Glänzel Wolfgang, Schubert András, Vasvári Lilian (szerk.): Kis tudománymetria, nagy tudománymetria... és azon túl (A MTAK Informatikai És Tudományelemzési Sorozata 8., 2001)

Hozzászólások

Hozzászólások 23 Évek óta ismert, hogy a bibliometriai adatgyűjtés során az időtartam nagy jelentőséggel bír - akár arról van szó, hogy egy monográfiát hányszor kölcsönöztek ki egy könyvtárból, vagy, hogy egy tudományos cikket hányszor idéztek. A vizsgálat idejének megkétszerezése nem egyszerűen az eloszlás elemeinek megkétszereződéséhez fog vezetni, hanem az eloszlás egész alakját megváltoztatja. Tehát egy olyan modellnek, amely szemléletes és magyarázó is, mindenképen tartalmaznia kell az időt is, mint paramétert. Nyíltan kimondva, ha az idő nem szerepel a modellben, akkor az egész kutatás nem több időpocsékolásnál. ... és sztochasztikusan? Bármilyenek legyenek is a téma alapvető «törvényei», ezek mindig empirikusak lesznek, és csak a rendelkezésre álló adatok fényében lehet megítélni őket, ami pedig mindig statisztikai módszerek alkalmazását jelenti. Itt kezdődnek a valódi problémák! Gyakran olyan munkákkal találkozunk, amelyek nemcsak, hogy nem megfelelő statisztikai módszereket alkalmaznak és hibás következtetéseket vonnak le, hanem gyakran még a statisztika alapvető filozófiáját is rosszul értelmezik. (Gyakori példaként említeném a hipotézis próba alkalmazását, vagy a várható sűrűség használatát. Mennyi idő ment veszendőbe azzal, hogy valamilyen oknál fogva ragaszkodtunk ahhoz a gondolathoz, hogy az adatok rangsor-gyakoriság ábrázolása valamiért értékesebb lenne a standard gyakoriság-eloszlásnál, habár a kettő matematikailag egyenértékű. Persze ott vannak azok a szerzők is, akik szerint a bibliometria valamilyen okból kifolyólag egy különleges és misztikus (nem normális eloszlású) tudomány, és ezért nem vonatkoznak rá az általános statisztikai metodológiák.) Amikor egyes szerzők úgy találják, hogy az alkalmazott egyszerű szabályokra épülő statisztika nem hozza meg a várt «helyes eredményeket», akkor lehet, hogy ez nem az adott statisztikai metodológia, hanem inkább az alkalmazás hibája; amely pedig bizonyos elméleti feltételezésekből ered. A statisztika jobb megértésére van szükség, ami - ahogy azt már korábban említettem - a kutatók, a bírálók és a folyóiratok szerkesztőinek közös felelőssége. Azonban van még egy ennél is alapvetőbb, a matematikához kapcsolódó pont. A tudománymetriai, informetriai és bibliometriai adatok készítése kétségtelenül a valószínűségre épül, aminek kifejezésre kell jutnia a használt matematikai modellekben. Bár az egyszerű matematikai függvények és grafikonok gyakran hasznosak lehetnek az adatok szemléltetésére, általában nincsen semmilyen értelmük, ha eltérő környezetekben és időtartamokban való előrejelzés, illetve extrapoláció céljaira akarjuk őket felhasználni, kizárólag akkor, ha a valószínűségi jelleget is figyelembe vesszük. Más szavakkal kifejezve, sztochasztikus modellekre van szükség. Érdekes módon az ilyen modelleket már több mint negyedszázada alkalmazták (például Philip Morse munkáiban), de mostanság kevés olyan cikk jelenik meg, amelyben felhasználnák őket.