인용 네트워크 전이적 환원을 통한 학제성 규명

본 연구는 인용 네트워크에 대한 전이적 환원의 영향을 탐구한다. 전이적 환원 시 인용 손실이 적은 문헌은 학제적(다중 분류)일 가능성이 높고, 인용 손실이 큰 문헌은 단일 분류 내에서 주로 인용된다는 가설을 세웠다. 이 가설을 검증하기 위해 인용 네트워크의 인공 모델과 학술 논문, 법원 판결, 특허 세 가지 실제 데이터 소스를 활용했다. 필요한 경우, 인용 네트워크의 무방향 버전을 사용하여 정의된 네트워크에 모듈성 기반 클러스터링 기법을 적용하여 문헌을 커뮤니티별로 분류했다. 이후 클러스터 의존적 측정 기준을 사용하여 노드를 다중 분류 또는 단일 분류로 분류했다. 네 가지 모든 사례에서 우리의 가설을 강력하게 뒷받침하는 결과를 얻었다. 이는 전이적 환원이 문헌의 학제성을 파악하는 효과적인 도구가 될 수 있음을 시사한다. 본 연구는 인용 네트워크 분석을 통해 문헌의 학제적 특성을 정량적으로 평가하는 새로운 방법을 제시하며, 학술 연구, 법률, 기술 분야 전반에 걸쳐 지식의 확산과 융합을 이해하는 데 기여할 수 있다.