🧬 Semantic Echo: Representasi Vektor Dampak Karya Ilmiah

"Sitasi adalah percakapan. AI seharusnya membaca nada dan jedanya, bukan hanya menghitung volume suaranya."

📖 Deskripsi

Semantic Echo adalah framework analisis sitasi berbasis Graph Neural Networks (GNN) yang mengukur kedalaman pengaruh konseptual (influence depth) antar karya ilmiah. Berbeda dengan metrik tradisional seperti H-index atau jumlah sitasi yang hanya menghitung kuantitas, Semantic Echo menganalisis kualitas dan kedalaman pengaruh dengan cara membandingkan perubahan vektor representasi makalah sebelum dan setelah sitasi terjadi.

🎯 Masalah yang Diselesaikan

Metrik sitasi konvensional tidak dapat membedakan antara:

• Kutipan perfunctory (sekilas/formalitas)
• Kutipan transformatif (yang mengubah arah penelitian fundamental)

Semantic Echo menjawab pertanyaan: "Seberapa banyak 'DNA konseptual' Paper A mengubah vektor penelitian Paper B?"

🧠 Pendekatan Teknis

1. Konstruksi Graf Heterogen Dinamis:

   • Node: Makalah, Penulis, Jurnal, Institusi, Kata Kunci (Keyphrase)
   • Edge: Sitasi, Co-Authorship, Publikasi di, Afiliasi, Kesamaan Semantik
   • Mengadopsi pendekatan Heterogeneous Dynamical Graph Neural Network (SI-HDGNN) untuk graf akademik berbobot, terarah, dan teratribusi

2. Arsitektur GNN:

   • Menggunakan GraphSAGE atau GAT (Graph Attention Networks) untuk agregasi tetangga
   • Node Features: Embedding teks dari abstrak (menggunakan SciBERT), fitur struktural (degree centrality), dan fitur temporal (tahun publikasi)
   • Menghasilkan vectorized representations untuk setiap node yang dapat di-train

3. Metrik "Semantic Echo":

   • Mengukur cosine similarity antara vektor Paper A pada waktu t dengan vektor Paper B pada waktu t+n
   • Bukan sekadar prediksi link, tetapi perubahan embedding space yang disebabkan oleh kemunculan suatu karya

🚀 Instalasi Cepat

# 1. Clone repositori
git clone https://github.com/stipwunaraha/citation-graph-neural-embedding.git
cd citation-graph-neural-embedding

# 2. Buat virtual environment
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 3. Instal semua dependensi
pip install -r requirements.txt

# 4. Instal package untuk pengembangan (opsional)
pip install -e .

💻 Penggunaan Dasar

from semantic_echo import CitationGraph, InfluencePredictor

# Muat dataset (misal: subset DBLP atau OpenAlex)
graph = CitationGraph.from_openalex(doi_list=["10.xxx/paper1", "10.xxx/paper2"])

# Latih model GNN
predictor = InfluencePredictor(graph)
predictor.train(epochs=100)

# Dapatkan "Echo Score" antara dua makalah
score = predictor.echo_score(source_doi="10.xxx/paper1", target_doi="10.xxx/paper2")
print(f"Kedalaman pengaruh: {score:.4f}")

📦 Struktur Repositori

citation-graph-neural-embedding/
├── semantic_echo/       # Source code utama
│   ├── __init__.py      # Inisialisasi package
│   ├── data_loader.py   # Loader dataset (OpenAlex, arXiv, DBLP)
│   ├── embeddings.py    # Pembangkitan embedding (SciBERT, dll.)
│   ├── graph.py         # Konstruksi dan manipulasi graf
│   ├── models.py        # Model GNN (GraphSAGE, GAT, dll.)
│   └── metrics.py       # Metrik evaluasi (Echo Score, dll.)
├── tests/               # Unit test dan integration test
├── configs/             # File konfigurasi YAML
├── examples/            # Contoh penggunaan dan notebook
├── utils/               # Fungsi utilitas tambahan
├── requirements.txt     # Daftar dependensi Python
├── setup.py            # Setup script untuk instalasi package
└── docs/               # Dokumentasi lengkap

📊 Dataset Target

• OpenAlex: API terbuka dengan data sitasi lengkap
• arXiv + Semantic Scholar: Untuk data teks dan graf sitasi
• DBLP: Data publikasi ilmu komputer

🛠️ Teknologi Utama

Kategori	Library/Framework
Deep Learning	PyTorch ≥ 2.0, PyTorch Geometric ≥ 2.3
NLP	Transformers (SciBERT), Sentence Transformers
Scientific Computing	NumPy, SciPy, Pandas
Visualisasi	Matplotlib, NetworkX
Testing	pytest, pytest-cov
Development	black, flake8

🗺️ Roadmap

• ✅ Implementasi dasar GCN/GAT dengan PyTorch Geometric
• ✅ Integrasi SciBERT untuk node features
• 🔄 Skrip scraper untuk OpenAlex
• 🔄 Evaluasi terhadap metrik "Disruption Index" sebagai baseline
• 📋 Dashboard visualisasi interaktif
• 📋 API REST untuk akses programatik

🤝 Kontribusi

Kami sangat terbuka untuk kontribusi! Cara memulai:

1. Baca CONTRIBUTING.md untuk panduan detail
2. Cek Issues untuk tugas yang tersedia
3. Fork repositori dan buat pull request

📄 Lisensi

Proyek ini dilisensikan di bawah Lisensi MIT - lihat berkas LICENSE untuk detail.

---

Penulis & Kontributor: @stipwunaraha dan komunitas

Kata Kunci: Graph Neural Networks, Citation Analysis, Academic Impact, Semantic Similarity, PyTorch, Scientometrics