[论文解读] Validity of Basing Authors' Publication Strategy on Journal Impact Factors.

Staša Milojević, Filippo Radicchi+1 more|arXiv (Cornell University)|Jul 11, 2016

scientometrics and bibliometrics research被引用 5

一句话总结

本文表明，期刊影响因子（IF）可以合理地指导发表策略，因为显示两个期刊之间的引用优势遵循其IF比值的普遍逻辑斯蒂函数。关键发现是，只有当IF比值超过约6时，引用优势的概率才会超过90%，而IF差异较小时的边际收益较小。

ABSTRACT

Choosing the best scientific venue for the submission of a manuscript, with the aim of maximizing the impact of the future publication, is a frequent task faced by scholars. In this paper, we show that the Impact Factor (IF) of a journal allows to rationally achieve this goal. We take advantage of a comprehensive bibliographic and citation dataset of about 2.5 million articles from 16,000 journals, and demonstrate that the probability of receiving more citations in one journal compared to another is a universal function of the IF values of the two journals. The relation is well described by a modified logistic function, and provides an easy-to-use rule to guide a publication strategy. The benefit of publishing in a journal with a higher IF value, instead of another with a lower one grows slowly as a function of the ratio of their IF values. For example, receiving more citations is granted in 90\% of the cases only if the IF ratio is greater than $\sim$6, while targeting a journal with an IF 2$ imes$ higher than another brings in marginal citation benefit.

研究动机与目标

• 探究期刊影响因子（IF）是否可作为选择发表期刊以最大化引用影响力的合理依据。
• 确定两个期刊IF比值与其中一个期刊获得比另一个更多引用的概率之间的定量关系。
• 基于IF值开发一种可推广的、数据驱动的规则，以帮助作者优化发表策略。
• 评估选择高IF期刊而非低IF期刊在引用结果方面的边际收益。

提出的方法

• 本研究使用来自16,000种期刊的约250万篇文章的综合数据集，分析期刊间的引用分布。
• 将一个期刊获得比另一个期刊更多引用的概率建模为各自影响因子的函数。
• 对数据拟合一种改进的逻辑斯蒂函数，以描述IF比值与引用优势概率之间的普遍关系。
• 利用大规模书目和引用数据，在多种科学领域对模型进行验证。
• 该函数形式基于观察到的引用模式，而非理论假设。
• 该分析量化了两个期刊IF比值与引用收益之间的函数关系。

实验结果

研究问题

• RQ1 期刊的影响因子是否能预测其获得比另一期刊更多引用的概率？
• RQ2 两个期刊影响因子的比值与更高引用次数可能性之间的函数关系是什么？
• RQ3 当两个期刊的IF比值变化时，引用优势如何变化？
• RQ4 要实现较高概率（例如90%）获得更多引用，IF比值需要达到何种阈值？

主要发现

• 影响因子较高的期刊获得比另一期刊更多引用的概率，遵循其IF比值的普遍逻辑斯蒂函数。
• 只有当IF比值超过约6时，引用优势的概率才会达到90%。
• 在影响因子为另一期刊两倍的期刊上发表，仅带来引用概率的边际提升。
• 随着IF比值的增加，选择高IF期刊的收益增长缓慢，表明小的IF差异带来的回报递减。
• 该函数关系在多种科学领域均具有鲁棒性，并得到大规模实证数据的支持。
• 该模型为作者提供了一条实用的、基于数据的规则，可依据IF值指导发表策略。