Predicting citation patterns: defining and determining influence

Modern Models of Competition and Its Assessment Methods in Social and Economic Systems

“…Например, не все нотариальные конторы города могут оказывать услуги по созданию цифровой подписи. Поэтому такой показатель конкуренции, как индекс разнообразия выбора, формируют на основе статистического метода каменистой осыпи: он равен Q, если не менее чем Q видов продукции (услуг) производятся (оказываются) не менее чем Q организациями каждая (напомним, что в наукометрии на базе указанного метода вычисляют индекс Хирша [7]). В частности, для системы высшего образования в регионе степень разнообразия выбора специальностей или направлений подготовки равна L, если не менее чем L специальностей (направлений) аккредитованы не менее чем в L вузах каждая (в крупной социально-экономической системе).…”

Bibliometrics and modern scientific libraries

“…Библиометрические исследования имеют фундаментальное значение для анализа процессов, происходящих в документально-информационных потоках, среди которых: построение карт науки на основе кластеров [20][21][22][23][24], проблемы и тенденции, связанные с соавторством в публикациях [25][26][27][28][29], особенности цитирования публикаций [30][31][32][33][34], темпы развития различных научных направлений, развитие и расширение междисциплинарности исследований [35].…”

Complex networks and machine learning in scientometrics

“…To avoid the heavy tailed distribution of target variables, which often inhibits the effectiveness of the model, the relative rank of a scientific entity in a network can be predicted instead. In [McNamara et al, 2013] the rank of a publication is compared to all other publications in the same discipline, whereas in [Brizan et al, 2016] it is compared against the journal publications of the same year. Approaches inspired by network analytics include [Sayyadi and Getoor, 2009;Wang et al, 2016], where variations of a future PageRank value are the calculated target.…”

“…Logarithmic and exponential distributions have been fitted to the evolution of productivity and impact over a scholar's career, whereas parameter thresholds have been used to predict impact shifts [Revesz, 2014b;Xiao et al, 2016]. The authors in [Sinatra et al, Model Classification [Brizan et al, 2016 [ Dong et al, 2016 Regression [Acuna et al, 2012 [ Garner et al, 2014 [ Mazloumian, 2012 [ Vieira et al, 2014] Statistical modeling [Revesz, 2014b Time series [Revesz, 2014a] Citation networks [Pobiedina and Ichise, 2016 Combination of the above [Chakraborty et al, 2014 2016] produced the random impact model, according to which the highest impact publication may occur randomly at any point of a career and future popularity can be calculated based on a multiplicative process of the impact exponent. Although interpretable, statistical modeling approaches require an abundance of past data to calculate the model parameters, thus discouraging the quantification of future evolution for young researchers or publications.…”

“…Combining two or more of the previous methodologies has proven to yield increased performance, like [Davletov et al, 2014], where a time series classification of publications occurs or [Brizan et al, 2016], where classification of publications is combined with threshold based distribution modeling.…”