과학 인용 횟수 분포의 비보편적 멱법칙 스케일링

초록

본 논문은 과학 논문의 인용 횟수 분포를 설명하기 위해 두 가지 인용 메커니즘(직접 인용과 간접 인용)을 도입한 모델을 제시한다. 직접 인용은 새 논문이 기존 논문을 직접 찾아 인용하는 경우이며, 간접 인용은 중간 논문의 참고문헌을 통해 기존 논문을 발견하는 경우이다. 데이터 분석 결과, 인용 횟수가 적은 논문은 주로 직접 인용에 의해 인용되고, 인용 횟수가 많은 ‘클래식’ 논문은 간접 인용에 의해 주로 인용된다. 간접 인용 메커니즘이 멱법칙 꼬리(power‑law tail)를 만들어내며, 전환점(tipping point)은 데이터베이스와 분야에 따라 21~39회 정도로 달라진다. 또한 멱법칙 지수는 보편적이지 않으며, 개인별 인용량이 클수록 지수가 작아지는 경향을 보인다.

상세 분석

이 연구는 과학 인용 네트워크를 확률적 성장 과정으로 모델링함으로써 기존의 단순 지수적 혹은 순수 멱법칙 모델의 한계를 극복하고자 한다. 저자들은 인용이 두 경로를 통해 발생한다는 가정을 수식화한다. 첫 번째 경로인 직접 메커니즘은 새 논문이 기존 논문 A를 직접 검색하거나 저자 인지에 의해 선택하는 경우이며, 이는 인용 확률이 논문 A의 현재 인용 수와 무관하게 일정한 베이스라인 λ에 비례한다는 전제로 구현된다. 두 번째 경로인 간접 메커니즘은 새 논문이 최신 논문 B의 참고문헌 리스트를 탐색하면서 A를 발견하는 과정으로, 여기서는 A의 기존 인용 횟수 k가 클수록 선택 확률이 증가한다는 ‘선호적 부착(preferential attachment)’ 효과를 도입한다. 구체적으로, 간접 인용 확률은 (1‑λ)·k/(Σk) 형태로 표현되며, Σk는 전체 인용 수의 합이다. 이 두 확률을 합산하면 각 논문의 인용 증가율은 d k/d t = λ + (1‑λ)·k/⟨k⟩ 형태의 비선형 미분 방정식으로 귀결된다.

해당 방정식을 풀면 인용 수가 작은 구간에서는 λ에 의해 지배되어 거의 포아송 분포에 가까운 급격한 감소를 보이며, k가 어느 임계값 k_c를 초과하면 (1‑λ)·k 항이 우세해져 멱법칙 꼬리 P(k) ∝ k^‑γ가 나타난다. 여기서 γ = 1 + λ/(1‑λ) 로 정의되며, λ 값에 따라 γ가 변동한다는 점이 ‘비보편성(non‑universality)’을 설명한다. 즉, λ이 작을수록 (즉, 간접 인용 비중이 클수록) γ가 작아져 꼬리 부분이 더 뾰족해지고, 이는 고인용 논문이 더 많이 생성된다는 의미이다.

실증 분석에서는 ISI Web of Science 1981년 논문, Physical Review D 1975‑1994년 논문, 그리고 2007년 고 h‑index 화학자 리스트를 각각 대상으로 모델을 피팅하였다. 각 데이터셋에 대해 λ와 k_c를 추정한 결과, k_c는 각각 약 21, 29, 39 인용 횟수로 나타났으며, 이는 논문이 ‘클래식’으로 전환되는 전형적인 인용 임계값을 제시한다. 또한, 개인별 인용 프로파일을 분석했을 때, 전체 인용량이 높은 연구자는 λ이 낮아 γ가 2.5 정도로 작게 나타났고, 인용량이 낮은 연구자는 γ가 3.2~3.5 정도로 크게 나타났다. 이는 개인별 네트워크 구조와 연구 분야의 인용 문화 차이가 멱법칙 지수에 직접적인 영향을 미친다는 중요한 시사점을 제공한다.

이 모델의 강점은 두 가지 메커니즘을 명시적으로 구분함으로써 인용 네트워크의 초기 성장 단계와 장기적인 스케일 프리 특성을 동시에 설명한다는 점이다. 또한, λ와 k_c라는 직관적인 파라미터를 통해 데이터베이스별, 분야별, 개인별 차이를 정량화할 수 있다. 한계점으로는 간접 인용이 실제로는 다단계 체인을 거칠 수 있다는 점과, 논문 품질, 저자 네트워크, 저널 영향력 등 외생 변수들을 고려하지 않았다는 점을 들 수 있다. 향후 연구에서는 이러한 요인들을 통합한 다중 메커니즘 모델을 구축하거나, 시간에 따른 λ 변화 추이를 추적함으로써 인용 문화의 진화 dynamics를 더 정밀하게 파악할 수 있을 것이다.