연구자와 논문의 동시 평가: 두 세계의 장점

초록

본 논문은 저자와 논문을 동시에 평가하는 이중 점수 체계인 CITEX 알고리즘을 개선한 CAPS(Coupled Author‑Paper Scoring) 모델을 제안한다. 기존 CITEX는 저자·논문 간 상호 인용 관계를 활용하지만, 과도한 생산성 편향과 자기인용 효과로 인해 왜곡된 순위를 만든다. CAPS는 자기인용 항을 제거하고 저자‑논문 매트릭스를 정규화하여 인용 흐름을 보존함으로써, “좋은 저자는 좋은 저자에게 인용되고, 좋은 논문은 좋은 저자에게 인용된다”는 두 기준을 균형 있게 만족한다. 1980‑2012년 ISI 정보과학·도서관학 분야 213,530편을 대상으로 실험한 결과, CAPS가 기존 방법보다 저자와 논문의 실제 영향력을 더 정확히 반영한다는 것을 확인하였다.

상세 분석

본 연구는 학술 평가에서 저자와 논문의 상호 의존성을 동시에 고려하는 방법론을 탐구한다. 기존의 CITEX 알고리즘은 저자‑논문 이분 그래프와 논문‑논문 인용 네트워크를 결합해 HITS‑유사 반복 과정을 통해 저자 점수 x와 논문 점수 y를 도출한다. 구체적으로, 저자‑논문 매트릭스 M을 열 정규화한 W와 인용 매트릭스 C를 이용해 x←W y, y←Mᵀ x 식으로 업데이트한다. 그러나 저자·논문 간의 자기인용 항 (I + Cᵀ) 을 포함함으로써, 생산성이 높은 저자(특히 단독 저자)가 인용량이 적어도 높은 점수를 얻는 현상이 발생한다. 또한, 동일한 저자 집합이 반복적으로 등장하면 논문 점수가 인용량과 무관하게 상승한다. 이러한 “quirk”은 저자·논문 순위가 실제 학술적 영향과 괴리될 위험을 내포한다.

이를 해결하기 위해 저자‑논문 매트릭스를 W 로 완전 교체하고, 자기인용 항을 삭제한 새로운 반복식(10‑11)을 제시한다. 구체적으로, x(k)=W Cᵀ Wᵀ x(k‑1) 와 y(k)=Cᵀ Wᵀ x(k) 을 사용한다. 여기서 W Cᵀ Wᵀ 은 저자 간의 fractional citation 흐름을, Cᵀ Wᵀ 은 논문이 인용된 저자들의 점수를 반영한다. 이 구조는 “좋은 저자는 좋은 저자에게 인용되고, 좋은 논문은 좋은 저자에게 인용된다”는 두 원칙을 동시에 만족시키며, 인용량을 그대로 보존한다는 장점을 가진다.

수렴성은 비음수 행렬 P=W Cᵀ Wᵀ 와 Q=Cᵀ Wᵀ 에 대해 Perron‑Frobenius 정리를 적용해 보장된다. 초기 벡터를 전부 1로 설정하고, 지정된 오차 ε 이하가 될 때까지 반복하면 고유벡터 x와 y가 얻어진다. 실험에서는 213,530개의 ISI 논문을 대상으로 0.001 ε 조건에서 수렴했으며, 결과는 기존 PageRank 기반 방법과 비교해 저자·논문 순위가 보다 균형 잡힌 형태를 보였다.

또한, 저자·논문 네트워크의 구조적 특성을 분석한 결과, CAPS는 고도로 협업하는 소규모 팀보다 폭넓은 인용 네트워크에 위치한 저자를 더 높게 평가한다. 이는 학술적 영향력을 인용 흐름에 기반해 정량화함으로써, 단순 출판량에 의존하는 기존 지표의 한계를 극복한다는 의미이다.