Approches empiriques de Bayes aux algorithmes de type PageRank pour l'évaluation des revues scientifiques.

Résumé Suite aux critiques formulées à l'encontre du facteur d'impact des revues, de nouveaux scores d'influence des revues ont été développés tels que l'Eigenfactor ou le Prestige Scimago Journal Rank. Ils sont basés sur des algorithmes de type PageR-ank sur la matrice de transition des citations croisées du réseau citant-cité. L'algorithme PageR-ank effectue un lissage de la matrice de transition combinant une marche aléatoire sur le réseau de données et une téléportation vers tous les nœuds possibles avec des probabilités fixes (le facteur d'amortissement étant α = 0,85). Nous réinterprétons cette matrice de lissage comme la moyenne d'une distribution postérieure d'un modèle Dirichlet-multinomial dans une perspective de Bayes empirique. Nous proposons un moyen simple mais efficace de faire une distinction claire entre les zéros structurels et les zéros d'échantillonnage. Cela nous permet de contraster les cas où les autocitations sont incluses ou exclues pour éviter les biais de revues surévaluées. Nous estimons les paramètres du modèle en maximisant la vraisemblance marginale avec un algorithme Majorize-Minimize. La procédure aboutit à un score similaire à celui du PageRank mais avec un facteur d'amortissement dépendant de la revue concernée. Les procédures sont illustrées par un exemple de citations croisées parmi 47 revues statistiques étudiées par Varin et al. (2016).