The use of social media as bibliographic citations in open access journals: a reproducible pipeline for extraction and archiving of social media based references

Abstract

The plethora of data, which keeps on growing exponentially, alongside the widespread adoption of social media platforms (SMPs), as well as the continuous expansion of scientific publishing has transformed scholarly communication. It is important to examine whether, and to what extent, academics, scholars and researchers consider SMPs as trustworthy sources in academic publications. The motivation for this thesis derived from the engagement and interaction with academic publications and student assignments and dissertations, where a shift in citation practices was observed towards non-traditional sources, including web-based and Social Media (SM) content. This study investigates the relationship between SMPs and bibliographic article citations over a five-year period (2020-2024). The primary aim of this doctoral thesis is to identify the presence of social media-based references, analyse their characteristics and examine their scope of use, accessibility and archiving status. In order to achieve this, automated pipelines were developed for downloading and renaming articles, and extracting references from them, using Python scripts generated with the aid of Artificial Intelligence (AI). The task was undertaken, with the user having no prior Python programming experience, relying partially on familiarity with HTML and CSS structures. Excluding one manually processed journal used as a descriptive baseline, 31 journals were evaluated through AI-assisted workflows. Successful downloader and renamer workflows were developed for 28 journals (90,32%), while two renaming workflows were additionally developed for three journals where automated downloading proved unsuccessful. Regarding the total time required for this feasibility case, the combined workflow execution times were generally lower than the manually recorded baseline, since the observed average operational time corresponded to approximately 15,8 seconds per file for the fully manual procedure, 13,8 seconds for the complete automated workflow corpus, and 10,8 seconds after excluding one highly time-consuming outlier case. In total, 7.666 articles from 32 Open Access (OA) journals across four disciplines (Computer Science, Education, Library Science and Physics) were analysed covering all SCImago ranking quartiles (Q1-Q4). The extracted 337.538 references were stored in a relational database and examined through SQL queries in order to detect and quantify SMP-originated citations. The findings revealed 338 instances of SM citations, corresponding to approximately one occurrence per 22,7 articles. Among the 13 SMPs that were examined, 11 were actively used. YouTube was the dominant platform, accounting for 49% of all SM citations, followed by Facebook (approximately 20%) and then Twitter (now X) with around 12,5%. Additional findings in this thesis show that 57,25% of the references remain text-based without any web locators (URLs). Digital Object Identifiers (DOIs) account for approximately 71% of all web-based references, however, they represent only around 30% of the total number of references, indicating that the majority of the dataset lacks a persistent digital identifier. The archiving analysis of SM references revealed that 6,5% of the initial posts were no longer accessible at the time of retrieval. In terms of distribution within the articles, 44% of SMP citations were in the Literature Review section, followed by the Introduction and Methodology sections (both at 17%), indicating that SM references are primarily used to provide contextual background and to support the literature, but at the same time to also support research design. The key contributions of this research include the empirical mapping of social media in scholarly references, the identification of a hybrid citation ecosystem, and the provision of cross-disciplinary and quarterly-based insights. It also introduces methodological approaches for article automated downloading and reference extraction through AI-assisted scripts. The research also highlights significant issues and deficiencies related to accessibility and archiving and emphasises the emergence of a hybrid citation ecosystem in which SM and web-based sources complement traditional scholarly material. While these sources are increasingly integrated into the research, even by high-ranked journals as this study demonstrated, the results also reveal persistent challenges related to data and metadata completeness, long-term accessibility and reproducibility. For these reasons, the study highlights the need for improved citation practices, robust archiving mechanisms, and enhanced metadata frameworks to support the sustainability and reliability of scholarly communication and therefore it proposes a metadata framework (SM Core) to support the description, the reuse and the curation of social media content in scholarly publications. Finally, this doctoral thesis provides an empirical and methodological basis for future research and development.

Η πληθώρα δεδομένων, η οποία συνεχίζει να αυξάνεται εκθετικά, παράλληλα με την ευρεία χρήση των πλατφορμών κοινωνικής δικτύωσης (SMPs), καθώς και η συνεχής επέκταση των επιστημονικών δημοσιεύσεων, έχουν μεταμορφώσει την ακαδημαϊκή επικοινωνία. Είναι σημαντικό να εξεταστεί εάν και σε ποιο βαθμό οι ακαδημαϊκοί, οι μελετητές και οι ερευνητές θεωρούν τα SMPs ως αξιόπιστες πηγές στις ακαδημαϊκές δημοσιεύσεις. Το κίνητρο για την παρούσα διατριβή προέκυψε από την αλληλεπίδραση με ακαδημαϊκές δημοσιεύσεις και φοιτητικές εργασίες και διατριβές, όπου παρατηρήθηκε μια μετατόπιση στις πρακτικές αναφορών προς μη παραδοσιακές πηγές, συμπεριλαμβανομένου του διαδικτυακού περιεχομένου και του περιεχομένου των Κοινωνικών Δικτύων (SM). Η παρούσα μελέτη διερευνά τη σχέση μεταξύ των SMPs και των βιβλιογραφικών αναφορών άρθρων μέσα σε μια πενταετία (2020-2024). Ο πρωταρχικός στόχος της παρούσας διδακτορικής διατριβής είναι να εντοπίσει την παρουσία αναφορών που βασίζονται στα μέσα κοινωνικής δικτύωσης, να αναλύσει τα χαρακτηριστικά τους και να εξετάσει το εύρος χρήσης τους, την προσβασιμότητα και την κατάσταση αρχειοθέτησής τους. Για να επιτευχθεί αυτό, αναπτύχθηκαν αυτοματοποιημένα pipelines για τη λήψη και μετονομασία άρθρων, καθώς και την εξαγωγή αναφορών από αυτά, χρησιμοποιώντας Python scripts που δημιουργήθηκαν με τη βοήθεια Τεχνητής Νοημοσύνης (AI). Η διαδικασία πραγματοποιήθηκε χωρίς προηγούμενη εμπειρία προγραμματισμού Python από τον χρήστη, βασιζόμενος εν μέρει στην εξοικείωση με δομές HTML και CSS. Εξαιρώντας ένα περιοδικό που επεξεργάστηκε χειροκίνητα και χρησιμοποιήθηκε ως περιγραφική βάση, 31 περιοδικά αξιολογήθηκαν μέσω ροών εργασίας με υποβοήθηση από Τεχνητή Νοημοσύνη. Αναπτύχθηκαν επιτυχημένες ροές εργασίας λήψης και μετονομασίας για 28 περιοδικά (90,32%), ενώ αναπτύχθηκαν επιπλέον δύο ροές εργασίας μετονομασίας για τρία περιοδικά όπου η αυτοματοποιημένη λήψη αποδείχθηκε ανεπιτυχής. Όσον αφορά τον συνολικό χρόνο που απαιτήθηκε για αυτήν την μελέτη υλοποιησιμότητας, οι συνδυασμένοι χρόνοι εκτέλεσης ροής εργασίας ήταν γενικά χαμηλότεροι από τη χειροκίνητα καταγεγραμμένη βάση, καθώς ο παρατηρούμενος μέσος χρόνος αντιστοιχούσε σε περίπου 15,8 δευτερόλεπτα ανά αρχείο για την πλήρως χειροκίνητη διαδικασία, 13,8 δευτερόλεπτα για την πλήρως αυτοματοποιημένη ροή εργασίας και 10,8 δευτερόλεπτα, μετά τον αποκλεισμό μιας εξαιρετικά χρονοβόρας περίπτωσης. Συνολικά, αναλύθηκαν 7.666 άρθρα από 32 περιοδικά Ανοικτής Πρόσβασης (OA) σε τέσσερις επιστημονικούς κλάδους (Επιστήμη Υπολογιστών, Εκπαίδευση, Βιβλιοθηκονομία και Φυσική) καλύπτοντας όλα τα τεταρτημόρια κατάταξης SCImago (Q1-Q4). Οι 337.538 αναφορές που εξαχθήκαν αποθηκεύτηκαν σε μια σχεσιακή βάση δεδομένων και εξετάστηκαν μέσω ερωτημάτων SQL, προκειμένου να εντοπιστούν και να ποσοτικοποιηθούν οι αναφορές που προέρχονται από τα SMP. Τα ευρήματα αποκάλυψαν 338 περιπτώσεις αναφορών από SM, που αντιστοιχούν σε περίπου μία περίπτωση ανά 22,7 άρθρα. Μεταξύ των 13 SMP που εξετάστηκαν, τα 11 είχαν ενεργή χρήση. Το YouTube ήταν η κυρίαρχη πλατφόρμα, αντιπροσωπεύοντας το 49% όλων των αναφορών από SM, ακολουθούμενο από το Facebook (περίπου 20%) και στη συνέχεια το Twitter (τώρα X) με περίπου 12,5%. Πρόσθετα ευρήματα σε αυτή τη διατριβή δείχνουν ότι το 57,25% των αναφορών παραμένουν βασισμένες σε κείμενο χωρίς εντοπιστές ιστού (URL). Τα Αναγνωριστικά Ψηφιακών Αντικειμένων (DOI) αντιπροσωπεύουν περίπου το 71% όλων των αναφορών που βασίζονται στο διαδίκτυο, ωστόσο, αντιπροσωπεύουν μόνο περίπου το 30% του συνολικού αριθμού αναφορών, υποδεικνύοντας ότι η πλειονότητα του συνόλου δεδομένων δεν διαθέτει ένα μόνιμο ψηφιακό αναγνωριστικό. Η ανάλυση αρχειοθέτησης των αναφορών από το SM αποκάλυψε ότι το 6,5% των αρχικών αναρτήσεων δεν ήταν πλέον προσβάσιμο κατά τη στιγμή της ανάκτησης. Όσον αφορά την κατανομή εντός των άρθρων, το 44% των αναφορών από το SMP ήταν στην ενότητα Ανασκόπηση Βιβλιογραφίας, ακολουθούμενη από τις ενότητες Εισαγωγή και Μεθοδολογία (και οι δύο με 17%), υποδεικνύοντας ότι οι αναφορές από το SM χρησιμοποιούνται κυρίως για την παροχή υπόβαθρου και για την υποστήριξη της βιβλιογραφίας, αλλά ταυτόχρονα για την υποστήριξη του σχεδιασμού της έρευνας. Οι βασικές συνεισφορές αυτής της έρευνας περιλαμβάνουν την εμπειρική χαρτογράφηση των μέσων κοινωνικής δικτύωσης στις επιστημονικές αναφορές, τον εντοπισμό ενός υβριδικού οικοσυστήματος αναφορών και την παροχή διαθεματικών συμπερασμάτων με βάση την κατάταξη σε τεταρτημόρια . Εισάγει επίσης μεθοδολογικές προσεγγίσεις για την αυτοματοποιημένη λήψη άρθρων και την εξαγωγή αναφορών μέσω script με τη βοήθεια τεχνητής νοημοσύνης. Η έρευνα επισημαίνει επίσης σημαντικά ζητήματα και ελλείψεις που σχετίζονται με την προσβασιμότητα και την αρχειοθέτηση και δίνει έμφαση στην εμφάνιση ενός υβριδικού οικοσυστήματος αναφορών στο οποίο οι πηγές από το SM και οι διαδικτυακές πηγές συμπληρώνουν το παραδοσιακό επιστημονικό υλικό. Ενώ αυτές οι πηγές ενσωματώνονται ολοένα και περισσότερο στην έρευνα, ακόμη και από περιοδικά υψηλής κατάταξης, όπως έδειξε αυτή η μελέτη, τα αποτελέσματα αποκαλύπτουν επίσης προκλήσεις που σχετίζονται με την πληρότητα των δεδομένων και των μεταδεδομένων, τη μακροπρόθεσμη προσβασιμότητα και την αναπαραγωγιμότητα. Για αυτούς τους λόγους, η διατριβή υπογραμμίζει την ανάγκη για βελτιωμένες πρακτικές παραπομπών, ισχυρούς μηχανισμούς αρχειοθέτησης και ενισχυμένα πλαίσια μεταδεδομένων για την υποστήριξη της βιωσιμότητας και της αξιοπιστίας της ακαδημαϊκής επικοινωνίας και ως εκ τούτου προτείνει ένα πλαίσιο μεταδεδομένων (SM Core) για την υποστήριξη της περιγραφής, της επαναχρησιμοποίησης και της επιμέλειας περιεχομένου από τα μέσα κοινωνικής δικτύωσης σε επιστημονικές δημοσιεύσεις. Τέλος, η παρούσα διδακτορική διατριβή παρέχει μια εμπειρική και μεθοδολογική βάση για μελλοντική έρευνα.