[论文解读] A Theory of Ambulance Chasing

Mihailo Backović|arXiv (Cornell University)|Mar 3, 2016

Opinion Dynamics and Social Influence被引用 11

一句话总结

本文提出一种复合泊松统计模型，用于描述粒子物理学中‘救护车追逐’现象——即在某些推测性结果发布后，论文数量突然激增。该模型表明，基于兴趣衰减的幂律或指数衰减的两参数模型可很好地拟合9个历史案例，预测ATLAS二光子过剩现象在2016年6月前产生的论文数量不会超过约310篇。

ABSTRACT

Ambulance chasing is a common socio-scientific phenomenon in particle physics. I argue that despite the seeming complexity, it is possible to gain insight into both the qualitative and quantitative features of ambulance chasing dynamics. Compound-Poisson statistics suffices to accommodate the time evolution of the cumulative number of papers on a topic, where basic assumptions that the interest in the topic as well as the number of available ideas decrease with time appear to drive the time evolution. It follows that if the interest scales as an inverse power law in time, the cumulative number of papers on a topic is well described by a di-gamma function, with a distinct logarithmic behavior at large times. In cases where the interest decreases exponentially with time, the model predicts that the total number of papers on the topic will converge to a fixed value as time goes to infinity. I demonstrate that the two models are able to fit at least 9 specific instances of ambulance chasing in particle physics using only two free parameters. In case of the most recent ambulance chasing instance, the ATLAS γγ excess, fits to the current data predict that the total number of papers on the topic will not exceed 310 papers by the June 1. 2016, and prior to the natural cut-off for the validity of the theory.

研究动机与目标

• 开发一种定量模型，用于描述粒子物理学中‘救护车追逐’现象——即在出现推测性或未经证实的结果后，预印本论文数量激增的动力学过程。
• 理解为何尽管触发因素各不相同，‘救护车追逐’在不同主题中表现出相似的时间演化模式。
• 利用早期数据预测某一主题的论文总数，以协助期刊工作量规划。
• 检验简单的统计模型是否能够捕捉由人类行为驱动、且随时间兴趣下降的复杂社会-科学动态。

提出的方法

• 将累积论文数 $N(T)$ 建模为复合泊松过程，其中每日论文数量服从均值为时间相关函数 $\mu(t)$ 的泊松分布。
• 假设 $\mu(t)$ 单调递减，并在 $t \to \infty$ 时趋近于零，反映兴趣减弱与创意枯竭。
• 采用两种 $\mu(t)$ 的函数形式：幂律反比（$\mu(t) \propto t^{-k}$）和指数衰减（$\mu(t) \propto e^{-B t}$）。
• 使用每种模型的两个自由参数对历史累积论文数数据进行拟合：一个用于幅度，一个用于衰减速率。
• 将该模型应用于9起已记录的‘救护车追逐’事件（包括ATLAS $\gamma\gamma$ 异常），使用来自arXiv的真实预印本数据。
• 基于拟合模型预测未来 $N(T)$，假设无新的重大公告会终止该激增趋势。

实验结果

研究问题

• RQ1 简单的统计模型能否捕捉粒子物理学中‘救护车追逐’现象的时间演化？
• RQ2 不同的‘救护车追逐’事件在累积论文数上是否趋向于相同的长期行为？
• RQ3 在描述主题兴趣衰减方面，幂律形式还是指数衰减形式更优？
• RQ4 能否利用早期数据可靠地预测某一推测性主题的论文总数？
• RQ5 不同事件中 $N(T)$ 的收敛现象是源于潜在的普遍动力学，还是统计巧合？

主要发现

• 基于衰减 $\mu(t)$ 的两参数复合泊松模型，能以最小的统计波动成功拟合粒子物理学中9起历史‘救护车追逐’事件。
• 对于ATLAS $\gamma\gamma$ 异常，模型预测至2016年6月1日，$N(T) = 271 \pm 33$篇论文，预测上限为310篇。
• 指数衰减模型对 $N(T)$ 的时间演化拟合效果更优，而幂律模型在预测能力方面表现更佳。
• 在所研究的9起事件中，有5起最终收敛到相似的长期 $N(T)$ 曲线，提示可能存在普遍的标度行为。
• 该模型的预测结果足够稳健，可为期刊投稿规划提供支持，有助于预判由推测性结果引发的论文高峰期。
• 不同主题间 $N(T)$ 的收敛现象可能源于社区规模有限或共享的认知动力学机制，但其根本原因尚不明确。