这是一篇开放获取的文章,根据创作共用署名许可(http://creativecommons.org/licenses/by/2.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
同行评议文章中的引用量和影响因子是普遍接受的科学影响的衡量标准。Web 2.0工具(如Twitter、博客或社交书签工具)提供了构建创新文章级或期刊级指标的可能性,以衡量影响和影响力。然而,这些新指标与传统指标(如引用量)之间的关系尚不清楚。
(1)探索通过分析社交媒体上的热议来衡量学术文章的社会影响和公众关注的可行性,(2)探索与学术文章发表相关的动态、内容和推文的时间,以及(3)探索这些指标是否足够敏感和具体,以预测高引用的文章。
从2008年7月到2011年11月,所有包含医学互联网研究杂志(JMIR)文章链接的推文都被挖掘出来了。对于2009年3月至2010年2月期间发表的55篇文章的1573条推文,计算了不同的社交媒体影响指标,并与17至29个月后Scopus和谷歌Scholar的后续引用数据进行了比较。验证了通过推文指标预测每期被引用最多的文章的启发式方法。
共有4208条推文引用了286篇不同的JMIR文章。文章发表后30天内推文的分布遵循幂次定律(Zipf、Bradford或Pareto分布),大多数推文在文章发表当天(1458/3318,占60天内所有推文的43.94%)或第二天(528/3318,15.9%)发送,随后迅速衰减。推文和引用之间的Pearson相关性是中等的,具有统计学意义,对数转换的谷歌学者引用的相关系数在0.42到0.72之间,但Scopus引用和排名相关性不太明显。以时间和推文为显著预测因子的线性多元模型(P < .001)可以解释27%的引用变化。高推文的文章被高引用的可能性是低推文文章的11倍(9/12或75%的高推文文章被高引用,而只有3/43或7%的低推文文章被高引用;率比0.75/0.07 = 10.75,95%置信区间3.4-33.6)。引用最多的文章可以从推文最多的文章中预测出来,特异性为93%,敏感性为75%。
Tweets可以在文章发布的前3天内预测高引用的文章。社交媒体活动要么增加了引用量,要么反映了文章的潜在质量,这些质量也预测了引用量,但这些指标的真正用途是衡量社会影响的独特概念。基于推文的社会影响指标被提出来补充传统的引用指标。提出的两个影响因子可能是一个有用和及时的度量标准,以衡量研究成果的吸收,并实时过滤与公众产生共鸣的研究成果。
科学家、研究机构和资助机构需要衡量研究影响的指标。同行评议的文章中引用其他文章的次数是被广泛接受的衡量科学影响力的指标。引用量是h指数[
在这篇论文中,我提出了新的指标和新的数据来源——推特——可以用来衡量社会影响,补充传统的引文分析,试点测试和说明了一组文章来自
网络引文分析曾被用于衡量文章或观点在网络上被提及的程度[
Web 2.0工具,如Twitter和博客,以及社交书签工具和基于Web的参考管理工具,如CiteULike和Mendeley,提供了从其他来源收集新指标的机会,这些来源以结构化格式提供数据,可通过应用程序编程接口(api)访问[
类似于公共卫生2.0的应用[
基于社交媒体的科学计量学(替代计量学,信息流行病学计量学)领域尚处于起步阶段,许多悬而未决的问题需要解决。可能这些新指标衡量的是完全不同的概念,而这些概念与其他传统指标(如引用)并不相关,但也可能是学术文献中的重要出版物首先在博客圈(和其他Web 2.0场所)引起了可衡量的轰动,然后,几年后,这种轰动也反映在增加的引用和/或政策变化和社会影响上。
具体问题包括:(1)如何测量嗡嗡声?(2)什么时候(就文章的发表而言),我们应该测量多长时间?(3)如果我们可以测量一些东西,这些指标与引用等传统指标的关系如何,嗡嗡声是否敏感到足以预测引用的增加?(值得注意的是,预测引用量不一定是最终目标,缺乏相关性也不一定是失败,因为很明显,这些指标为衡量影响力增加了一个新的维度。)
缺乏探索和显示这种关系的经验数据,这对发展基于社交媒体的科学计量学领域是具有开创性的。虽然学者们在推特上引用的内容已经被证明,学者们这样做的原因也已经被探索过了[
有一小部分文献关注Twitter在学术上的应用,但数量在迅速增长。
在JMIR,我们在2008年开始了目前的实证、前瞻性研究,当时很少有期刊出版商或学者考虑Twitter在分析影响方面的潜力。当前研究的目标是(1)探索讨论或提及研究文章的推文的内容和特征,以及它们相对于文章发表日期的时间,(2)确定合适的指标来描述通过社交媒体网络传播的新证据,以及(3)探索拟议的指标如何与科学界的传统吸收指标(传统引用)相关联。
JMIR是一个领先的、高引用的开放获取期刊,汤森路透(前ISI)的3年影响因子为4.7,5年影响因子为5.0 (journal Citation Reports, 2010)。2008年7月,它是第一个开始系统地挖掘提及其发表文章的推文的期刊,并在JMIR的“热门文章”页面上实时显示这些推文
出于本文的目的,我将推文中的引用(提到期刊文章的URL)称为“推文”,以区别于期刊文章中的引用(这是我比较推文的指标)。由于一条推文可以有多个推文(一条推文包含多个引用不同文章的不同url),推文的数量不一定与推文的数量相同,尽管在我们的示例中,具有多个推文的推文非常罕见,因此我有时会使用
文章排名靠前
引文计数来自Scopus和谷歌Scholar。目前的研究是基于2011年11月获得的引文计数,这是在被引用论文发表17-29个月之后。
对于推文分布分析,包括JMIR在2008年7月24日至2011年11月20日期间发送和存档的所有推文(
对于推文引用相关性分析,我只包括了2009年3月至2010年2月发表的文章的推文,即2009年7月22日至2010年6月30日发表的所有55篇文章的推文(
计算原始数据和对数转换数据的Pearson相关性,以及Spearman等级相关性。数据使用自然对数进行对数转换,因为推文和引用数据高度倾斜。由于0的日志是未定义的,所以引用和推文的计数增加了1。
对于分类分类分析(试图从推文高的文章中预测高被引用的文章),“高被引用”的文章被定义为排名前25的文章th每期文章的百分比(按引用数排名的文章),“推文量高”的文章被定义为排在前25位的文章th每个问题的百分比(按推文排名)。
分析以每期每季度为基础进行分层,以调整时间作为混杂因素,因为Twitter的受欢迎程度(以及JMIR追随者的数量)会随着时间的推移而增加(较老的文章会比较新的文章拥有更少的推文),而且较老的文章会比最近的文章拥有更多的引用。按期刊发行进行分层可以确保相互比较的文章都是在同一个季度(3个月窗口)内发表的。
在另一项分析中,我包括了所有期刊的文章,但通过进行线性回归分析,将时间作为潜在的混杂因素进行了调整,引用的对数作为因变量,时间(距离我们数据集中最早的文章发表的天数)和推文的对数作为自变量。
请注意,当本文中提到文章id时(见图),它们是DOI的一部分;每篇文章都可以在Web浏览器的地址栏中输入http://dx.doi.org/10.2196/jmir.{articleID}来识别。
共识别出4208条推文,总共引用了286篇不同的JMIR文章,每篇文章平均收到14条推文(中位数为9)。然而,这些平均值应谨慎解释,因为JMIR自1999年以来已发表文章(共560篇)。在推文中引用的286篇文章中,有很多文章发表于数据收集开始之前,甚至在Twitter存在之前。由于这些较老的文章只收到零星的推文,平均值和中位数并不能反映最近的文章。
2009年3月至2010年2月发表的55篇文章在文章发表后356天内平均收到21.2次推文(中位数12次,范围0-149次),7天内平均收到13.9次推文(中位数8次,范围0-96次)。
文章发布后7天内的推文数,每个文章ID。文章id旁边的星号表示该文章是被引用最多的(参见图8):** Scopus和谷歌Scholar的前25个引用百分比*仅根据谷歌Scholar的前25个引用百分比,(*)仅根据Scopus的前25个引用百分比。
与文章的发表日期相关,推文是什么时候发生的?
这个模型非常适合(
我们可以把图案分成两部分
Tweetation动力学。蓝色阴影区域(左y轴)显示了推文率(每天新推文数占前60天内所有推文数的比例[tw60])。红线(右y轴)表示累积推文。
推文动态随时间的对数-对数尺度。所有的推文都是根据被引用文章发表的时间(x轴)进行分类的,其中1是文章发表的日期。
某一期文章发表后7天内的推文动态。4位数字是文章标识符(DOI的最后一位),括号中的数字是引用计数(根据谷歌Scholar, 2011年11月),最后一个数字是第7天(tw7)的推文(累计)数量。
此外,推文还遵循幂律。推文来自1668个不同的推特账户(推文作者)。大多数推文(n = 370)是由JMIR的推特账户@JMedInternetRes发送的。如果我们根据他们发送的推文数量对这些账户进行排名,并将它们与每个账户的推文数量进行对比,幂律分布如图所示
我研究的第三次幂律是我最期待的,因为这种分布通常是在引用中观察到的,并且可以在Zipf图中证明,在Zipf图中,被引用的数量
推特密度的帐户。每个Twitter账户的排名是根据发送的推文数量,并在x轴上按排名绘制。y轴显示了每个排名账号发送的推文数量。例如,排名第一的推特账号@JMedInternetRes发送了370条推文。注意对数对数尺度上的线性模式,这意味着幂律。
左图:JMIR文章2009年3月至2009年12月的Zipf图(n=405),引用数(y轴)与排名文章的关系。右图:Zipf图显示了2009年4月3日至2011年11月15日期间发表的所有JMIR文章(n=206)在第一周(tw7)的推文数量(y轴)与排名文章的对比。例如,推文排名第一的文章有97条推文,排名第十的文章有43条推文,排名102的文章有9条推文。
我们的推文-引用子集中的55篇文章在Scopus上的平均引用数为7次(中位数为4),在谷歌Scholar上的平均引用数为13次(中位数为9)。
首先,将Scopus的被引用数与谷歌Scholar的被引用数进行关联,以检验两个数据库来源之间的一致性。结果一致,Pearson相关系数为。87 (
谷歌学者引用计数为2009年3月至2010年2月期间发表的所有文章。每期被引最多的文章(第75百分位)被标记为**(谷歌Scholar和Scopus引用最多的文章),*(谷歌Scholar仅限),或(*)(Scopus仅限)。
高被引(和高推)文章的引用和推文动态[文章ID 1376];根据Scopus的引用。
对于每期期刊,我分别绘制散点图,并计算原始计数的Pearson相关系数、日志和Spearman秩相关系数,以建立引用和推文之间的相关程度。
我的主要推文指标是tw7(文章发表后7天的累计推文数,第0天是发表日期),我也称这个指标为tw7
Pearson积矩相关系数(
我还对其他推文指标(tw0、tw1、tw2、tw3、tw4、tw5、tw6、tw7、tw10、tw12、tw14、tw30和tw365)进行了分析,并推导出各种指标(tw365 - tw7,即后期推文;tw7 - tw0, tw0/tw7等),产生了非常相似的相关系数(数据未显示)。
相关系数
期刊(论文数量) | |||||||||||
3/2009 (n = 19) | 4/2009 (n = 11) | 1/2010 (n = 8) | 2/2010 (n = 17) | 全部(n = 55) | |||||||
|
|
|
|
|
|
|
|
|
|
||
|
|||||||||||
CitGo-Tweets一个 | .57 * * | . 01 | .89 * * * | <措施 | .76 * | 03 | .68点* * | .003 | i = * * * | <措施 | |
CitSc-Tweetsb | .33 | 。 | 大于* * | . 01 | 主板市场 | 。08 | .51 * | .04点 | 54 * * * | <措施 | |
logCitGo-logTweets | 点 | 。08 | .51 | 厚 | 标识* | .045 | 49 * | .048 | 点* * | 04 | |
logCitSc-logTweets | 03 | .90 | .41点 | 口径。 | 53 | 。 | 票价 | 06 | 。31 * | 02 | |
|
|||||||||||
CitGo-Tweets | 点 | 07 | .14点 | .68点 | 收 | 厚 | .51 * | .04点 | 36 * * | .006 | |
CitSc-Tweets | 06 | 结果 | 厚 | .76 | 无误 | 低位 | 点 | .10 | 口径。 | 厚 |
一个引用计数根据谷歌学者(CitGo)与推文计数(tw7)。
b引用计数根据Scopus (CitSc)与推文计数(tw7)。
*
在一个线性回归模型中,我试图从推文数量和时间(55篇文章样本中第一篇文章发表后的天数)的对数中预测谷歌学者引用数的对数。回归方程为log(cit + 1) = 0.467 * log(tw7 + 1) + -。001 *天+ 0.817,其中cit为引用数,tw7为第7天的累计推文数。两个自变量均为显著预测因子(
根据观察,推文主要是在发表后的早期发送的,我假设tw7,即到第7天的累计推文数(可能最早在第3天),可以用作预测高引用文章的诊断测试。
使用推文状态(高推文与低推文)作为引用状态的预测测试,该测试确定了43篇被引用率不高的文章中的40篇,转化为93%的特异性(真阴性率,tn/[tn + fp], 40/43)。该测试能够正确识别12篇高被引论文中的9篇,对应75%的灵敏度(tp/[tp + fn], 9/12)。另一种表达这些结果的方式是,正预测值(tp/[tp + fp])或精度为75%,这意味着如果一篇文章被高度推特(社交媒体影响测试呈阳性),那么这篇文章最终有75%的可能性在同一问题的所有文章中排名前四分之一(按引用排名)。负预测值(tn/[tn + fn])为93%(40/43),这意味着如果一篇文章没有被高度推特(社交媒体影响测试为阴性),那么它只有7%(3/43)的机会进入被引用文章的前25%。然而,另一种表达这些结果的方式是,高推文的文章被高引用的可能性几乎是低推文文章的11倍(9/12,75%的高推文文章被高引用,而只有3/ 43,7%的低推文文章被高引用;率比0.75/0.07 = 10.75,95%置信区间3.4-33.6)。
引用状态和推文状态之间存在高度统计学意义上的相关性(Fisher精确检验,
我对一系列不同的指标(如tw)重复了这一分析
2011年11月的引用量(谷歌Scholar)与截至第7天的早期推文累积数量(tw7)之间的相关性。注意对数刻度。这里不显示tweet数为0或引用数为0的文章,因为没有定义0的日志。然而,从概念上讲,它们都属于左下象限。
2 × 2表使用推文最多的文章作为预测引用最多的文章
引用较少(后75%) |
高度引用(前25%) |
|
高度推 |
《外交政策》一个(n = 3) |
tpb(n = 9) |
少推 |
tnc(n = 40) | fnd(n = 3) |
一个假阳性。
b真正的优点。
c真正的底片。
d假阴性。
这里报道的研究集中在一个期刊的文章上。但是,我建议这里介绍的度量标准应该有助于衡量任何文章(或文章集或文章集)在Twitter上的影响,衡量用户对文章主题的关注程度,衡量问题和/或结论如何与Twitter用户产生共鸣,并最终将它们用作社会影响的代理。虽然这里我以Twitter为例,但这些指标也可以用于其他社交媒体(如Facebook状态更新)。这里提出的指标也可以泛化,并应用于衡量任何问题(不仅是学术文章,还包括时事和报纸文章)对社交媒体用户群体的影响。
使用原始推文数量来比较不同文章的影响是有问题的,因为推文数量是自发表以来时间的函数。虽然数据表明,在最初的30天内,推文通常只会零星地出现,但在比较不同日期发表的文章时,不应使用原始推文数量。自发表以来每月的平均推文数是可以计算的(目前显示在JMIR热门文章网页上,请参阅
因此,我建议使用(并在本文中使用了)twimpact factor tw
作为Twitter上一篇文章的标准tw7影响因子指标,我建议(JMIR将来也会使用)tw7,即一篇文章每天收到的绝对累计推文数
我已经证明,新推文的数量在发表后迅速下降,即使是被引用率最高的论文。即时的社交媒体反应与随后的社交媒体反应高度相关;因此,很可能可以忽略延迟响应。更短的时间(3天)tw3在样本中已经足够区分高被引文章和低被引文章,但我建议有一个标准
任何一篇文章,也包括一篇文章的集合,都可以有两个影响因子(例如,在期刊或问题层面)。JMIR现在正在监测
注意,twimpact factor是一个计算tweets的绝对度量;因此,就像期刊影响因子一样,需要注意。首先,它是高度特定的学科,所以如果在期刊之间甚至是同一期刊的文章之间进行比较,它们应该在一个狭窄的学科类别内进行比较。社交媒体上的一篇文章比一篇关于分子生物学的文章更有可能被社交媒体收录。虽然在一个特定的领域内,双重影响因子可以预测引用量(预测哪篇文章更有可能被高引用),但将社交媒体上一篇文章的双重影响因子与一篇关于分子生物学的文章的双重影响因子进行比较,并得出社交媒体文章更有可能被引用的结论是不合法的。
其次,类似于期刊影响因子不应该在不同年份之间进行比较的警告,因为总引用数量在不断增长,只有在相似时间范围内发表的文章才应该相互比较(甚至1年也太长了;因此,我们在每季度一期内进行比较)。这是因为推特的用户数量和期刊的追随者数量都会随着时间的推移而增长。
推特的半衰期(THL
在我们的样本中,THL
推文曲线:累计推文(tw
作为最后一个度量标准,我建议(JMIR将使用)twindex(推文索引),这是一个从0到100的度量标准,表示一篇文章与其他文章相比的相对地位。我定义了twindex7当所有的文章(具体的文章和来自比较组的文章)按tw7影响因子进行排名时,该文章的排名百分比。比较文章应该是在相似的时间窗口内发表的类似文章(例如,同一期的其他文章,或之前在同一期刊上发表的19篇文章)。如果一篇文章在比较文章中tw7的影响因子最高,那么它的tw指数为100。如果它具有最低的twimpact factor,则twindex为0。在这项研究中,带有双引号> 75的文章通常也被证明是被引用最多的文章。
据我所知,这是第一个系统的、前瞻性的、纵向的文章和期刊级别的调查,研究学术文章在社交媒体上的提及(引用或推文)是如何随着时间的推移而积累的。这也是第一个相关研究
这篇论文表明,博客圈中的热议是可测量的,并且可以推导出与引用相关的度量标准。谷歌Scholar的引用似乎比Scopus的引用与推文更密切相关,这可能反映了谷歌Scholar包含了更广泛的引用来源,特别是来自非期刊文献的事实[
相关性不是因果关系,而且很难确定额外的引用是否是一个因果关系
我建议将tweet、twindex和twimpact factor作为指标,JMIR将发布和推广这些指标。这些主要应被视为衡量社会影响(嗡嗡声、注意力或受欢迎程度)的指标,并作为研究人员、期刊编辑、记者和公众筛选和识别热门话题的工具。关注问题是社会变革的先决条件[
尽管如此,如前所述,对于资助组织、编辑和学术机构来说,监控这些数据具有巨大的潜在价值,特别是要注意假阳性(高推文,低引用),因为它们可能指向应该关注的主题或问题。在我们的样本中,有3篇推特量高但引用量不高的文章(假阳性;文章id 1223,1163, 1281)都有耐心的一面,消费者可能是推文的来源。社交媒体的信息监视可以被视为公众参与讨论“重要”研究的工具。
最后,必须承认,有一些期刊特有的混杂因素可能会限制twimpact指标的使用,特别是在不同期刊之间进行比较的情况下(目前还没有这样做,但可能是未来的情况)。期刊迎合不同的社区和社交网络,当比较信息如何通过在线社交网络传播时,我们可能是在衡量这些网络的结构和这些社区的属性,而不是信息本身的属性。换句话说,推文的数量不仅仅是研究文章内在属性的函数;相反,它还受到相关因素的影响,这些因素包括期刊或期刊发表的地点,围绕期刊建立的社区,以及期刊如何营销学术信息。但话又说回来,引用也是如此。
虽然这里提出的结果和指标可能是通往基于社交媒体影响指标的新领域的关键,而JMIR将越来越多地使用这些方法,但最大的问题是我们的结果和方法是否可以应用于其他期刊。JMIR是一个理想的期刊,因为它有一个相对较高的影响因子(即许多传统的引用事件)和作为一个期刊
这里提出的结果应该得到关于其他期刊的推文以及未来JMIR文章的证实,我们的小组目前正在与其他数据集进行比较分析。他们的假设是,只要有足够大的Twitter用户群,这些结果就可以在其他期刊上复制。
还有更多针对jmir的警告。首先,如图所示
有兴趣使用这种新方法和指标来比较不同期刊的研究人员也应该意识到,文章发表的时间和频率可能会影响推文动态和率(并可能影响推文和引用之间的相关性强度)。JMIR在文章准备好后立即在一周的不同工作日发布。随着人们在周末发推文的减少,推文曲线如图所示
目前的报告不包括对推文内容的系统定性分析。然而,粗略地浏览一下所有的推文就会发现,绝大多数推文只是包含了文章标题或关键结论的变体,很少包含明确的积极情绪(比如“很棒的文章!”)或更不常见的消极情绪(比如“可疑的方法”——我没有看到任何后者的例子)。这可能是因为仅仅在twitter上(重新)发布一篇文章的行为通常是一种隐含的认可或推荐,读者通过它表达了他们对特定主题的兴趣和热情,支持研究问题和/或结论,或者只是想让他们的追随者注意到这篇文章。并不一定需要额外的评论来表示这种隐含的赞同。此外,由于大多数推文都是在论文发表当天发布的,很少有读者会有时间仔细阅读和评估除了标题和摘要之外的整篇论文。虽然我们最初想做一个自动化的情绪分析,但评论的稀疏性并没有使这种方法看起来有希望获得更具体的数据,尽管未来的研究可能会使用具有大量推文的期刊或文章来仔细研究这个问题。
未来的研究可能还会试图通过关注特定类型的twitter用户,或考虑推文作者的网络结构和相对影响力来增加特异性和敏感性。JMIR在其“热门文章”页面上发布了推文影响因子
另一个限制是,目前的分析只考虑了一阶推文。推文可能包含到博客的链接,这些博客反过来谈论文章,或者可能包含到报道新研究发现的新闻文章的链接(二级推文)。根据Priem和Costello的说法,大约50%是二阶推文[
在当前的分析中,每条独特的推文都被算作1条推文。因此,同一用户就同一篇文章发送的多条推文将被计算多次。在当前的分析中,这不是一个问题,因为同一用户使用同一个URL的多条推文是相当罕见的。然而,从理论上讲,这是可能的——特别是如果推文成为一种更常见的排名和过滤文章的方法——作者可能会开始“游戏”系统,通过发送关于自己文章的多条推文来为他们的文章创造更多的曝光率。因此,对于任何对作者有重大影响的用例(例如,如果推文成为更被接受和更常见的社会影响早期指标),推文应该定义为由独特的唯一用户提到的URL。
Twitter用户的集体智慧可以在有限的范围内预测通常需要数年积累的引用量,这是一个有趣而令人信服的发现。
需要再次强调的是,既不应期望也不应希望完全相关。推文主要应被视为衡量社会影响力和知识转化(新知识被公众接受的速度)的指标,以及衡量公众对特定主题的兴趣(公众关注的内容)的指标,而引用主要是衡量学术影响力的指标。两者都有点
因此,如果(主要)不能作为引用的代理或早期指标,那么应该或可以如何使用推文呢?用例是什么?
首先,学者、机构和期刊可以很容易地使用社交媒体指标来及时监测研究的整体影响,记住上面列出的注意事项和限制。其次,这些指标可以用来评估不同的知识传播方法。人们可以设计研究,评估不同的推广文章的方法(或其他url,例如公共卫生干预网站),以tw影响因子作为结果衡量标准。第三,社交媒体影响指标也可以作为一个过滤器,引导用户到公众或研究团体正在关注的研究文章。一个显示实时社会影响指标的网站,例如当前研究文章的两个影响因子,可能对广泛的潜在受众有用,包括记者、期刊编辑、研究人员、公共卫生官员和患者,将他们引导到与公众产生共鸣的主题和研究。
社会影响和研究影响指标之间关系的模型。
为了科学计量学目的或信息流行病学研究中的其他用例,需要进行更多的研究来评估这些社交媒体指标的稳健性,以及它们在社交媒体闲聊的噪声中检测信号的能力。如前所述,这里提出的指标和规律不仅适用于科学计量学,还可以用于测量Twitter或社交媒体上讨论的其他问题或事件的动态和“半衰期”。
为了刺激和鼓励这一领域的创新、研究和发展,JMIR特此发出长期论文征集,欢迎关于信息计量学或信息流行病学指标(或替代指标,在科学计量学的背景下)这一广泛主题的经验和观点论文,特别是与健康相关领域或期刊的具体用例和数据。我们期待着发表更多的研究,我们认为这些研究是在互联网研究和科学2.0领域中利用众包和集体智慧主题的重要方法基础。
2008年7月24日至2011年11月20日期间提及JMIR文章的4208条推文数据集。所有JMIR文章的实时、每日更新摘要文章级别指标,包括引用和推文计数、twi影响因子、twindex等,可从//www.mybigtv.com/stats/articles?format=csv下载。鼓励有兴趣使用和进一步分析这些数据的研究人员与作者联系。
包括引用。
应用程序编程接口
一组文章中所有文章在发布后7天内累计推文的第75百分位的集体双影响因子
数字对象标识符
假阴性
假阳性
医学互联网研究杂志
公共科学图书馆
推半衰期
真正的负
真阳性
内累计推文数
作者希望感谢Phil Cairns所做的编码工作,Cynthia Chew协助运行一些统计分析,两位JMIR同行审稿人提供了非常有价值和建设性的反馈,所有JMIR的作者继续向JMIR提交令人惊叹的工作,以及JMIR的追随者和其他帮助传播他们工作的twitter用户。
作者是JMIR的编辑和出版人,也是拥有和出版JMIR的JMIR Publications Inc.的股东。卡塔尔世界杯8强波胆分析他目前没有从JMIR出版公司拿工资,但他的妻子有(她抱怨工资不够)。卡塔尔世界杯8强波胆分析卡塔尔世界杯8强波胆分析JMIR Publications Inc.还拥有域名twimpact.org、twimpactfactor.org和twimpactfactor.com,可能的目标是为出版物和出版商创建计算和跟踪twimpact和twindex指标的服务,并可能直接或间接地从这些服务中获利。