This review summarizes papers which analyze impact of self-citation on research evaluation. We introduce a generalized definition of self-citation and its variants: author, institutional, country, journal, discipline, publisher self-citation. Formulae of the basic self-citation measures are given, namely self-citing and self-cited rates. World literature on author, institutional, country and journal self-citation is studied in more detail. Current views on the role and impact of self-citation are compiled and analyzed. It is found that there is a general consensus on some points: (a) pathological is as excessive self-citation so its total absence; (b) self-citation has low impact on large science units but may be critical for analysis of individual researchers; (c) share of self-citations is generally higher for units with low bibliometric performance, while top scientists, institutions, journals receive the majority of their citations from outside. This review also considers how bibliometric instruments and databases respond to challenge of possible manipulation by self-citations and how they correct bibliometric indicators calculated by them. The first part of the review presented here deals with the fundamental terms and definitions, and the most discussed and studied type of the self-citation, author self-citation. The paper was funded by RFBR, project number 20-111-50209


翻译:本审查报告总结了分析自我引用对研究评价的影响的文件。我们采用了自我引用及其变体的普遍定义:作者、机构、国家、期刊、学科、出版商自我引用。基本自我引用措施的公式是自我引用和自我引用率;对关于作者、机构、国家和期刊自我引用的世界文献进行了更详细的研究。关于自我引用作用和影响的现有看法是汇编和分析的。发现在一些问题上存在着普遍共识:(a) 病理上的自我引用是过度的,完全没有这种自我引用;(b) 自我引用对大型科学单位影响不大,但对个人研究人员的分析可能至关重要;(c) 自我引用对低双光度表现单位的比例一般较高,而顶级科学家、机构、期刊则从外部得到大部分引用。本审查报告还审议了如何对可能由自我引用进行操纵的挑战作出双精度仪器和数据库的反应,以及它们如何纠正由这些单位计算的二分光度指标。审查的第一部分涉及基本术语和自评分数,对自评分的作者定义和自评分数为202和自评分数最多的自评数。

0
下载
关闭预览

相关内容

Performance:International Symposium on Computer Performance Modeling, Measurements and Evaluation。 Explanation:计算机性能建模、测量和评估国际研讨会。 Publisher:ACM。 SIT:http://dblp.uni-trier.de/db/conf/performance/
【课程推荐】 深度学习中的几何(Geometry of Deep Learning)
专知会员服务
57+阅读 · 2019年11月10日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
推荐|Andrew Ng计算机视觉教程总结
全球人工智能
3+阅读 · 2017年11月23日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Arxiv
0+阅读 · 2021年11月10日
Arxiv
20+阅读 · 2020年6月8日
Arxiv
12+阅读 · 2019年3月14日
VIP会员
相关资讯
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
推荐|Andrew Ng计算机视觉教程总结
全球人工智能
3+阅读 · 2017年11月23日
深度学习医学图像分析文献集
机器学习研究会
18+阅读 · 2017年10月13日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
Top
微信扫码咨询专知VIP会员