Наука о науке

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.

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.