과학 논문 인용의 파워법칙: 스코퍼스 데이터로 본 새로운 증거

본 연구는 과학 논문의 인용 분포가 파워‑법칙을 따르는지 여부를 엄밀히 검증하기 위해, 1998년부터 2002년 사이에 발표된 2.2백만 편의 논문을 대상으로 Scopus 데이터베이스에서 인용 횟수를 수집하였다. Scopus는 Web of Science에 비해 약 70% 더 많은 저널을 포함하고 있어, 특히 고인용 논문의 오른쪽 꼬리를 보다 포괄적으로 관찰할 수 있다. 연구자는 각 논문의 5년 인용 윈도우를 동일하게 적용했으며, 각 27개 주요 분야별로 상위 100,000편(또는 해당 분야 전체 논문 수)까지의 인용 데이터를 확보하였다. 분석 방법은 Clauset et al. (2009)의 파워‑법칙 검증 절차를 그대로 따랐다. 인용 횟수는 이산형 변수이므로, Hurwitz ζ 함수를 이용한 이산 파워‑법칙 확률밀도함수 p(x)=x^{‑α}/ζ(α,x₀)를 가정하고, 최대우도법으로 스케일 파라미터 α와 최소 적용점 x₀를 추정하였다. x₀는 KS 통계량을 최소화하는 값으로 선택했으며, 부트스트랩(1,000 반복)으로 표준오차를 추정하였다. 적합도 검증은 반파라메트릭 부트스트랩 KS 테스트를 사용하였다. 1,000개의 합성 데이터셋을 생성해 각 데이터셋에 대해 동일한 파워‑법칙 모델을 적합하고 KS 통계량을 계산한 뒤, 원 데이터의 KS 통계량보다 큰 비율을 p‑값으로 정의하였다. p‑값이 0.1 미만이면 파워‑법칙 가설을 기각한다. 이 절차를 27개 분야에 적용한 결과, 약 절반(13~14개)에서 파워‑법칙이 기각되었으며, 나머지 분야에서는 파워‑법칙이 통계적으로 타당하다고 판단되었다. 그러나 파워‑법칙이 통계적으로 타당하다고 해도, 다른 후보 모델과의 비교가 필요했다. 연구자는 지수분포, 스트레치드 지수(Weibull), 로그정규, Yule, 파워‑법칙(지수 절단 포함), 그리고 Tsallis 분포 등 총 6개의 대안 모델을 선택하였다. 각 모델에 대해 동일한 ML 추정과 KS 검정을 수행한 뒤, 로그우도비(LR)와 정규화된 로그우도비(NLR)를 이용해 두 모델 간의 우도비 검정을 실시하였다. 비정규 모델 간에는 NLR이 표준 정규분포를 따른다는 가정을 사용해 p‑값을 계산하였다. 결과적으로, 물리·천문학 분야에서는 파워‑법칙과 지수 절단 파워‑법칙이 거의 구분되지 않아 파워‑법칙이 최선의 모델로 남았다. 반면, 생명과학, 의학, 사회과학 등 대부분의 분야에서는 Yule 분포가 가장 높은 우도비를 보였으며, 로그정규와 파워‑법칙(지수 절단 포함)도 경쟁 모델로 나타났다. 특히, 파워‑법칙이 적용되는 경우에도 α 값은 3.2에서 4.7 사이로, 기존 연구에서 보고된 2~3보다 크게 추정되었다. 이는 꼬리 부분이 더 급격히 감소함을 의미한다. 또한, 파워‑법칙이 실제로 적용되는 논문 비중은 전체 논문의 1% 미만, 대부분 0.5% 이하에 불과했다. 이는 인용 분포의 오른쪽 꼬리가 매우 얇으며, 전체 인용량의 약 13% 정도만이 이 꼬리 논문에서 발생한다는 기존 연구와 일치한다. 데이터의 한계도 논의되었다. Scopus는 1996년 이전 인용 정보를 제공하지 않으며, 추가된 저널 중 다수가 저인용 저널이기 때문에 전체 인용 구조에 미치는 영향이 제한적일 수 있다. 그러나 Scopus가 Web of Science 대비 더 넓은 범위의 저널을 포함하고 있어, 특히 고인용 논문의 전체 분포를 더 정확히 포착한다는 점은 장점으로 작용한다. 결론적으로, 인용 분포는 단일 파워‑법칙으로 설명하기엔 복잡하며, 분야별 특성에 따라 Yule, 로그정규, 혹은 지수 절단 파워‑법칙이 더 적합할 가능성이 높다. 파워‑법칙이 존재하더라도 그 적용 범위는 극히 제한적이며, 스케일 파라미터가 기존보다 크게 추정된다는 점은 인용 메커니즘에 대한 기존 이론(예: 누적우위 모델)의 재검토를 요구한다. 향후 연구에서는 더 긴 인용 윈도우와 다양한 데이터베이스를 활용해 모델의 일반성을 검증하고, 인용 동역학을 설명할 수 있는 복합 모델을 개발할 필요가 있다.