Korrelationsstudien: Was treibt eigentlich KI-Zitationen an?

Der Netzwerkeffekt – Autoren-Zentralität als Zitationstreiber

Die gängige Meinung im wissenschaftlichen Publizieren besagt, dass bahnbrechende Forschung für sich selbst spricht – dass neue Ideen und rigorose Methodik unabhängig vom/r Autor:in Zitationen anziehen. Doch eine umfassende Analyse von 17.942 Papers aus NeurIPS, ICML und ICLR über zwei Jahrzehnte (2005–2024) zeigt ein differenzierteres Bild: Die Zentralität in Autorennetzwerken ist ein signifikanter Prädiktor für den Zitationserfolg – und steht oft der Bedeutung des Forschungsinhalts selbst in nichts nach. Diese Erkenntnis stellt das meritokratische Ideal der Wissenschaft infrage und legt nahe, dass die soziale Architektur der Forschungsgemeinschaft eine messbare Rolle dabei spielt, welche Arbeiten sich durchsetzen.

Die Forschung zeigt, dass Closeness-Zentralität und HCTCD (Hirsch-Index-basierte Zentralität für temporale Zitationsdynamik) die stärksten Prädiktoren für Zitationszahlen sind, mit Korrelationen von 0,389 bzw. 0,397. Diese Metriken erfassen nicht nur die Anzahl der Kollaborateur:innen, sondern auch die strategische Positionierung im Forschungsnetzwerk – sie messen im Wesentlichen Einfluss und Zugänglichkeit zu anderen Forschenden. Besonders bemerkenswert ist, dass diese netzwerkbasierten Prädiktoren mit klassischen inhaltsbasierten Metriken konkurrieren können. Das bedeutet: Wer publiziert, ist fast genauso wichtig wie was publiziert wird. Forscher:innen, die in gut vernetzten Netzwerken eingebettet sind, profitieren von mehr Sichtbarkeit, einfacheren Kollaborationen und einer höheren Wahrscheinlichkeit, dass ihre Arbeit von Kolleg:innen entdeckt und zitiert wird.

Dieser Netzwerkeffekt ist kein statistisches Artefakt, sondern spiegelt reale Mechanismen wissenschaftlichen Einflusses wider. Wer eine zentrale Position im Kollaborationsnetzwerk seines/ihres Fachs einnimmt, erreicht mit seinen/ihren Publikationen ein breiteres Publikum – durch direkte Zitationen von Kollaborateur:innen, indirekte Zitationen aus erweiterten Netzwerken und erhöhte Sichtbarkeit auf Konferenzen und Seminaren. Die Tendenz der Community, Arbeiten von etablierten und gut vernetzten Forscher:innen zu zitieren, schafft einen sich selbst verstärkenden Kreislauf: Die Netzwerkposition potenziert die Forschungswirkung. Wer verstehen möchte, wie Zitationen in der KI-Forschung tatsächlich entstehen, muss diese Dynamik kennen – und sich von der Annahme lösen, dass allein die „gute“ Forschung zählt.

Jenseits des Inhalts – Was die Forschung wirklich zeigt

Den stärksten Beleg für den Einfluss der Netzwerkzentralität liefert der Vergleich von Zitationsvorhersagemodellen mit und ohne Zentralitätsmetriken. Die folgende Tabelle zeigt, wie stark netzwerkbasierte Features die Vorhersagbarkeit von Zitationen verbessern:

Diese Zahlen sprechen eine klare Sprache: Die Einbeziehung der Autoren-Zentralität verbessert die Genauigkeit der Zitationsprognose um 23–38 %, je nach Aggregationsmethode. Zentralitätsmetriken sind nicht bloß hilfreich – sie sind transformativ für das Verständnis wissenschaftlicher Zitationsdynamik. Fehlen diese Informationen, verlieren Vorhersagemodelle einen Großteil ihrer Erklärungskraft. Das zeigt: Netzwerkposition erfasst etwas Grundlegendes darüber, wie Forschung sich in der Community ausbreitet.

Der Vergleich offenbart darüber hinaus einen methodischen Aspekt: Die Aggregation auf Teamebene übertrifft Einzelautorenmetriken, mit einer Korrelation von 0,401 gegenüber 0,389 für individuelle Closeness-Zentralität. Papers profitieren also von mehreren gut vernetzten Autor:innen – die kollektive Netzwerkstärke eines Teams zählt mehr als die Position einer einzelnen Person. Der Zitationserfolg hängt nicht nur vom „Star-Autor“ ab, sondern vom kumulierten Netzwerkvorteil des ganzen Teams. Das hat weitreichende Folgen für die Zusammenstellung von Forschungsteams und die Bewertung individueller Beiträge.

Der Teamvorteil – Kollektive Netzwerkeffekte

Die Stärke kollaborativer Netzwerke wird besonders deutlich, wenn man untersucht, wie unterschiedliche Teamzusammensetzungen die Zitierungszahlen beeinflussen. Die Forschung liefert dazu mehrere zentrale Erkenntnisse:

• Die gewichtete Summierung der Autoren-Zentralität erreicht eine Korrelation von 0,394 und übertrifft damit einfache Mittelwertansätze – nicht alle Autor:innen tragen gleichermaßen zum Netzwerkvorteil eines Papers bei
• Das Hinzufügen von Co-Autor:innen mit hoher Zentralität (mindestens 50 % höhere Zentralität als die/der Erstautor:in) steigert die Zitationen signifikant – der Effekt ist multiplikativ, nicht bloß additiv
• Die Aggregation auf Teamebene erzielt mit 0,401 die höchste Korrelation aller getesteten Einzelmetriken – kollektive Netzwerkstärke ist der dominierende Faktor
• Teams mit gemischter Zentralität (Kombination aus etablierten und neuen Forschenden) erzielen bessere Zitationsverläufe als homogene Teams aus ausschließlich hoch- oder niedrig-zentralen Autor:innen

Der Unterschied zwischen gewichteter und einfacher Mittelung ist entscheidend: Die gewichtete Summierung erkennt an, dass seniorige, gut vernetzte Forscher:innen unverhältnismäßig stark zur Sichtbarkeit und Wirkung eines Papers beitragen, während die einfache Mittelung alle gleich behandelt. Daraus folgt: Die Zentralität der/des Erstautor:in zählt, aber das Hinzuziehen einer sehr gut vernetzten Person schafft Synergien, die beide einzeln nicht erzielen könnten. Die Forschung zeigt: Strategische Teamzusammenstellung – gezieltes Pairing von Nachwuchs- mit Netzwerk-Hubs – ist ein praktischer Hebel zur Steigerung der Zitationswirkung.

Diese Teamanalyse erklärt auch, warum bestimmte Gruppen regelmäßig hochzitierte Arbeiten produzieren: Es liegt nicht nur an besserer Forschung (auch wenn das zutreffen kann), sondern daran, dass sie Teams mit optimaler Netzwerkzentralität bilden. Wenn eine etablierte Forscherpersönlichkeit mit talentierten Nachwuchsforschenden kollaboriert, profitieren die Papers sowohl vom Netzwerk des/der Senior-Researcher als auch von neuen Ideen. Die Daten legen nahe: Institutionen und Gruppen sollten die Netzwerkzusammensetzung als strategisches Asset begreifen und gezielt Teams mit Zentralität, Expertise und frischem Talent fördern.

Zeitliche Dynamik – Das Langzeitspiel

Eine der aufschlussreichsten Erkenntnisse des 20-Jahres-Datensatzes betrifft den Wandel der Vorhersagekraft der Netzwerkzentralität über die Zeit. Langfristige Zentralität, gemessen über 16 Jahre, korreliert um 24,3 % stärker mit Zitationen als kurzfristige Zentralität auf 1-Jahres-Basis. Das verändert grundlegend die Sicht auf den Einfluss von Autor:innen. Entscheidend für Zitationserfolg ist nicht die momentane Netzwerkposition, sondern die langfristig etablierte Rolle innerhalb der Community.

Die Konsequenz: Netzwerkzentralität wirkt als langfristiges Asset, das seinen Wert über Jahre und Jahrzehnte aufbaut – nicht als kurzfristiger Vorteil, der mit jährlichen Kollaborationsmustern schwankt. Wer über 16 Jahre hinweg kontinuierlich kollaboriert und sein Netzwerk pflegt, entwickelt einen Zitationsvorteil, der weit über das hinausgeht, was die aktuelle Netzwerkposition vermuten ließe. Das erklärt, warum etablierte Forschende weiter zitiert werden, auch wenn sie aktuell wenig publizieren – ihre historische Zentralität beeinflusst weiterhin, wie ihre Arbeit entdeckt und zitiert wird.

Diese zeitliche Dynamik zeigt auch, warum Nachwuchsforschende es schwerer haben, viele Zitationen zu bekommen. Selbst bei herausragender Arbeit fehlt ihnen die angesammelte Zentralität der Etablierten. Der Unterschied von 24,3 % zwischen Lang- und Kurzfrist macht deutlich: Wer Zitationseinfluss will, braucht Geduld und beständige Netzwerkarbeit, nicht nur einzelne Durchbruch-Papers. Netzwerken ist eine mehrjährige Investition – gezielte Kollaborationen und kontinuierliche Sichtbarkeit zahlen sich langfristig aus.

Zitation vs. Review-Scores – Unterschiedliche Metriken, unterschiedliche Geschichten

Eine zentrale Erkenntnis, die konventionelle Bewertungspraxis infrage stellt, ist die schwache Korrelation zwischen Peer-Review-Scores und späteren Zitationszahlen. Die Gesamt-Korrelation zwischen Review-Scores und Zitationen beträgt nur 0,193 – ein überraschend niedriger Wert, der zeigt: Reviewer:innen und die Forschungsgemeinschaft haben sehr unterschiedliche Kriterien für Forschungsqualität. Das hat weitreichende Folgen für die Beurteilung von Wirkung und Merit.

Die Daten zeigen zudem: Zitationszahlen lassen sich deutlich leichter vorhersagen als Review-Scores – Modelle für Zitationsprognosen erzielen weit höhere Genauigkeit als solche für Peer-Reviews. Zitationen folgen systematischeren Mustern (stark beeinflusst durch Netzwerkzentralität), während Review-Scores subjektive, variierende Einzelurteile abbilden. Wenn Papers gute Reviews, aber wenige Zitationen (oder umgekehrt) erhalten, ist das kein „Fehler“ – sondern Ausdruck davon, dass beide Metriken verschiedene Phänomene messen.

Die schwache Korrelation von 0,193 legt nahe: Peer-Reviewer:innen sind nicht optimal positioniert, um den langfristigen Forschungseinfluss vorherzusagen. Sie bewerten methodische Strenge, Neuartigkeit und Relevanz, können aber nicht vorhersehen, wie die Community auf Paperideen reagiert oder wie das Netzwerk der Autor:innen deren Reichweite verstärkt. Das schmälert nicht den Wert des Peer-Reviews für die Qualitätskontrolle – aber Review-Scores sind kein Ersatz für Zitationswirkung oder langfristigen Einfluss.

Zudem zeigt die Forschung, dass Zitationsvorhersagemodelle LLM-basierte Reviewer:innen bei der Prognose hochzitierter Papers übertreffen. Systematische Netzwerkanalysen und historische Daten liefern bessere Prognosen als Expertenurteile allein. Das bedeutet nicht, dass menschliche Reviewer:innen überflüssig sind – vielmehr folgt der Zitationseinfluss Mustern, die unabhängig von subjektiver Qualitätsbewertung modellier- und prognostizierbar sind. Institutionen, die sich bei der Bewertung ausschließlich auf Peer-Review-Scores verlassen, übersehen so entscheidende Faktoren für den tatsächlichen Einfluss einer Arbeit.

Praktische Implikationen für Forschungsevaluation

Die Ergebnisse zur Autoren-Zentralität und Zitationsdynamik liefern unmittelbare, umsetzbare Empfehlungen für Institutionen, Förderagenturen und Forschende. Wer versteht, was Zitationen wirklich antreibt, kann auf allen Ebenen der Wissenschaft strategisch klüger entscheiden.

Zentrale Empfehlungen der Forschung:

1. Netzwerkzentralität als legitimen Wirkungsfaktor anerkennen, nicht bloß als Störgröße. Gut vernetzte Forschende haben strukturelle Vorteile bei Zitationen – Bewertungssysteme sollten diese Realität abbilden, statt sie zu ignorieren.

2. Kollaborationsteams gezielt so zusammenstellen, dass Zentralität und Expertise kombiniert werden. Hoch-zentrale Co-Autor:innen bringen einen multiplikativen Effekt für Zitationen. Netzwerkzusammensetzung ist ein strategisches Asset wie methodisches Know-how.

3. In langfristigen Netzwerkaufbau investieren statt auf kurzfristige Sichtbarkeit zu setzen – 16-Jahres-Zentralität korreliert um 24,3 % stärker als 1-Jahres-Zentralität. Nachhaltige Kollaborationen und Sichtbarkeit sind entscheidend.

4. Peer-Review-Scores durch Zitationsvorhersagemodelle ergänzen. Die 0,193-Korrelation zeigt: Beide Metriken messen Verschiedenes. Förderer und Institutionen sollten mehrere Bewertungsansätze kombinieren, nicht nur Peer-Judgment.

5. Unterscheiden zwischen Forschungsqualität und Zitationswirkung: Beide sind verwandt, aber nicht identisch. Papers mit guten Reviews müssen nicht zwangsläufig viele Zitationen erhalten und umgekehrt – Netzwerkposition und andere Faktoren spielen eine Rolle.

Die wichtigste Erkenntnis: Zitationserfolg ist zum Teil prognostizierbar und strukturell getrieben (Autoren-Zentralität) – nicht rein meritokratisch. Das ermöglicht realistischere, differenzierte Forschungsevaluation und Karriereplanung.

Der AmICited-Vorteil – Monitoring von KI-Zitationen

Zu wissen, was KI-Zitationen tatsächlich antreibt, wird für Organisationen immer wertvoller, die nachvollziehen wollen, wie ihre Forschung, Produkte und Innovationen in der KI-Gemeinschaft diskutiert und zitiert werden. AmICited bietet einen systematischen Ansatz zum Tracking von KI-Erwähnungen und Zitationen – und hilft Marken und Forschenden, nicht nur wie oft zitiert wird zu verstehen, sondern warum und von wem.

Die Forschung zeigt: Zitationseinfluss hängt von vielen Faktoren ab – Autoren-Zentralität, Teamzusammensetzung, zeitliche Dynamik, Inhaltsqualität – die in komplexer Weise interagieren. AmICiteds Monitoring hilft Organisationen, diese Dynamik zu durchdringen, Zitationsmuster zu verfolgen, die einflussreichsten Papers zu identifizieren und die Netzwerkeffekte zu erkennen, die Forschung wirkungsvoll machen. Wer analysiert, von wem man zitiert wird, wie Zitationen sich entwickeln und wie die eigene Forschung in größere Netzwerke eingebettet ist, bekommt echte Einblicke in die eigene Position in der KI-Community.

Für Forschungseinrichtungen bedeutet das: Weg von simplen Zitationszahlen, hin zum Verständnis von Qualität und Verlauf der Zitationen – Zitate von gut vernetzten Forschenden haben ein anderes Gewicht als von isolierten, nachhaltiges Wachstum über Jahre bedeutet mehr als kurzfristige Peaks. Für Unternehmen mit KI-Produkten hilft das Verständnis von Zitationsdynamik, relevante Themen und einflussreiche Forschende zu erkennen und zu verstehen, wie Innovationen übernommen und weiterentwickelt werden.

Der größte Mehrwert beim Verstehen der Zitationstreiber ist strategische Klarheit: Organisationen können Investitionen, Kollaborationen und Kommunikationsstrategien datengestützt planen. Anstatt auf den Zufall zu bauen, dass gute Forschung automatisch zitiert wird, können gezielt Netzwerke aufgebaut, Teams zusammengestellt und Kontakte zu einflussreichen Forschenden gepflegt werden – um die Wirkung der eigenen Forschung zu maximieren. In einer immer wettbewerbsintensiveren KI-Forschungslandschaft ist dieser evidenzbasierte Ansatz zum Zitationsmonitoring ein echter Vorteil.