Тематичне моделювання науковців на основі їх інтересів у Google Scholar

Abstract

Запропоновано алгоритм тематичного моделювання науковців на основі їх інтересів в профілях в Google Scholar. Множиною тем моделювання обрано спеціальності системи класифікації наук ANZSRC – Australian and New Zealand Standard Research Classification. Розподіл науковців за спеціальностями здійснюється за статистикою вживання інтересів в категоризованих публікаціях з бази Dimensions. Тематичне моделювання проводиться на основі принципів статистичної підтримки, багатоярликовості, фільтрації шумів, ігнорування стоп-слів, солідарності, фокусування, компактності та взаємодії спеціальностей. Проведено порівняння тематичного моделювання на основі обмеженої інформації з профілів науковців з Google Scholar та за кількома десятками авторськими статями, які категоризовано системою Dimensions. Співпадіння оцінено за модифікованою метрикою Чекановського, яка враховує спорідненість спеціальностей. В результаті перевірки встановлено добру збіжність результатів тематичного моделювання на основі різного обсягу початкової інформації. Це дозволяє використовувати запропонований алгоритм як основу технології інформаційної розвідки стосовно наукових кадрів, зокрема, для первинного підбору кандидатів у опоненти дисертацій, у рецензенти наукових проєктів, для формування команди з виконання спільних наукових проєктів тощо.

The article proposes an algorithm for topic modeling of researchers based on their interests from Google Scholar profiles. The algorithm uses the set of fields of research from research classification system ANZSRC. An information resource for topic modeling is a corpus of categorized publications from Dimensions. Interests from researchers’ profiles are used as search queries to Dimensions that outputs distributions of documents over categories. To reduce information noise these distributions are taken through a few stages of processing. The article also compares the results of topic modeling based on interests from Google Scholar profiles and based on a categorized list of publications from Dimensions. The comparison is done using modified Czekanowski metric that takes into account the similarity between categories. The results of comparing the topic modeling outputs based on different information sources show a good match.