Power laws are a characteristic distribution that are ubiquitous, in that they are found almost everywhere, in both natural as well as in man-made systems. They tend to emerge in large, connected and self-organizing systems, for example, scholarly publications. Citations to scientific papers have been found to follow a power law, i.e., the number of papers having a certain level of citation x are proportional to x raised to some negative power. The distributional character of altmetrics has not been studied yet as altmetrics are among the newest indicators related to scholarly publications. Here we select a data sample from the altmetrics aggregator Altmetrics.com containing records from the platforms Facebook, Twitter, News, Blogs, etc., and the composite variable Alt-score for the period 2016. The individual and the composite data series of 'mentions' on the various platforms are fit to a power law distribution, and the parameters and goodness of fit determined using least squares regression. The log-log plot of the data, 'mentions' vs. number of papers, falls on an approximately linear line, suggesting the plausibility of a power law distribution. The fit is not very good in all cases due to large fluctuations in the tail. We show that fit to the power law can be improved by truncating the data series to eliminate large fluctuations in the tail. We conclude that altmetric distributions also follow power laws with a fairly good fit over a wide range of values. More rigorous methods of determination may not be necessary at present.

中文翻译：

---

“替代指标”是否遵循幂律？Altmetric.com 中社交媒体提及数据的证据

幂律是一种普遍存在的特征分布，因为它们几乎无处不在，无论是在自然系统还是人造系统中。它们往往出现在大型、相互关联和自组织的系统中，例如学术出版物。已发现对科学论文的引用遵循幂律，即具有特定引用水平的论文数量 x 与 x 的某个负幂成正比。由于altmetrics是与学术出版物相关的最新指标之一，因此altmetrics的分布特征尚未得到研究。在这里，我们从 altmetrics 聚合器 Altmetrics.com 中选择一个数据样本，其中包含来自 Facebook、Twitter、新闻、博客等平台的记录，以及 2016 年期间的复合变量 Alt-score。各个平台上“提及”的个人和复合数据系列符合幂律分布，并且使用最小二乘回归确定参数和拟合优度。数据的对数图，即“提及”与论文数量的关系，落在一条近似线性的线上，表明幂律分布的合理性。由于尾部的大波动，拟合并不是在所有情况下都很好。我们表明可以通过截断数据序列以消除尾部的大波动来提高对幂律的拟合。我们得出的结论是，altmetric 分布也遵循幂律，在广泛的值范围内具有相当好的拟合。目前可能不需要更严格的确定方法。以及使用最小二乘回归确定的参数和拟合优度。数据的对数图，即“提及”与论文数量的关系，落在一条近似线性的线上，表明幂律分布的合理性。由于尾部的大波动，拟合并不是在所有情况下都很好。我们表明可以通过截断数据序列以消除尾部的大波动来提高对幂律的拟合。我们得出的结论是，altmetric 分布也遵循幂律，在广泛的值范围内具有相当好的拟合。目前可能不需要更严格的确定方法。以及使用最小二乘回归确定的参数和拟合优度。数据的对数图，即“提及”与论文数量的关系，落在一条近似线性的线上，表明幂律分布的合理性。由于尾部的大波动，拟合并不是在所有情况下都很好。我们表明可以通过截断数据序列以消除尾部的大波动来提高对幂律的拟合。我们得出的结论是，altmetric 分布也遵循幂律，在广泛的值范围内具有相当好的拟合。目前可能不需要更严格的确定方法。表明幂律分布的合理性。由于尾部的大波动，拟合并不是在所有情况下都很好。我们表明可以通过截断数据序列以消除尾部的大波动来提高对幂律的拟合。我们得出的结论是，altmetric 分布也遵循幂律，在广泛的值范围内具有相当好的拟合。目前可能不需要更严格的确定方法。表明幂律分布的合理性。由于尾部的大波动，拟合并不是在所有情况下都很好。我们表明可以通过截断数据序列以消除尾部的大波动来提高对幂律的拟合。我们得出的结论是，altmetric 分布也遵循幂律，在广泛的值范围内具有相当好的拟合。目前可能不需要更严格的确定方法。