[论文解读] Scienceography: the study of how science is written

Graham Cormode, S. Muthukrishnan+1 more|arXiv (Cornell University)|Feb 13, 2012

Scientific Computing and Data Management被引用 5

一句话总结

本文提出了“科学写作学”（scienceography）——即对科学写作方式的研究——利用 arXiv 的 LaTeX 源代码数据，分析计算机科学与数学领域的写作实践。研究揭示了不同学科在作者工作流程、注释使用、工具应用及文档结构方面的显著差异，为科学写作提供了超越引文分析的新实证洞察。

ABSTRACT

Scientific literature has itself been the subject of much scientific study, for a variety of reasons: understanding how results are communicated, how ideas spread, and assessing the influence of areas or individuals. However, most prior work has focused on extracting and analyzing citation and stylistic patterns. In this work, we introduce the notion of 'scienceography', which focuses on the writing of science. We provide a first large scale study using data derived from the arXiv e-print repository. Crucially, our data includes the "source code" of scientific papers-the LaTEX source-which enables us to study features not present in the "final product", such as the tools used and private comments between authors. Our study identifies broad patterns and trends in two example areas-computer science and mathematics-as well as highlighting key differences in the way that science is written in these fields. Finally, we outline future directions to extend the new topic of scienceography.

研究动机与目标

• 探究科学论文的写作过程，超越引文与影响力指标，聚焦实际的创作过程。
• 识别并分析利用 arXiv 仓库中可访问的源代码所呈现的科学写作中的结构与风格特征。
• 比较计算机科学与数学两个密切相关但又不同的科学社群的写作实践。
• 探讨在科学写作中，工具、注释以及文档组件（如定理、图表）的使用方式。
• 为一门新研究领域——科学写作学——奠定基础，该领域聚焦于科学写作的机制与演变。

提出的方法

• 通过 arXiv 的公开 API 收集了超过 65,000 篇来自计算机科学与数学类别的科学论文。
• 聚焦于 LaTeX 源文件，这些文件保留了写作过程中的中间产物，如注释、宏定义和未使用的代码。
• 分析了注释在论文中用于交流、记录笔记与编辑的使用模式。
• 研究了外部包、定理环境及图表放置方式，以理解写作工作流程。
• 比较了计算机科学与数学论文在结构与风格特征上的差异，以识别各学科特有的规范。
• 利用时间戳与版本控制元数据，追踪文档随时间的演变过程。

实验结果

研究问题

• RQ1 作者在科学论文中如何使用注释？这些注释在写作过程中起到什么作用？
• RQ2 计算机科学与数学论文在 LaTeX 包、宏定义与文档结构的使用上存在哪些差异？
• RQ3 不同学科的科学写作中，图表、定理及其他结构元素的使用方式有何不同？
• RQ4 在多大程度上能从源代码中重构写作过程？这揭示了关于协作与修改的哪些见解？
• RQ5 科学社群内部的写作规范与工具随时间如何演变？

主要发现

• 计算机科学论文使用的注释显著多于数学论文，表明作者更依赖内部笔记与作者间的协调。
• 数学论文中定理与引理环境的使用频率更高，反映出其在逻辑呈现上更具形式化结构。
• 外部 LaTeX 包在计算机科学论文中更为普遍，表明其对自动化格式化与工具链的更强依赖。
• 两个学科中均存在大量未使用或被注释掉的 LaTeX 源代码，表明存在广泛的修改与草稿过程。
• 科学写作的结构在不同学科间存在显著差异，计算机科学倾向于模块化、工具驱动的写作方式，而数学则强调形式化、分层的呈现方式。
• 源代码的可获取性使得写作工作流程（包括版本控制、协作与迭代优化）得以重建。