Kutatási eredmények előrejelzése: már a letöltések is árulkodhatnak

Lehetséges előre megjósolni, melyik tudományos tanulmány válik igazán fontossá? A Cornell Egyetem kutatói szerint igen. A kutatási eredmények előrejelzése akár egyetlen hónapnyi letöltési adat alapján is működhet.

Miért fontosak a korai jelek?

Egy tanulmány jelentőségét általában a későbbi hivatkozások száma mutatja. Ez azonban lassú folyamat. Gyakran évek telnek el, mire egy új cikk komoly figyelmet kap.

A kutatók ezért másfajta mérőszámokat vizsgáltak. Ilyen a megtekintés, a letöltés, a kedvelés és a megosztás. Ezek már közvetlenül a publikálás után értékes információt adhatnak.

A vizsgálat az arXiv tudományos archívum és a GitHub nyilvános adataira épült. Az arXiv főként még nem lektorált kutatási tanulmányok gyűjtőhelye. A GitHub programozási projektek megosztására szolgál.

Mit mutatott az arXiv elemzése?

A csapat 2,3 millió arXiv-tanulmány anonimizált letöltési adatait vizsgálta. Ezután összevetette az első időszak aktivitását az öt évvel későbbi hivatkozásokkal.

Az eredmény meglepően erős kapcsolatot mutatott. Már egyetlen hónap letöltési adatai alapján becsülhető volt egy tanulmány későbbi népszerűsége.

Yian Yin társszerző ezt egy előrejelzési piachoz hasonlította. A különbség az, hogy a kutatók nem pénzzel szavaznak. Saját idejüket fektetik azokba a munkákba, amelyeket fontosnak tartanak.

Ez különösen érdekes, mert az olvasók figyelme gyakran hamarabb megjelenik, mint a hivatalos tudományos elismerés.

A GitHub-projektek esetében is működik?

A jelek szerint igen. A kutatók csaknem hárommillió GitHub-tároló aktivitását elemezték. Figyelték többek között a módosításokat, a csillagokat és a projektelágazásokat.

A korai csillagozások és frissítések később több forkhoz kapcsolódtak. Ez arra utal, hogy a GitHub-projektek népszerűségének előrejelzése hasonló mintázatokkal működhet.

Segíthet a módszer az AI-tartalmak kiszűrésében?

A kutatók reményei szerint az adathalmazok pontosabb modellek fejlesztését teszik lehetővé. A módszer idővel a gyenge minőségű vagy mesterséges intelligenciával létrehozott tanulmányokat is jelezheti.

Ez nem helyettesítené a szakértői ellenőrzést. Viszont segíthet kiszűrni a gyorsan terjedő, kevés értéket képviselő anyagokat. A kutatási eredmények előrejelzése így nemcsak érdekes elemzési eszköz lehet, hanem a tudományos platformok védelmét is szolgálhatja.