογραφικών αναφορών μπορούν να εκφραστούν με την μορφή Γράφων, οι οποίοι, όπως θα δούμε στη συνέχεια αυτής της διατριβής, εκφράζουν τις συνδέσεις ανάμεσα στις διάφορες επιστημονικές οντότητες (δημοσιεύσεις, συγγραφείς, περιοδικά).Η παρούσα διδακτορική διατριβή εξετάζει τις διάφορες επιστημονικές οντότητες που συμμετέχουν στην διαδικασία της δημοσίευσης μιας επιστημονικής έρευνας σε μια προσπάθεια να κατηγοριοποιήσει τους διάφορους δείκτες που ήδη χρησιμοποιούνται για τον εντοπισμό διακεκριμένων δημοσιεύσεων, συγγραφέων και περιοδικών. Στην συνέχεια εξετάζει τους Γράφους βιβλιογραφικών αναφορών καθώς και την χρήση τους στο πεδίο της Ανάλυσης βιβλιογραφικών αναφορών. Παρουσιάζει και εξετάζει σε βάθος την έννοια των Παράγωγων Γράφων καθώς και των αλγορίθμων που ορίζουν τα βήματα με τα οποία αυτοί οι γράφοι μπορούν να παρασκευαστούν ξεκινώντας από τις βασικές πληροφορίες που περιλαμβάνονται στον Γράφο Αναφορών-Δημοσιεύσεων. Στην συνέχεια παρουσιάζονται οι διάφοροι τρόποι ορισμού των γενεών βιβλιογραφικών αναφορών, οι οποίοι αναλύονται λεπτομερώς προκειμένου να καταλήξουμε στον προτεινόμενο ορισμό. Τέλος, με βάση τον επιλεγμένο ορισμό, ορίζουμε τους προτεινόμενους βιβλιογραφικούς δείκτες για την αξιολόγηση δημοσιεύσεων και συγγραφέων, οι οποίοι εν συνεχεία συγκρίνονται με άλλους, υπάρχοντες δείκτες χρησιμοποιώντας τα δεδομένα από δύο γνωστές βιβλιογραφικές βάσεις δεδομένων, ονόματι CiteSeerx και DBLP.

show abstract

Untitled

Cited by 63 publications

References 431 publications

Can Tweets Predict Citations? Metrics of Social Impact Based on Twitter and Correlation with Traditional Metrics of Scientific Impact

Can Tweets Predict Citations? Metrics of Social Impact Based on Twitter and Correlation with Traditional Metrics of Scientific Impact

On Understanding the Methodologies adopted in KMS Studies within the Context of Quality Strategy

Bibliographic database analysis

Contact Info

Product

Resources

About