패널티 영역으로 보는 연구자 영향력 분류

초록

본 논문은 기존 h‑index가 논문의 인용 분포 정보를 충분히 반영하지 못한다는 문제점을 지적하고, 인용 곡선에서 “Tail Complement Penalty Area”(TC‑area)와 “Ideal Complement Penalty Area”(IC‑area)를 정의한다. 이를 기반으로 PT와 PI라는 두 개의 새로운 지표를 제시해 연구자를 “영향력 있는 연구자”와 “대량 생산자”로 구분한다. Microsoft Academic Search 데이터를 이용한 실험을 통해 제안 지표가 기존 지표와 차별적인 평가를 제공함을 보인다.

상세 분석

논문은 h‑index가 단일 수치로 연구자의 성과를 요약하지만, 인용 횟수의 분포—특히 저인용 논문의 “꼬리(tail)”와 고인용 논문의 “머리(head)”—를 무시한다는 점을 비판한다. 기존 연구에서 h‑core(정사각형 h×h), h‑tail, 그리고 e‑area(초과 인용 영역) 등을 구분했지만, 저인용 논문의 양 자체가 연구자의 영향력을 저해한다는 점을 정량화하기 위해 새로운 패널티 영역을 도입한다.

첫 번째는 Tail Complement Penalty Area(TC‑area)이다. 저인용 논문의 인용 수 Ci가 h보다 작을 때, 각 논문마다 (h−Ci)만큼의 “패널티”를 부여하고, 이를 모두 합산한 값 C_TC = h·(p−h)−C_T 로 정의한다. 여기서 p는 전체 논문 수, h는 h‑index, C_T는 저인용 논문의 총 인용 수이다. TC‑area는 저인용 논물이 많을수록 크게 증가하므로, 긴 꼬리를 가진 연구자를 벌점화한다.

두 번째는 Ideal Complement Penalty Area(IC‑area)이다. 이는 전체 논문 수 p를 정사각형(p×p)과 비교해, p보다 적게 인용된 모든 논문에 대해 (p−Ci)만큼의 패널티를 누적한다. 수식은 C_IC = Σ_{i∈P, Ci<p} (p−Ci) 로, TC‑area를 포함하면서도 h‑index와 무관하게 전체 생산량을 고려한다.

이 두 영역을 활용해 두 개의 새로운 지표를 만든다. PT는 h²(코어 영역), C_E(초과 인용 영역), 그리고 −C_TC(패널티)를 가중치 κ, ε, σ(모두 1)로 결합한 PT = h² + C_E − C_TC 이다. PT가 양수이면 “영향력 있는 연구자”, 음수이면 “대량 생산자”로 분류한다. PI는 여기에 IC‑area를 추가해 PI = h² + C_E + C_T − C_IC 로 정의한다. 실험에서는 PI가 양수인 경우가 극히 드물어, 대부분의 연구자는 “패널티”에 의해 낮은 점수를 받는다.

데이터는 Microsoft Academic Search API를 통해 컴퓨터 과학 분야에서 3가지 표본(무작위 500명, 생산성 상위 500명, h‑index 상위 500명)을 구축하였다. 각 표본의 논문 수(p), 총 인용 수(C), h‑index, m‑지표 등을 통계적으로 분석하고, PT와 PI의 분포를 기존 h‑index 및 총 인용 수와 비교하였다. 결과는 PT가 동일한 h‑index를 가진 연구자들 사이에서도 꼬리 길이 차이를 명확히 드러내며, 특히 “대량 생산자”라 판단되는 연구자는 PT가 크게 음수인 것을 확인했다. 또한, PT와 PI는 기존 지표와는 독립적인 순위 변화를 보이며, 연구자의 질적 특성을 보완한다는 점을 강조한다.

이러한 접근은 인용 곡선 전체를 고려함으로써, 단순히 h‑index만으로는 파악하기 어려운 연구자의 영향력과 생산성 패턴을 정량화한다는 의의를 가진다. 다만, 패널티 가중치(κ, ε, σ, ι)의 선택이 결과에 큰 영향을 미칠 수 있으며, 분야별 인용 문화 차이를 반영하기 위한 추가 조정이 필요할 것으로 보인다.