Preview

Библиосфера

Расширенный поиск

Наука о науке

https://doi.org/10.20913/1815-3186-2021-1-25-42

Полный текст:

Аннотация

Вопросы «почему» и «зачем» науки о науке (SciSci) Наука о науке (SciSci) основана на трансдисциплинарном подходе, который использует большие массивы данных для изучения механизмов, лежащих в основе научного исследования, – от выбора исследовательской проблемы до карьерных траекторий и прогресса в той или иной области. В обзоре Fortunato et al. объясняют, что основное обоснование заключается в том, что благодаря более глубокому пониманию предшественников того, что такое эффективная наука, можно будет разработать системы и политику, которые улучшат способности каждого ученого к успеху и повысят перспективы науки в целом.

Предпосылки. Растущая доступность цифровых данных о ресурсах науки и ее результатах – от финансирования исследований, производительности и сотрудничества до цитирования статей и мобильности ученых – открывает беспрецедентные возможности для изучения структуры и эволюции науки. Наука о науке (SciSci) предлагает количественное понимание взаимодействий между учеными в различных географических и временных масштабах. Она дает представление об условиях, лежащих в основе творчества и генезиса научных открытий, для того, чтобы в результате разработать инструменты и политику, которые потенциально могут ускорить развитие науки. В последнее десятилетие SciSci получила пользу от того, что привлекла ученых, работающих в области естественных, вычислительных и социальных наук, которые, базируясь на больших данных (big data), вместе создали возможности для эмпирического анализа и генеративного (выводного) моделирования, которое отражает развитие науки, ее институтов и ее рабочей силы. Суть SciSci состоит в том, что с более глубоким пониманием факторов, которые движут успешной наукой, мы можем более эффективно решать экологические, социальные и технологические проблемы.

Достижения. Науку можно описать как сложную, самоорганизующуюся и развивающуюся сеть ученых, проектов, статей и идей. Это представление раскрыло закономерности, характеризующие возникновение новых научных областей, благодаря изучению сетей сотрудничества и путей впечатляющих открытий через изучение сетей цитирования. На микроскопических моделях была прослежена динамика накопления цитируемости, что позволило нам предсказать будущее влияние отдельных статей. SciSci выявила выбор ученых и компромиссы, с которыми они сталкиваются, продвигаясь как по своей собственной карьере, так и по научному горизонту. Например, измерения показывают, что ученые не склонны к риску, предпочитая изучать темы, связанные с их текущим опытом, что ограничивает потенциал будущих открытий. Те, кто готов нарушить эту модель, строят более рискованную карьеру, но с большей вероятностью совершают крупные прорывы. В целом наибольший эффект науки основан на обычных комбинациях предшествующих работ, но характеризуется и необычными комбинациями. Наконец, поскольку фокус исследований смещается на работу в команде, SciSci все больше фокусируется на влиянии командных исследований, обнаруживая, что небольшие команды, как правило, разрушают науку и технику новыми идеями, опирающимися на старые и менее распространенные идеи. И наоборот, большие команды, как правило, разрабатывают новые, популярные идеи, получая высокий, но часто недолговечный эффект.

Прогноз. SciSci предлагает глубокое количественное понимание структуры отношений между учеными, институтами и идеями, поскольку это облегчает идентификацию фундаментальных механизмов, ответственных за научные открытия. Эти междисциплинарные выводы, основанные на данных, дополняются вкладом смежных областей, таких как наукометрия, экономика и социология науки. Хотя SciSci стремится к длительным универсальным законам и механизмам, применимым в различных областях науки, основная задача заключается в учете неоспоримых различий в культуре, привычках и предпочтениях в различных странах и областях науки. Эта вариативность делает некоторые идеи трудными для понимания, а связанную с ними научную политику – трудной для реализации. Различия в вопросах, данных и навыках, специфичных для каждой дисциплины, предполагают, что дальнейшее понимание может быть получено из предметных исследований SciSci, которые моделируют и идентифицируют возможности, адаптированные к потребностям отдельных областей исследований.

Реферат. Определение фундаментальных движущих сил науки и разработка прогнозных моделей для отражения ее эволюции играют важную роль в разработке политики, которая может улучшить науку как сектор экономики – например, за счет расширения карьерных путей для ученых, улучшения оценки эффективности организаций, проводящих исследования, открытия новых эффективных механизмов финансирования и даже выявления перспективных фронтов вдоль научных границ. Наука о науке использует крупномасштабные данные о производстве науки для поиска универсальных и ­предметноспецифических закономерностей. Здесь мы рассмотрим последние достижения в этой трансдисциплинарной области.

Об авторах

С. Фортунато
Центр исследований сложных сетей и систем, Школа информатики, вычислительной техники и инженерии, Университет Индианы; Институт сетевых наук Университета Индианы, Университет Индианы
Соединённые Штаты Америки

Блумингтон, В 47408



K. T. Бергстром
Биологический факультет Вашингтонского университета
Соединённые Штаты Америки

Сиэтл, Вашингтон 98195-1800



К. Бернер
Институт сетевых наук Университета Индианы, Университет Индианы; Киберинфраструктура для Центра сетевых наук Школы информатики, вычислительной техники и инженерии Университета Индианы
Соединённые Штаты Америки

Блумингтон, В 47408



Д. А. Эванс
Факультет социологии Чикагского университета
Соединённые Штаты Америки

Чикаго, IL 60637



Д. Хелбинг
Вычислительная социология
Швейцария

ETH Zurich, Цюрих,



С. Милоевич
Центр исследований сложных сетей и систем, Школа информатики, вычислительной техники и инженерии, Университет Индианы
Соединённые Штаты Америки

Блумингтон, В 47408



А. М. Петерсен
Центр исследований сложных сетей и систем, Школа информатики, вычислительной техники и инженерии, Университет Индианы
Соединённые Штаты Америки

Блумингтон, В 47408



Ф. Радикки
Центр исследований сложных сетей и систем, Школа информатики, вычислительной техники и инженерии, Университет Индианы
Соединённые Штаты Америки

Блумингтон, В 47408,



Р. Синатра
Центр сетевых наук, ЦентральноЕвропейский университет; Математический факультет Центрально-Европейского университета; Институт сетевых наук Северо-Восточного университета
Венгрия

Будапешт 1052;

Будапешт 1051;

Бостон, Массачусетс 02115



Б. Уцци
Школа менеджмента Келлога, Северо-Западный университет; Северо-Западный институт сложных систем; Северо-Западный университет

Эванстон, Иллинойс 60208



А. Веспиньяни
Институт сетевых наук, Северо-Восточный университет; Лаборатория моделирования биологических и социально-технических систем, Северо-Восточный университет, Фонд ИСИ
Соединённые Штаты Америки

Бостон, Массачусетс 02115;

10133 Турин, Италия



Л. Уолтман
Центр научно-технических исследований Лейденского университета
Нидерланды

Лейден



Д. Ван
Школа менеджмента Келлога, Северо-Западный университет; Северо-Западный институт сложных систем, Северо-Западный университет
Соединённые Штаты Америки

Эванстон, Иллинойс 60208;

 



А.-Л. Барабаши
Центр сетевых наук, Центрально-Европейский университет; Институт сетевых наук, Северо-Восточный университет; Центр системной биологии рака, Институт рака Дана-Фарбер
Венгрия

Будапешт 1052;

Бостон, Массачусетс 02115, США;



Список литературы

1. Acuna DE, Allesina S and Kording KP (2012) Future impact: predicting scientific success. Nature 489 (7415): 201–202. DOI: 10.1038/489201.

2. Allen L, Scott J, Brand A, Hlava M and Altman M (2014) Publishing: credit where credit is due. Nature 508 (7496): 312–313. DOI: 10.1038/508312.

3. Azoulay P (2012) Research efficiency: turn the scientific method on ourselves. Nature 484 (7392): 31–32. DOI: 10.1038/484031.

4. Azoulay P, Graff Zivin JS and Manso G (2011) Incentives and creativity: Evidence from the academic life sciences. Rand Journal of Economics 42 (3): 527–554. DOI: 10.1111/j.1756-2171.2011.00140.x.

5. Azoulay P, Zivin JG and Wang j (2010) Superstar extinction. Quarterly Journal of Economics 125 (2): 549–589. DOI: 10.1162/qjec.2010.125.2.549.

6. Barabási A-L and Albert R (1999) Emergence of scaling in random networks. Science 286 (5439): 509–512. DOI: 10.1126/science.286.5439.509.

7. Bettencourt LMA, Kaiser DI and Kaur J (2009) Scientific discovery and topological transitions in collaboration networks. Journal of Informetrics 3 (3): 210–221. DOI: 10.1016/j.joi.2009.03.001.

8. Bollen J, Crandall D, Junk D, Ding Y and Börner K (2017) An efficient system to fund science: from proposal review to peer-to-peer distributions. Scientometrics 110 (1): 521–528. DOI: 10.1007/s11192-016-2110-3.

9. Borjas GJ and Doran KB (2015) Which peers matter? The relative impacts of collaborators, colleagues, and competitors. Review of Economics and Statistics 97 (5): 1104–1117. DOI: 10.1162/REST_a_00472.

10. Bornmann L (2013) What is societal impact of research and how can it be assessed? A literature survey. Journal of American Society for Information Science and Technology 64 (2): 217–233. DOI: 10.1002/asi.22803.

11. Boudreau KJ, Guinan EC, Lakhani KR and Riedl C (2016) Looking across and looking beyond the knowledge frontier: intellectual distance, novelty, and resource allocation in science. Management Science 62 (10): 2765–2783. DOI: 10.1287/mnsc.2015.2285.

12. Bourdieu P (1975) The specificity of the scientific field and the social conditions of the progress of reasons. Social Science Information 14 (6): 19–47. DOI: 10.1177/053901847501400602.

13. Bromham L, Dinnage R and Hua X (2016) Interdisciplinary research has consistently lower funding success. Nature 534 (7609): 684–687. DOI: 10.1038/nature18315.

14. Bruggeman J, Traag VA and Uitermark J (2012) Detecting communities through network data. American Sociological Review 77 (6): 1050–1063. DOI: 10.1177/0003122412463574.

15. Clauset A, Arbesman S and Larremore DB (2015) Systematic inequality and hierarchy in faculty hiring networks. Science Advances 1 (1): e1400005. DOI: 10.1126/sciadv.1400005.

16. Clauset A, Larremore DB and Sinatra R (2017) Datadriven predictions in the science of science. Science 355 (6324): 477–480. DOI: 10.1126/science.aal4217.

17. Cole JR and Zuckerman H (1975) The emergence of a scientific specialty: the self-exemplifying case of the sociology of science. The idea of social structure: papers in honor of Robert K. Merton. New York, pp. 139–174.

18. Cooke NJ, Hilton ML (eds) (2015) Enhancing the effectiveness of team science. Washington: Nat. Acad. Press.

19. Costas R, Zahedi Z and Wouters P (2015) Do “altmetrics” correlate with citations? Extensive comparison of altmetric indicators with citations from a multidisciplinary perspective. Journal of Association for Information Science and Technology 66 (10): 2003– 2019. DOI: 10.1002/asi.23309.

20. De Solla Price DJ (1963) Little science, big science. New York: Columbia Univ. Press.

21. De Solla Price DJ (1965) Networks of scientific papers. Science 149 (3683): 510–515. DOI: 10.1126/science.149.3683.510.

22. De Solla Price DJ (1976) A general theory of bibliometric and other cumulative advantage processes. Journal of American Society for Information Science and Technology 27 (5/6): 292–306. DOI: 10.1002/asi.4630270505.

23. Deville P, Wang D, Sinatra R, Song C, Blondel VD and Barabási AL (2014) Career on the move: geography, stratification, and scientific impact. Scientific Reports 4: 4770. DOI: 10.1038/srep04770.

24. Doria Arrieta OA, Pammolli F and Petersen AM (2017) Quantifying the negative impact of brain drain on the integration of European science. Science Advances 3 (4): e1602232. DOI: 10.1126/sciadv.1602232.

25. Duch J, Zeng XHT, Sales-Pardo M, Radicchi F, Otis S, Woodruff TK and Nunes Amaral LA (2012) The possible role of resource requirements and academic career-choice risk on gender differences in publication rate and impact. PLoS One 7: e51332. DOI: 10.1371/journal.pone.0051332.

26. Eom Y-H and Fortunato S (2011) Characterizing and modeling citation dynamics. PLoS One 6: e24926. DOI: 10.1371/journal.pone.0024926.

27. Evans JA and Foster JG (2011) Metaknowledge. Science 331 (6018): 721–725. DOI: 10.1126/science.1201765.

28. Foster JG, Rzhetsky A and Evans JA (2015) Tradition and innovation in scientists’ research strategies. American Sociological Review 80 (5): 875–908. DOI: 10.1177/0003122415601618.

29. Franzoni C, Scellato G and Stephan P (2014) The mover’s advantage: the superior performance of migrant scientists. Economics Letters 122 (1): 89–93. DOI: 10.1016/j.econlet.2013.10.040.

30. Freeman R, Weinstein E, Marincola E, Rosenbaum J and Solomon F (2001) Competition and careers in biosciences. Science 294 (5550): 2293–2294. DOI: 10.1126/science.1067477.

31. Garfield E (1955) Citation indexes for science; a new dimension in documentation through association of ideas. Science 122 (3159): 108–111. DOI: 10.1126/science.122.3159.108.

32. Garfield E (1972) Citation analysis as a tool in journal evaluation. Science 178 (4060): 471–479. DOI: 10.1126/science.178.4060.471.

33. Geard N and Noble J (2010) Modelling academic research funding as a resource allocation problem. 3rd World Congress on Social Simulation, Kassel, Germany, September 6–9, 2010. URL: https://eprints.soton. ac.uk/271374/.

34. Golosovsky M and Solomon S (2012a) Runaway events dominate the heavy tail of citation distributions. European Physical Journal – Special Topics 205: 303– 311. DOI: 10.1140/epjst/e2012-01576-4.

35. Golosovsky M and Solomon S (2012b) Stochastic dynamical model of a growing citation network based on a self-exciting point process. Physical Review Letters 109 (9): 098701. DOI: 10.1103/PhysRevLett.109.098701.

36. Guimerà R, Uzzi B, Spiro J and Nunes Amaral LA (2005) Team assembly mechanisms determine collaboration network structure and team performance. Science 308 (5722): 697–702. DOI: 10.1126/science.1106340.

37. Haeussler C, Jiang L, Thursby J and Thursby M (2014) Specific and general information sharing among competing academic researchers. Research Policy 43 (3): 465–475. DOI: 10.1016/j.respol.2013.08.017.

38. Hirsch JE (2005) An index to quantify an individual’s scientific research output. Proceedings of the National Academy of Sciences of USA 102 (46): 16569–16572. DOI: 10.1073/pnas.0507655102.

39. Hirsch JE (2007) Does the h index have predictive power? Proceedings of the National Academy of Sciences of USA 104 (49): 19193–19198. DOI: 10.1073/pnas.0707962104.

40. Jia T, Wang D and Szymanski BK (2017) Quantifying patterns of research-interest evolution. Nature Human Behaviour 1: 0078. DOI: 10.1038/s41562-017-0078.

41. Jones BF (2009) The burden of knowledge and the “death of the renaissance man”: is innovation getting harder? Review of Economic Studies 76 (1): 283–317. DOI: 10.1111/j.1467-937X.2008.00531.x.

42. Ke Q, Ferrara E, Radicchi F and Flammini A (2015) Defining and identifying Sleeping Beauties in science. Proceedings of the National Academy of Sciences of USA 112 (24): 7426–7431. DOI: 10.1073/pnas.1424329112.

43. Kim D, Cerigo DB, Jeong H and Youn H. (2016) Technological novelty profile and inventions future impact. EPJ Data Science 5: 8. DOI: 10.1140/epjds/s13688-016-0069-1.

44. Klavans R and Boyack KW (2016) Which type of citation analysis generates the most accurate taxonomy of scientific and technical knowledge? Journal of Association for Information Science and Technology 68 (4): 984–998. DOI: 10.1002/asi.23734.

45. Kleinberg J, Lakkaraju H, Leskovec J, Ludwig J and Mullainathan S (2017) Human decisions and machine predictions. National Bureau of Economic Research. URL: https://www.nber.org/papers/w23180. DOI: 10.3386/w23180.

46. Kohn MS, Sun J, Knoop S, Shabo A, Carmeli B, Sow D, Syed-Mahmood T and Rapp W (2014) IBM’s health analytics and clinical decision support. Yearbook of Medical Informatics 9 (1): 154–162. DOI: 10.15265/IY-2014-0002.

47. Kuhn TS (1977) The essential tension: selected studies in scientific tradition and change. Chicago: Univ. of Chicago Press.

48. Kuhn T, Perc M and Helbing D (2014) Inheritance patterns in citation networks reveal scientific memes. Physical Review X 4 (4): 041036. DOI: 10.1103/PhysRevX.4.041036.

49. Larivière V, Gingras Y, Sugimoto CR and Tsou A (2015) Team size matters: collaboration and scientific impact since 1900. Journal of Association for Information Science and Technology 66 (7): 1323–1332. DOI: 10.1002/asi.23266.

50. Larivière V, Haustein S and Börner K (2015) Longdistance interdisciplinarity leads to higher scientific impact. PLoS One 10: e0122565. DOI: 10.1371/journal.pone.0122565.

51. Larivière V, Ni C, Gingras Y, Cronin B and Sugimoto CR (2013) Bibliometrics: global gender disparities in science. Nature 504 (7479): 211–213. DOI: 10.1038/504211.

52. Leahey E and Moody J (2014) Sociological innovation through subfield integration. Social Currents 1 (3): 228– 256. DOI: 10.1177/2329496514540131.

53. Ley TJ and Hamilton BH (2008) The gender gap in NIH grant applications. Science 322 (5907): 1472–1474. DOI: 10.1126/science.1165878.

54. Liu B, Govindan R and Uzzi B (2016) Do emotions expressed online correlate with actual changes in decision-making?: The case of stock day traders. PLoS One 11 (1): e0144945. DOI: 10.1371/journal.pone.0144945.

55. Lubchenko J (2010) Calm in a crisis. Nature 468 (7327), 1002. DOI: 10.1038/4681002.

56. Merton RK (1968) The Matthew effect in science. Science 159 (3810): 56–63. DOI: 10.1126/science.159.3810.56.

57. Milojević S (2014) Principles of scientific research team formation and evolution. Proceedings of the National Academy of Sciences of USA 111 (11): 3984–3989. DOI: 10.1073/pnas.1309723111.

58. Milojević S (2015) Quantifying the cognitive extent of science. Journal of Informetrics 9 (4): 962–973. DOI: 10.1016/j.joi.2015.10.005.

59. Moed HF (2010) Citation analysis in research evaluation. Dordrecht: Springer.

60. Moss-Racusin CA, Dovidio JF, Brescoll VL, Graham MJ and Handelsman J (2012) Science faculty’s subtle gender biases favor male students. Proceedings of the National Academy of Sciences of USA 109 (41): 16474– 16479. DOI: 10.1073/pnas.1211286109.

61. Newman MEJ (2001) The structure of scientific collaboration networks. Proceedings of the National Academy of Sciences of USA 98 (2): 404–409. DOI: 10.1073/pnas.98.2.404.

62. Nissen SB, Magidson T, Gross K and Bergstrom CT (2016) Publication bias and the canonization of false facts. eLife 5: e21451. DOI: 10.7554/eLife.21451.

63. Oettl A (2012) Sociology: honour the helpful. Nature 489 (7417): 496–497. DOI: 10.1038/489496.

64. Palla G, Barabási A-L and Vicsek T (2007) Quantifying social group evolution. Nature 446 (7136): 664–667. DOI: 10.1038/nature05670.

65. Parolo PDB, Pan RK, Ghosh R, Huberman BA Kaski K and Fortunato S (2015) Attention decay in science. Journal of Informetrics 9 (4): 734–745. DOI: 10.1016/j. joi.2015.07.006.

66. Penner O, Pan RK, Petersen AM, Kaski K and Fortunato S (2013) On the predictability of future impact in science. Scientific Reports 3: 3052. DOI: 10.1038/srep03052.

67. Petersen AM (2015) Quantifying the impact of weak, strong, and super ties in scientific careers. Proceedings of the National Academy of Sciences of USA 112 (34): E4671–E4680. DOI: 10.1073/pnas.1501444112.

68. Petersen AM, Fortunato S, Pan RK, Kaski K, Penner O, Rungi A, Riccaboni M, Stanley HE and Pammolli F (2014) Reputation and impact in academic careers. Proceedings of the National Academy of Sciences of USA 111 (43): 15316–15321. DOI: 10.1073/pnas.1323111111.

69. Petersen AM, Riccaboni M, Stanley HE and Pammolli F (2012) Persistence and uncertainty in the academic career. Proceedings of the National Academy of Sciences of USA 109 (14): 5213–5218. DOI: 10.1073/pnas.1121429109.

70. Radicchi F, Fortunato S and Castellano C (2008) Universality of citation distributions: Toward an objective measure of scientific impact. Proceedings of the National Academy of Sciences of USA 105 (45): 17268–17272. DOI: 10.1073/pnas.0806977105.

71. Ravindran S (2016) Getting credit for peer review. Science. URL: www.sciencemag.org/careers/2016/02/getting-credit-peer-review.

72. Rosenthal R (1979) The file drawer problem and tolerance for null results. Psychological Bulletin 86 (3): 638–641. DOI: 10.1037/0033-2909.86.3.638.

73. Roy R (1985) Funding science: the real defects of peer review and an alternative to it. Science, Technology and Human Values 10 (3): 73–81. DOI: 10.1177/016224398 501000309.

74. Rzhetsky A, Foster JG, Foster IT and Evans JA (2015) Choosing experiments to accelerate collective discovery. Proceedings of the National Academy of Sciences of USA 112 (47): 14569–14574. DOI: 10.1073/pnas.1509757112.

75. Shen H-W and Barabási A-L (2014) Collective credit allocation in science. Proceedings of the National Academy of Sciences of USA 111 (34): 12325–12330. DOI: 10.1073/pnas.1401992111.

76. Shi F, Foster JG and Evans JA (2015) Weaving the fabric of science: dynamic network models of science’s unfolding structure. Social Networks 43: 73–85. DOI: 10.1016/j.socnet.2015.02.006.

77. Shwed U and Bearman PS (2010) The temporal structure of scientific consensus formation. American Sociological Review 75 (6): 817–840. DOI: 10.1177/000312241038848.

78. Simonton DK (1997) Creative productivity: a predictive and explanatory model of career trajectories and landmarks. Psychological Review 104 (1): 66–89. DOI: 10.1037/0033-295X.104.1.66.

79. Sinatra R, Wang D, Deville P, Song C and Barabási A-L (2016) Quantifying the evolution of individual scientific impact. Science 354 (6312): aaf5239. DOI: 10.1126/science.aaf5239.

80. Stegehuis C, Litvak N and Waltman L (2015) Predicting the long-term citation impact of recent publications. Journal of Informetrics 9 (3): 642–657. DOI: 10.1016/j.joi.2015.06.005

81. Stephan PE (2012) How economics shapes science. Cambridge: Harvard Univ. Press.

82. Stringer MJ, Sales-Pardo M and Nunes Amaral LA (2008) Effectiveness of journal ranking schemes as a tool for locating information. PLoS One 3 (2): e1683. DOI: 10.1371/journal.pone.0001683.

83. Sugimoto CR, Robinson-Garcia N, Murray DS, YegrosYegros A, Costas R and Larivière V (2017) Scientists have most impact when they’re free to move. Nature 550 (7674): 29–31. DOI: 10.1038/550029.

84. Sun X, Kaur J, Milojević S, Flammini A Menczer F (2013) Social dynamics of science. Scientific Reports 3: 1069. DOI: 10.1038/srep01069.

85. Tahamtan I, Safipour Afshar A and Ahamdzadeh K (2016) Factors affecting number of citations: a comprehensive review of the literature. Scientometrics 107 (3): 1195– 1225. DOI: 10.1007/s11192-016-1889-2.

86. Thelwall M (2016) The discretised lognormal and hooked power law distributions for complete citation data: best options for modelling and regression. Journal of Informetrics 10 (2): 336–346. DOI: 10.1016/j.joi.2015.12.007.

87. Thelwall M and Kousha K (2015a) Web indicators for research evaluation. Part 1: Citations and links to academic articles from the Web. Profesional de la Información 24 (5): 587– 606. DOI: 10.3145/epi.2015.sep.08.

88. Thelwall M and Kousha K (2015b) Web indicators for research evaluation. Part 2: Social media metrics. Profesional de la Información 24 (5): 607–620. DOI: 10.3145/epi.2015.sep.09.

89. Uzzi B, Mukherjee S, Stringer M and Jones B (2013) Atypical combinations and scientific impact. Science 342 (6157): 468–472. DOI: 10.1126/science.1240474pmid:24159044.

90. Van Noorden R (2012) Global mobility: science on the move. Nature 490 (7420): 326–329. DOI: 10.1038/490326.

91. Van Raan AFJ (2004) Sleeping Beauties in science. Scientometrics 59 (3): 467–472. DOI: 10.1023/B:SCIE.0000018543.82441.f1.

92. Wagner CS, Roessner JD, Bobb K, Klein JT, Boyack KW, Keyton J, Rafols I and Börner K (2011) Approaches to understanding and measuring interdisciplinary scientific research (IDR): a review of the literature. Journal of Informetrics 5 (1): 14–26. DOI: 10.1016/j.joi.2010.06.004.

93. Walsh JP and Lee Y-N (2015) The bureaucratization of science. Research Policy 44 (8): 1584–1600. DOI: 10.1016/j.respol.2015.04.010.

94. Waltman L (2016) A review of the literature on citation impact indicators. Journal of Informetrics 10 (2): 365– 391. DOI: 10.1016/j.joi.2016.02.007.

95. Waltman L, Van Eck NJ and Van Raan AFJ (2012) Universality of citation distributions revisited. Journal of Association for Information Science and Technology 63 (1): 72–77. DOI: 10.1002/asi.21671.

96. Wang D, Song C and Barabási A-L (2013) Quantifying long-term scientific impact. Science 342 (6154): 127– 132. DOI: 10.1126/science.1237825.

97. Wang J, Veugelers R and Stephan P (2016) Bias against novelty in science: a cautionary tale for users of bibliometric indicators. SSNR. URL: https://ssrn.com/abstract=2710572.

98. Way SF, Larremore DB and Clauset A (2016) Gender, productivity, and prestige in computer science faculty hiring networks. Proceedings of the 25th International Conference on World Wide Web (WWW ‘16). Geneva, pp. 1169–1179.

99. Wessely S (1998) Peer review of grant applications: what do we know? Lancet 352 (9124): 301–305. DOI: 10.1016/S0140-6736(97)11129-1.

100. West JD, Jacquet J, King MM, Correll SJ and Bergstrom CT (2013) The role of gender in scholarly authorship. PLoS One 8: e66212. DOI: 10.1371/journal.pone.0066212.

101. Wu L, Wang D and Evans JA (2017) Large teams have developed science and technology; small teams have disrupted it. SSNR. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3034125. DOI: 10.2139/ssrn.3034125.

102. Wuchty S, Jones BF and Uzzi B (2007) The increasing dominance of teams in production of knowledge. Science 316 (5827): 1036–1039. DOI: 10.1126/science.1136099.

103. Yao L, Li Y, Ghosh S, Evans JA, Rzhetsky A (2015) Health ROI as a measure of misalignment of biomedical needs and resources. Nature Biotechnology 33 (8): 807–811. DOI: 10.1038/nbt.3276pmid:26252133.

104. Yegros-Yegros A, Rafols I and D’Este P (2015) Does interdisciplinary research lead to higher citation impact? The different effect of proximal and distal interdisciplinarity. PLoS One 10: e0135095. DOI: 10.1371/journal.pone.0135095.

105. Zeng XHT, Duch J, Sales-Pardo M, Moreira JAG, Radicchi F, Ribeiro HV, Woodruff TK and Amaral LAN (2016) Differences in collaboration patterns across discipline, career stage, and gender. PLoS Biology 14: e1002573. DOI: 10.1371/journal.pbio.1002573.

106. Zhang Q, Perra N, Gonçalves B, Ciulla F and Vespignani A (2013) Characterizing scientific production and consumption in physics. Scientific Reports 3: 1640. DOI: 10.1038/srep01640.


Для цитирования:


Фортунато С., Бергстром K.T., Бернер К., Эванс Д.А., Хелбинг Д., Милоевич С., Петерсен А.М., Радикки Ф., Синатра Р., Уцци Б., Веспиньяни А., Уолтман Л., Ван Д., Барабаши А. Наука о науке. Библиосфера. 2021;(1):25-42. https://doi.org/10.20913/1815-3186-2021-1-25-42

For citation:


Fortunato S., Bergstrom C.T., Börner K., Evans J.A., Helbing D., Milojević S., Petersen A.M., Radicchi F., Sinatra R., Uzzi B., Vespignani A., Waltman L., Wang D., Barabási A. Science of science. Bibliosphere. 2021;(1):25-42. (In Russ.) https://doi.org/10.20913/1815-3186-2021-1-25-42

Просмотров: 162


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1815-3186 (Print)
ISSN 2712-7931 (Online)