ЦИФРОВА НАУКОМЕТРІЯ УНІВЕРСИТЕТУ: ТРИЄДИНА МОДЕЛЬ ЗМІН (МЕТРИКИ–ЧАС–АЛГОРИТМИ)

ВОЛОШИНОВ, Сергій; Вінник, Максим; Вінник, Тетяна

dc.contributor.author	ВОЛОШИНОВ, Сергій
dc.contributor.author	Вінник, Максим
dc.contributor.author	Вінник, Тетяна
dc.date.accessioned	2026-06-30T09:49:55Z
dc.date.available	2026-06-30T09:49:55Z
dc.date.issued	2026-05-29
dc.identifier.citation	1. World Bank. (2022). Research and development expenditure (% of GDP) [Data set]. World Development Indicators (GB.XPD.RSDV.GD.ZS). URL: https://data.worldbank.org/indicator/GB.XPD.RSDV.GD.ZS (дата звернення: 28.05.2026). 2. World Intellectual Property Organization (WIPO). (2024). Global Innovation Index 2024. Geneva: WIPO. 3. Brin, S., & Page, L. (1998). The anatomy of a large-scale hypertextual Web search engine. Computer Networks and ISDN Systems, 30(1–7), 107–117. 4. Dolgin, E. (2021). The tangled history of mRNA vaccines. Nature, 597(7876), 318–324. 5. The Nobel Prize. (2020). The Nobel Prize in Chemistry 2020 — Press release. URL: https://www.nobelprize.org/prizes/chemistry/2020/press-release/ (дата звернення: 28.05.2026). 6. Hicks, D., Wouters, P., Waltman, L., de Rijcke, S., & Rafols, I. (2015). Bibliometrics: The Leiden Manifesto for research metrics. Nature, 520(7548), 429–431. 7. San Francisco Declaration on Research Assessment (DORA). (2012). URL: https://sfdora.org (дата звернення: 28.05.2026). 8. Coalition for Advancing Research Assessment (CoARA). (2022). Agreement on Reforming Research Assessment. URL: https://coara.eu (дата звернення: 28.05.2026). 9. OECD. (2021). OECD Digital Education Outlook 2021: Pushing the Frontiers with Artificial Intelligence, Blockchain and Robots. Paris: OECD Publishing. 10. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21) (pp. 610–623). 11. Hirsch, J. E. (2005). An index to quantify an individual's scientific research output. Proceedings of the National Academy of Sciences, 102(46), 16569–16572. DOI: 10.1073/pnas.0507655102. 12. Garfield, E. (2006). The history and meaning of the journal impact factor. JAMA, 295(1), 90–93. DOI: 10.1001/jama.295.1.90. 13. Seglen, P. O. (1997). Why the impact factor of journals should not be used for evaluating research. BMJ, 314(7079), 498–502. DOI: 10.1136/bmj.314.7079.497. 14. European Commission. (2022). Reforming research assessment: The Agreement is now final. URL: https://research-and-innovation.ec.europa.eu (дата звернення: 28.05.2026). 15. Science Europe. (2022). The Agreement on Reforming Research Assessment is now final. URL: https://scienceeurope.org (дата звернення: 28.05.2026). 16. National Research Foundation of Ukraine. (2022). Agreement on Reforming Research Assessment [News]. URL: https://nrfu.org.ua/en/news-en/agreement-on-reforming-research-assessment-2/ (дата звернення: 28.05.2026). 17. Luxembourg National Research Fund (FNR). (n.d.). Narrative CV. URL: https://www.fnr.lu/narrative-cv/ (дата звернення: 28.05.2026). 18. Wilsdon, J., Allen, L., Belfiore, E., Campbell, P., Curry, S., Hill, S., … Johnson, B. (2015). The Metric Tide: Report of the Independent Review of the Role of Metrics in Research Assessment and Management. HEFCE. DOI: 10.13140/RG.2.1.4929.1363. 19. Rushforth, A., & Hammarfelt, B. (2023). The rise of "responsible metrics" as a professional reform movement: A collective action frames account. Quantitative Science Studies, 4(4), 879–905. DOI: 10.1162/qss_a_00280. 20. Culbert, J. H., Hobert, A., Jahn, N., Haupka, N., Schmidt, M., Donner, P., & Mayr, P. (2025). Reference coverage analysis of OpenAlex compared to Web of Science and Scopus. Scientometrics, 130(4), 2475–2492. DOI: 10.1007/s11192-025-05293-3. 21. Aria, M., Le, T., Cuccurullo, C., Belfiore, A., & Choe, J. (2024). openalexR: An R-tool for collecting bibliometric data from OpenAlex. The R Journal, 15(4), 167–180. DOI: 10.32614/RJ-2023-089. 22. Agrawal, A., et al. (2024). Do language models know when they're hallucinating references? In Findings of the Association for Computational Linguistics: EACL 2024. 23. Algaba, A., et al. (2024). Large language models reflect human citation patterns with a heightened citation bias [Preprint]. arXiv:2405.15739. 24. Thelwall, M. (2024). Can ChatGPT evaluate research quality? Journal of Data and Information Science, 9(2), 1–21. DOI: 10.2478/jdis-2024-0013. 25. Elsevier. (2023). Scopus Content Coverage Guide. Amsterdam: Elsevier B.V. 26. Clarivate. (2023). Web of Science Core Collection: Overview. Clarivate Analytics. 27. Kinney, R., Anastasiades, C., Authur, R., et al. (2023). The Semantic Scholar Open Data Platform [Preprint]. arXiv:2301.10140. 28. Martín-Martín, A., Orduna-Malea, E., Thelwall, M., & Delgado López-Cózar, E. (2018). Google Scholar, Web of Science, and Scopus: A systematic comparison of citations in 252 subject categories. Journal of Informetrics, 12(4), 1160–1177. DOI: 10.1016/j.joi.2018.09.002. 29. Spivakovsky, O., Vinnyk, M., Poltoratskiy, M., Tarasich, Yu., Bystriantseva, A., Panova, K., & Spivakovska, Ye. (2018). Rating systems for scientometric indices of universities: Key aspects, development, implementation. Information Technologies in Education, 4(37), 24–39. DOI: 10.14308/ite000678. 30. Spivakovsky, A., Vinnyk, M., & Tarasich, Yu. (2015). Web indicators of ICT use in the work of Ukrainian dissertation committees and graduate schools as element of open science. In Communications in Computer and Information Science (Vol. 594, pp. 3–19). Springer. 31. Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th ed.). Thousand Oaks, CA: Sage. 32. Selwyn, N. (2021). Education and Technology: Key Issues and Debates (3rd ed.). London: Bloomsbury Academic. 33. Teece, D. J. (2018). Business models and dynamic capabilities. Long Range Planning, 51(1), 40–49. DOI: 10.1016/j.lrp.2017.06.007. 34. Wouters, P., Sugimoto, C. R., Larivière, V., McVeigh, M. E., Pulverer, B., de Rijcke, S., & Waltman, L. (2019). Rethinking impact factors: Better ways to judge a journal. Nature, 569(7758), 621–623. DOI: 10.1038/d41586-019-01643-3.	ru
dc.identifier.uri	http://hdl.handle.net/123456789/12490
dc.description.abstract	У статті розглянуто трансформацію університетської наукометрії в умовах цифрової трансформації та переходу до відповідального оцінювання науки (responsible metrics). Запропоновано авторську концептуальну рамку змін, що описує еволюцію інструментарію управління науковою діяльністю за трьома взаємопов'язаними вимірами: індексним (метрики), часовим (управлінський цикл) та алгоритмічним (складність обробки даних); стан системи в межах рамки класифікується за тріадою Heritage — Presence — Horizon (цифрова спадщина — операційна присутність — архітектурний горизонт). На основі аналізу міжнародних рамок відповідального оцінювання (DORA, Leiden Manifesto, CoARA), тренду на відкриту наукову інфраструктуру (OpenAlex) та можливостей і ризиків застосування штучного інтелекту обґрунтовано, що сучасна університетська ІТ-система має поєднувати прозорий і відтворюваний розрахунок показників, динамічний моніторинг і регламентоване використання інтелектуальних алгоритмів. Дослідження має концептуально-аналітичний характер із використанням case-study: інституційну систему publication.kspu.edu розглянуто у станах Heritage / Presence, а не як джерело кількісних результатів. Окреслено перспективи переходу до моніторингу, близького до реального часу, з хмарними ресурсами та контрольованими ML/NLP-інструментами за принципом human-in-the-loop	ru
dc.publisher	Херсонський державний університет	ru
dc.subject	університетська наукометрія; відповідальне оцінювання; responsible metrics; цифрова трансформація; штучний інтелект; динамічний моніторинг; інформаційна система.	ru
dc.title	ЦИФРОВА НАУКОМЕТРІЯ УНІВЕРСИТЕТУ: ТРИЄДИНА МОДЕЛЬ ЗМІН (МЕТРИКИ–ЧАС–АЛГОРИТМИ)	ru
dc.type	Article	ru