Моисеева Наталья Александровна – канд. пед. наук, доцент кафедры «Прикладная математика и фундаментальная информатика»
Омск
Natalya A. Moiseeva – Cand. Sc. (Pedagogy), Associate Professor, Applied Mathematics and Basic Informatics Chair
Omsk
Уровень научного журнала – ключевой показатель в современной национальной системе оценки результативности исследований. Категорирование научных журналов – одна из основных задач библиометрии, постоянный рост объёма данных об изданиях и публикациях требует эффективного анализа соответствия между декларируемыми и наблюдаемыми паттернами категорирования. Цель статьи заключается в апробации исследовательского анализа данных (Exploratory Data Analysis, EDA) для изучения распределения научных журналов по уровням в «Белом списке» и выявления статистических закономерностей, связывающих уровень издания с его индексацией в наукометрических базах данных (БД). Объект исследования – открытые данные о научных журналах из «Белого списка». В работе применён статистический подход к анализу данных об изданиях, реализованный в цифровой среде Google Colaboratory с использованием библиотек для EDA (Pandas, Matplotlib, Seaborn) на языке программирования Python. Результаты позволили провести количественный анализ соответствия эмпирических данных правилам категорирования изданий «Белого списка» и выявить различия в паттернах индексации журналов разных уровней. Практическая значимость заключается в интеграции цифровых технологий EDA в библиометрический инструментарий, что открывает возможности для верификации систем категорирования и развития методов библиометрии в условиях цифровизации науки.
In the context of scientific and technological progress, the level of scientific journal is a key element of the modern national system for assessing research performance. Categorizing scientific journals is one of the primary tasks of bibliometrics, and the constant growth in the volume of data on publications and journals requires credible analysis of the alignment between declared and observed categorization patterns. The purpose of this article is to test the application of Exploratory Data Analysis (EDA) to study the distribution of scientific journals across the “White List” levels and to identify statistical patterns linking a journal's level to its indexing in scientometric databases (DB). The research subject is open data on scientific journals on the “White List”. The study employs statistical approach to analyzing publication data, implemented in the Google Collaboratory digital environment using Python programming language libraries for EDA (Pandas, Matplotlib, Seaborn). The results enabled a quantitative analysis of the alignment between empirical data and the “White List” journal categorization rules, revealing differences in indexing patterns across different journal levels. The practical significance lies in integrating EDA digital technologies into the bibliometric toolkit, opening opportunities for verifying categorization systems and advancing bibliometric methods amid the digitalization of science.
The authors declare that there are no conflicts of interest present.