基于Altmetrics的《科學(xué)計(jì)量學(xué)》研究熱點(diǎn)與前沿分析

李小濤 金心怡

摘要：探索基于Ahmetrics指標(biāo)的研究熱點(diǎn)與前沿分析方法，提高分析結(jié)果的時(shí)效性與準(zhǔn)確性.本研究建立了包括Altmetrics指標(biāo)和被引頻次的論文影響力評(píng)價(jià)體系，采用因子分析識(shí)別出《Scientometrics》的高影響力文獻(xiàn)，進(jìn)而對(duì)高影響力文獻(xiàn)進(jìn)行科學(xué)知識(shí)圖譜分析，以發(fā)現(xiàn)該刊的研究熱點(diǎn)與前沿。研究結(jié)果表明Ahmetrics指標(biāo)可為研究熱點(diǎn)與前沿分析提供一種更為合理的文獻(xiàn)篩選與過濾機(jī)制，有助于提高研究熱點(diǎn)與前沿分析的時(shí)效性與準(zhǔn)確性，更好地揭示期刊和學(xué)科領(lǐng)域的發(fā)展態(tài)勢(shì)。

關(guān)鍵詞：替代計(jì)量學(xué)；科學(xué)計(jì)量學(xué)；研究熱點(diǎn)與前沿；因子分析

DOI：10.3969/j.issn.1008-0821.2019.01.019

[中圖分類號(hào)]G250.252 [文獻(xiàn)標(biāo)識(shí)碼]A [文章編號(hào)]1008-0821（2019）01-0153-08

準(zhǔn)確識(shí)別與預(yù)測(cè)研究熱點(diǎn)對(duì)于掌握學(xué)科發(fā)展動(dòng)態(tài)、推進(jìn)科研創(chuàng)新有著重要意義。傳統(tǒng)的基于引文的研究熱點(diǎn)識(shí)別方法難免存在時(shí)間滯后的問題，而隨著Altmetrics研究的興起，基于在線數(shù)據(jù)的替代計(jì)量方法具有更好的時(shí)效性，可為研究熱點(diǎn)探測(cè)提供新的思路。

王睿等分別用Ahmetric.con和web of sci-ence獲取了273篇論文的Altmetric分?jǐn)?shù)和被引頻次，發(fā)現(xiàn)高Altmetrics指標(biāo)在一定程度上能夠被視作文獻(xiàn)在未來獲得高被引的風(fēng)向標(biāo)。劉曉娟等對(duì)圖書情報(bào)領(lǐng)域文獻(xiàn)的Altmetrics指標(biāo)進(jìn)行了分析，發(fā)現(xiàn)Twitter適合對(duì)文獻(xiàn)的社會(huì)影響力做出判斷，Mendeley更適用于文獻(xiàn)的學(xué)術(shù)影響力評(píng)價(jià)。趙雅馨等通過Mtmetrics指標(biāo)對(duì)信息與計(jì)算科學(xué)領(lǐng)域的文獻(xiàn)進(jìn)行了評(píng)估，并對(duì)綜合關(guān)注度最高（Top 5%）的文獻(xiàn)進(jìn)行了共詞分析。韋博等提出了基于Alt-metrics的研究熱點(diǎn)預(yù)測(cè)新思路，并提出了集評(píng)價(jià)分析、熱點(diǎn)預(yù)測(cè)、推送服務(wù)于一體的平臺(tái)設(shè)計(jì)模型。以上研究表明，學(xué)術(shù)界已充分認(rèn)識(shí)到Altmet-rics指標(biāo)在研究熱點(diǎn)與前沿分析中的潛力，但目前這方面的實(shí)證研究還較為缺乏。

《Scientometrics》是科學(xué)計(jì)量學(xué)領(lǐng)域的重要代表性期刊和高水平學(xué)術(shù)交流平臺(tái)，能較好地反映該領(lǐng)域的發(fā)展態(tài)勢(shì)。本研究建立包括Altmetrics指標(biāo)和被引頻次的論文影響力評(píng)價(jià)體系，采用因子分析識(shí)別出發(fā)表于《Scientometrics》的高影響力文獻(xiàn)，在此基礎(chǔ)上進(jìn)行科學(xué)知識(shí)圖譜分析。本研究一方面探索基于Almetrics指標(biāo)的文獻(xiàn)影響力評(píng)價(jià)及研究熱點(diǎn)與前沿探測(cè)方法；另一方面通過分析《Scien-tometrics》的熱點(diǎn)與前沿來揭示科學(xué)計(jì)量學(xué)研究的發(fā)展態(tài)勢(shì)，以期為相關(guān)研究提供參考借鑒。

1數(shù)據(jù)來源與研究方法

1.1數(shù)據(jù)來源

本研究以《Scientometrics》近3年發(fā)表的論文作為研究對(duì)象，從Web of Science核心合集中以“刊名=Scientometrics”進(jìn)行檢索.時(shí)間限定為2015-2017年，獲得該刊1141篇文獻(xiàn)及其DOI號(hào)、被引頻次，檢索時(shí)間為2018年3月8日。

Mltmtrics.con是獲取Altmetrics指標(biāo)的重要數(shù)據(jù)來源之一。本研究用1141篇文獻(xiàn)的DOI號(hào)在Altmtries.com中進(jìn)行檢索，共得到680篇文獻(xiàn)的Altmetrics指標(biāo)數(shù)據(jù)及關(guān)注度分值（Altmetrie Auen-tion Score，AAS）。AAS是Mtmtrics.con通過對(duì)文獻(xiàn)的15種Mtmetric指標(biāo)（Twitter提及數(shù)、Face-book提及數(shù)等）得分進(jìn)行觀測(cè)，然后對(duì)各項(xiàng)指標(biāo)匯總加權(quán)自動(dòng)計(jì)算出的社會(huì)關(guān)注度總分。

1.2研究方法

1.2.1論文綜合影響力評(píng)估

Mtmetrics指標(biāo)可以很好地體現(xiàn)論文的社會(huì)關(guān)注度，被引頻次則可以反映論文的學(xué)術(shù)影響力.本研究綜合考慮這兩方面的因素，構(gòu)建同時(shí)包含被引頻次和Mtmetrics指標(biāo)的論文綜合影響力評(píng)價(jià)指標(biāo)體系。通過因子分析來對(duì)該指標(biāo)體系進(jìn)行降維并提取公共因子，識(shí)別論文影響力的主要影響因素，并計(jì)算每篇論文的綜合因子得分，以得到論文的綜合影響力排名。綜合影響力較高的論文不僅當(dāng)前影響較大，以后也有望獲得更多的關(guān)注和被引頻次，成為未來一段時(shí)間學(xué)術(shù)界關(guān)注的焦點(diǎn)，因此本研究將綜合影響力前50%的論文作為研究熱點(diǎn)與前沿分析的文獻(xiàn)來源。

1.2.2研究熱點(diǎn)分析

共詞分析法是識(shí)別研究熱點(diǎn)的基本方法之一。該方法通過對(duì)能夠表達(dá)某一學(xué)科領(lǐng)域主題或研究方向的專業(yè)術(shù)語共同出現(xiàn)在同一篇論文中次數(shù)的統(tǒng)計(jì)，判斷各研究主題間的關(guān)系，進(jìn)而發(fā)現(xiàn)學(xué)科研究熱點(diǎn)。除具有較好的時(shí)效性外，共詞分析法還具有客觀性、科學(xué)性、敏感性等特點(diǎn)，因此本研究通過對(duì)綜合影響力排名前50%的論文進(jìn)行共詞分析，并采用Ucinet和Netdraw軟件將共詞矩陣映射為共詞網(wǎng)絡(luò)進(jìn)行可視化展示，以揭示近年來《Scientometrics》的研究熱點(diǎn)。

1.2.3研究前沿分析

國內(nèi)外學(xué)者主要通過高被引文獻(xiàn)、施引文獻(xiàn)以及突現(xiàn)的術(shù)語和潛在的研究問題來發(fā)現(xiàn)與探測(cè)研究前沿。Citespace是目前最為流行的科學(xué)知識(shí)圖譜繪制工具之一，其圖譜具有直觀、高效、客觀、準(zhǔn)確的優(yōu)點(diǎn)，被廣泛應(yīng)用于圖書情報(bào)領(lǐng)域的研究前沿可視化分析中。本研究采用Citespace 5.2進(jìn)行文獻(xiàn)共被引聚類分析，來探測(cè)《Scientometries》的前沿研究領(lǐng)域及代表性文獻(xiàn)。

2論文綜合影響力分析

2.1被引頻次和Altmetrics指標(biāo)特征分析

對(duì)680篇論文的被引頻次和Mtmetrics指標(biāo)分值進(jìn)行描述統(tǒng)計(jì)，結(jié)果見表1。

表1列出了覆蓋率高于0.5%的指標(biāo)。覆蓋率是在某指標(biāo)下非零值的論文數(shù)占論文總數(shù)的比例，可以在一定程度上反映某指標(biāo)在該領(lǐng)域論文評(píng)價(jià)中的可利用價(jià)值，同時(shí)也可以看到該領(lǐng)域論文的影響力主要來自哪些方面。680篇論文中，僅有68.38%的論文被引用，這跟論文發(fā)表年限較短有關(guān)，也說明僅憑這一指標(biāo)難以對(duì)新發(fā)表論文的影響力進(jìn)行全面評(píng)估。98.97%的論文在Mendeley上被用戶保存過，在Twitter、Blog、Facebook、Google+等社交媒體上被提及的論文所占比例分別是89.12%、16.47%、14.71%、3.97%，而新聞、政策文檔、維基百科、同行評(píng)議網(wǎng)站和課程大綱等指標(biāo)對(duì)《Scientometrics》論文的覆蓋率普遍較低，均在5%以下。可見目前科學(xué)計(jì)量學(xué)研究論文的網(wǎng)絡(luò)影響力一方面體現(xiàn)在文獻(xiàn)閱讀軟件的保存數(shù)上；另一方面體現(xiàn)在Twitter、Blog、Facebook這3類社交媒體上，而在新聞、政策文檔等方面的顯示度還很低。

2.2論文綜合影響力得分

選擇覆蓋率10%以上的5個(gè)指標(biāo)（被引頻次、Mendeley、Twitter、Blog、Facebook）構(gòu)建論文影響力綜合評(píng)價(jià)指標(biāo)體系，將論文相應(yīng)指標(biāo)數(shù)據(jù)導(dǎo)人SPSS進(jìn)行因子分析。首先對(duì)數(shù)據(jù)進(jìn)行KMO和Bartlett的球形度進(jìn)行檢驗(yàn)：KMO值為0.712，說明5個(gè)指標(biāo)之間偏相關(guān)性較強(qiáng)：Bartlett球形檢驗(yàn)結(jié)果的顯著性小于0.05，進(jìn)一步說明這5個(gè)指標(biāo)適合提取公共因子。

因子提取的方法選擇主成分分析，特征根大于1的因子有2個(gè)（碎石圖見圖1），方差貢獻(xiàn)率分別為44.93%和35.82%，累計(jì)解釋總方差的80.75%，因子分析效果可以接受。為更清晰地看到2個(gè)因子分別由哪些指標(biāo)主導(dǎo)，采用最大方差法，對(duì)因子進(jìn)行正交旋轉(zhuǎn)，得到旋轉(zhuǎn)后因子荷載矩陣見表2。第一公因子在Twitter、Blog、Facebook上荷載較大，反映的是論文的社會(huì)影響力，因此稱之為社會(huì)影響因子；第二公因子在被引頻次和Mendeley上荷載較大，主要體現(xiàn)論文的學(xué)術(shù)影響力，稱之為學(xué)術(shù)影響因子。

根據(jù)各因子的載荷權(quán)重，論文的綜合影響力得分=（F1*0.4493+F2*0.3582）/0.8075，依據(jù)此計(jì)算公式可得出文獻(xiàn)的綜合影響力得分及排序。本研究將得分較高的前50%文獻(xiàn)（340篇）作為《Scientometrics》的高影響力文獻(xiàn)。

3研究熱點(diǎn)與前沿分析

3.1研究熱點(diǎn)

340篇高影響力論文是近三年《Scientomet-rics》學(xué)術(shù)影響力和社會(huì)關(guān)注度較高的論文，提取其高頻關(guān)鍵詞進(jìn)行共現(xiàn)分析，可以反映近三年該刊乃至科學(xué)計(jì)量學(xué)界最受關(guān)注的研究?jī)?nèi)容。選擇詞頻大于2的關(guān)鍵詞，統(tǒng)計(jì)其共現(xiàn)關(guān)系并進(jìn)行可視化展示，以揭示該刊的研究熱點(diǎn)，結(jié)果見圖2。

圖2中每個(gè)節(jié)點(diǎn)表示1個(gè)關(guān)鍵詞，節(jié)點(diǎn)大小與該詞在網(wǎng)絡(luò)中的點(diǎn)度中心性成正比，節(jié)點(diǎn)間連線的粗細(xì)與關(guān)鍵詞兩兩共同出現(xiàn)的頻次成正比。圖2大致將所有關(guān)鍵詞分為3層：第一層為核心層，代表性的節(jié)點(diǎn)有Bibliometrics、Cition Analysis、Cita-tions等高頻詞，體現(xiàn)了當(dāng)前影響力最高的科學(xué)計(jì)量研究仍然擁有穩(wěn)固的核心——文獻(xiàn)計(jì)量分析與引文分析；第二層是中間層，代表性的節(jié)點(diǎn)有Alt-metrics、Web of Science、Scopus、Google Scholar、Hindex、Research Evaluation等高頻詞，這一層體現(xiàn)出了當(dāng)前科學(xué)計(jì)量學(xué)研究中數(shù)據(jù)來源和應(yīng)用的拓展與創(chuàng)新，Scopus和Google Scholar、Web of Sci-ence為科學(xué)計(jì)量研究提供了多樣化的數(shù)據(jù)來源，替代計(jì)量學(xué)指標(biāo)越來越多的應(yīng)用于科研評(píng)價(jià)；第三層是新興層，代表性的節(jié)點(diǎn)有Sleeping Beauties、Social Media、Universities、Research Performance、Collaboration等詞，該層的關(guān)鍵詞在網(wǎng)絡(luò)中的位置相對(duì)邊緣化，可以看作是中間層關(guān)鍵詞的擴(kuò)展和延伸，“睡美人”現(xiàn)象、社交媒體研究、大學(xué)科研評(píng)價(jià)、科研合作等受到學(xué)術(shù)界和社交媒體的共同關(guān)注，在一定程度上預(yù)示著科學(xué)計(jì)量學(xué)研究的新興趨勢(shì)。

3.2研究前沿

將文獻(xiàn)數(shù)據(jù)導(dǎo)入Citespace，節(jié)點(diǎn)類型選擇“Cited Reference”，時(shí)區(qū)跨度（Slice）為1年，數(shù)據(jù)篩選設(shè)置為Top 50，采用尋徑網(wǎng)絡(luò)算法對(duì)網(wǎng)絡(luò)進(jìn)行整體裁剪。得到文獻(xiàn)共被引網(wǎng)絡(luò)后，對(duì)網(wǎng)絡(luò)進(jìn)行聚類分析，聚類的標(biāo)簽從施引文獻(xiàn)的標(biāo)題中提取，標(biāo)簽詞提取方法選擇LSI，結(jié)果見圖3。

圖3中包括218個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)表示1篇參考文獻(xiàn)，形成了較為清晰的7個(gè)文獻(xiàn)聚類，每個(gè)聚類的標(biāo)簽都用“#”號(hào)和阿拉伯?dāng)?shù)字進(jìn)行編號(hào)。依據(jù)Citespace研究前沿的概念模型，本研究將218篇節(jié)點(diǎn)文獻(xiàn)視為本文獻(xiàn)集的知識(shí)基礎(chǔ)，這些節(jié)點(diǎn)文獻(xiàn)通過共被引形成的聚類即為本文獻(xiàn)集的主要研究領(lǐng)域，每個(gè)研究領(lǐng)域的施引文獻(xiàn)包含著該領(lǐng)域的研究前沿。在參考Citespace聚類標(biāo)簽的基礎(chǔ)上，通過對(duì)每個(gè)聚類的重要節(jié)點(diǎn)文獻(xiàn)及其施引文獻(xiàn)進(jìn)行內(nèi)容分析后，識(shí)別出5個(gè)前沿研究領(lǐng)域：學(xué)術(shù)搜索引擎研究（#0 google scholar）、大學(xué)評(píng)價(jià)研究（#1 university administrator）、學(xué)術(shù)生涯影響因素研究（#2 academic career）、“睡美人”現(xiàn)象研究（#2sleeping beauties）、Ahmetrics研究（#4 social media、#6 alternative metrics、#7 twitter count）。

3.2.1學(xué)術(shù)搜索引擎研究

這一研究領(lǐng)域由圖3中的“#0 google scholar”聚類中的文獻(xiàn)及其施引文獻(xiàn)構(gòu)成。學(xué)術(shù)搜索引擎促使人們對(duì)當(dāng)前學(xué)術(shù)知識(shí)的整體水平進(jìn)行了重新審視，并對(duì)學(xué)術(shù)網(wǎng)絡(luò)的規(guī)模產(chǎn)生了濃厚的興趣，Or-duna-Malea E提出了3種方法來測(cè)度谷歌學(xué)術(shù)的規(guī)模。他的估算結(jié)果是，截至2014年5月，Google Scholar已覆蓋超過1億6千萬個(gè)文檔。Ja-mali H等探索了Google Scholar中論文全文的來源，發(fā)現(xiàn)61.1%的論文可以在谷歌學(xué)術(shù)搜索中以全文形式獲得，ResearchGate是提供論文全文最多的來源，谷歌學(xué)術(shù)10.5%的全文文章來自該網(wǎng)站。由于不同學(xué)科領(lǐng)域的引文特點(diǎn)存在較大差異，跨學(xué)科的文獻(xiàn)計(jì)量學(xué)評(píng)估要求將數(shù)據(jù)按學(xué)科進(jìn)行歸一化，以消除學(xué)科差異。Mingers J等測(cè)試了由Bo-rnmann等人開發(fā)的谷歌學(xué)術(shù)歸一化方法，發(fā)現(xiàn)期刊論文的歸一化結(jié)果與WOS數(shù)據(jù)相近，證明了對(duì)GS標(biāo)準(zhǔn)化是可能的。

Google Scholar經(jīng)常被用于與其他數(shù)據(jù)庫進(jìn)行對(duì)比，比較的結(jié)果常常作為評(píng)價(jià)數(shù)據(jù)庫的重要依據(jù)。微軟學(xué)術(shù)（Microsoft Academic Search，MAS）近年來快速興起，引起了科學(xué)計(jì)量學(xué)家的關(guān)注。Harzing A等以“鳳凰”來比喻MAS，接連發(fā)表了3篇論文——《微軟學(xué)術(shù)搜索：鳳凰于灰燼中重生》《微軟學(xué)術(shù)：鳳凰長出翅膀了嗎？》《微軟學(xué)術(shù)1歲了：鳳凰準(zhǔn)備好離開巢穴》來介紹MAS的優(yōu)勢(shì)，獲得了較高的社會(huì)關(guān)注度。他把MAS與當(dāng)前3種最常使用的科學(xué)計(jì)量數(shù)據(jù)來源Google Scholar、WOS、Scopus進(jìn)行了比較，發(fā)現(xiàn)MAS的收錄的Google Scholar文獻(xiàn)遠(yuǎn)遠(yuǎn)多于WOS和Sco-pus，而且MAS覆蓋了Google Scholar中的所有期刊論文和書籍；在人文學(xué)科，MA的引文覆蓋率也遠(yuǎn)高于WOS和Scopus。

Harzing A等的結(jié)論在Hug的研究中也得到了進(jìn)一步地印證，Hug發(fā)現(xiàn)在大多數(shù)研究領(lǐng)域（包括經(jīng)濟(jì)學(xué)/商業(yè)、計(jì)算機(jī)/信息科學(xué)和數(shù)學(xué)等領(lǐng)域），MAS的覆蓋范圍都更有利于科學(xué)計(jì)量分析。Hug S等還進(jìn)一步探索了MA在文獻(xiàn)計(jì)量分析中的實(shí)際應(yīng)用及優(yōu)勢(shì)，最后他預(yù)測(cè)MA即將成為文獻(xiàn)計(jì)量分析的重要數(shù)據(jù)來源。

3.2.2大學(xué)評(píng)價(jià)研究

這一研究領(lǐng)域由圖3中的“#1 university ad-ministrator”聚類中的文獻(xiàn)及其施引文獻(xiàn)構(gòu)成。大學(xué)評(píng)價(jià)一直是科學(xué)計(jì)量學(xué)領(lǐng)域的熱點(diǎn)問題，這方面的研究前沿是對(duì)大學(xué)評(píng)價(jià)的數(shù)據(jù)來源進(jìn)行拓展、對(duì)大學(xué)評(píng)價(jià)指標(biāo)體系進(jìn)行創(chuàng)新，以及對(duì)不同大學(xué)評(píng)價(jià)體系的評(píng)價(jià)。

Mingers J等拓展了大學(xué)評(píng)價(jià)的數(shù)據(jù)來源，他采用Google Scholar（GS）機(jī)構(gòu)級(jí)數(shù)據(jù)，構(gòu)建了基于引文的指標(biāo)體系，以相對(duì)自動(dòng)的方式評(píng)估了英國130所大學(xué)研究的質(zhì)量，并制定了大學(xué)排名，進(jìn)而與其他大學(xué)排名體系結(jié)果進(jìn)行了比較，證明了該方法的可行性。Tijssen R等進(jìn)行了大學(xué)評(píng)價(jià)指標(biāo)的創(chuàng)新，他批判了現(xiàn)有的幾種世界大學(xué)排名的有效性和適用性，并提出了一個(gè)基于校企合作共享出版物（UICs）指數(shù)的大學(xué)評(píng)價(jià)指標(biāo)體系，以衡量大學(xué)的創(chuàng)新能力，并將評(píng)價(jià)結(jié)果與湯森路透2015年的大學(xué)創(chuàng)新力排名（RIU）進(jìn)行了比較。

還有學(xué)者對(duì)世界大學(xué)評(píng)價(jià)體系進(jìn)行了評(píng)價(jià)。Claassen C等使用貝葉斯模型綜合分析了上海軟科、QS、THE、Usnews等8種不同的世界大學(xué)排名結(jié)果，發(fā)現(xiàn)大學(xué)排名結(jié)果存在較大的誤差，排名前30位與前100位的大學(xué)很難進(jìn)行區(qū)分，而且有3個(gè)世界大學(xué)排名體系都存在對(duì)本國大學(xué)的偏愛。Piro F等嘗試對(duì)不同世界大學(xué)排名的差異進(jìn)行解釋，他比較了THE和上海軟科的世界大學(xué)排名，發(fā)現(xiàn)排名差異可能是由于不重要指標(biāo)的微小變化，以及重要指標(biāo)的重大變化所引起。

3.2.3學(xué)術(shù)生涯的影響因素研究

這一研究領(lǐng)域由圖3中的“#2 academic ca-reef”聚類中的文獻(xiàn)及其施引文獻(xiàn)構(gòu)成。目前較受關(guān)注的學(xué)術(shù)生涯的影響因素包括基金資助、工作年限、科研合作及性別因素等。

Ebadi A等研究了科研產(chǎn)出的影響因素，發(fā)現(xiàn)獲得科研基金資助有助于提高學(xué)者科研成果的數(shù)量和質(zhì)量.學(xué)者的科研產(chǎn)出也在一定程度上受到馬太效應(yīng)的影響，從事科研工作的年限與科研成果生產(chǎn)力之間呈正相關(guān)。此外，他還發(fā)現(xiàn)年輕的研究人員在大型研究團(tuán)隊(duì)中工作，更有可能取得高質(zhì)量的研究成果。Cabanac G等研究了計(jì)算機(jī)科學(xué)領(lǐng)域中學(xué)者在其學(xué)術(shù)事業(yè)中的合作網(wǎng)絡(luò)，并探索了合作網(wǎng)絡(luò)在他們職業(yè)生涯中的發(fā)展。他發(fā)現(xiàn)了該領(lǐng)域大多數(shù)科研合作的短暫性——70%的合作者僅僅是一次性的合作伙伴，學(xué)者們通過兩種方式不斷擴(kuò)展他們的合作范圍：一是招募科研事業(yè)剛起步的新科研工作者進(jìn)行合作；二是加強(qiáng)與現(xiàn)有合作者的合作。

性別差異及其對(duì)研究事業(yè)的影響也受到很多學(xué)者關(guān)注。越來越多的研究表明，引文和h指數(shù)存在性別差異，Geraci L等分析了心理學(xué)領(lǐng)域h指數(shù)中的性別差異，并發(fā)現(xiàn)女性研究人員的h指數(shù)偏低可能會(huì)影響其收入。Besselaar P調(diào)查了男性和女性研究人員之間的績(jī)效差異，以及這種差異的變化情況。他發(fā)現(xiàn)在科研生涯的早期，男性和女性的科研績(jī)效相差很小，但10年后男性研究人員的生產(chǎn)力（論文數(shù)量）增長速度高于女性研究人員，其科研事業(yè)的發(fā)展速度遠(yuǎn)遠(yuǎn)超過女性研究人員。Krawczyk M研究了在論文引用中的性別錯(cuò)誤問題，即將被引作者的性別弄錯(cuò)的情況。他發(fā)現(xiàn)女性被引作者被誤認(rèn)為是男性的次數(shù)遠(yuǎn)遠(yuǎn)多于男性，前者大約是后者的10倍。Abramo G等探索了科學(xué)家能維持其科研影響力的時(shí)間，發(fā)現(xiàn)1/3的頂尖科學(xué)家能在連續(xù)12年內(nèi)都保持其巨大的科研影響力，在生命科學(xué)領(lǐng)域尤其如此，不過這也與科學(xué)家的性別有關(guān)——女性科學(xué)家長期維持其科研影響力的可能性低于男性。

3.2.4“睡美人”現(xiàn)象研究

這一研究領(lǐng)域由圖3中的“#3 sleeping beauty”聚類中的文獻(xiàn)及其施引文獻(xiàn)構(gòu)成。在科學(xué)計(jì)量學(xué)領(lǐng)域，“睡美人”文獻(xiàn)一般是指一個(gè)很長時(shí)間沒人注意的出版物，幾乎是突然被一個(gè)“王子”喚醒，吸引了大量的注意力，被引頻次急劇上升。隨著文獻(xiàn)引用中的“睡美人”現(xiàn)象日益受到學(xué)術(shù)界的關(guān)注，“睡美人”現(xiàn)象的產(chǎn)生原因、發(fā)生機(jī)制、識(shí)別方法逐漸被研究者們解決。目前進(jìn)入到了應(yīng)用階段，應(yīng)用于對(duì)不同學(xué)科、不同期刊、不同主題下“睡美人”文獻(xiàn)的識(shí)別。

Ho Y等對(duì)“睡美人”現(xiàn)象的研究成效顯著，是這一領(lǐng)域2017年社會(huì)關(guān)注度最高的學(xué)者。他們應(yīng)用自行研發(fā)的工具對(duì)303 255篇心理學(xué)論文進(jìn)行檢測(cè)，發(fā)現(xiàn)了3篇睡美人文獻(xiàn)，但并未分析出這些文獻(xiàn)對(duì)當(dāng)前研究的價(jià)值及其長期“沉睡”的原因。隨后，他們又確定了那些讓心理學(xué)家注意到3個(gè)“睡美人”的“王子”文獻(xiàn)，探索了基于計(jì)算機(jī)技術(shù)的睡美人及其王子文獻(xiàn)的探測(cè)方法。他們還在對(duì)第二次世界大戰(zhàn)中被高被引文獻(xiàn)的計(jì)量分析中，發(fā)現(xiàn)了5篇“睡美人”文獻(xiàn)。

另外，Teixeira A等對(duì)“創(chuàng)新研究（Innova-tion Studies）”主題下52 373篇論文中的睡美人現(xiàn)象進(jìn)行了研究，發(fā)現(xiàn)這一領(lǐng)域的“睡美人”文獻(xiàn)數(shù)量較少（不到0.02%），睡眠時(shí)間從7年到17年不等，8篇“睡美人”文獻(xiàn)被發(fā)表在高知名度期刊上的37篇王子文獻(xiàn)喚醒。

3.2.5 Altmetrics研究

這一前沿領(lǐng)域由圖3中的“#4 social media”、“#5 altemative metrics”、“#7 twKter count”聚類中的文獻(xiàn)及其施引文獻(xiàn)構(gòu)成。

Mtmetrics研究從關(guān)注對(duì)象到相關(guān)指標(biāo)都在不斷地拓展。Peters Ⅰ等人將Mtmetrics的研究對(duì)象從論文擴(kuò)展到科學(xué)數(shù)據(jù)，以研究數(shù)據(jù)引文索引（DCI）和Altmetrics.com為數(shù)據(jù)來源，探索了研究數(shù)據(jù)的被引頻次和Altmetrics分值的相關(guān)性。他們的研發(fā)現(xiàn)某些數(shù)據(jù)類型（調(diào)查、匯總數(shù)據(jù)和序列數(shù)據(jù)）更常被引用，并且也會(huì)得到較高的Altmet-rics分?jǐn)?shù)，但并未發(fā)現(xiàn)研究數(shù)據(jù)的引用次數(shù)和Alt-metrics總分?jǐn)?shù)之間的相關(guān)性。

推特仍然是目前最受關(guān)注的Mmtrics指標(biāo)，對(duì)該指標(biāo)的研究從之前關(guān)注推特?cái)?shù)量與論文被引頻次的相關(guān)性，深入到了推特的用戶特征、情感特征層面。Vainio J等人以在推特上被提及最多的論文為統(tǒng)計(jì)對(duì)象，分析了在推特上推薦學(xué)術(shù)論文的用戶特征。Liu X等研究了推特在論文評(píng)價(jià)中的應(yīng)用，提出論文作者的推文不應(yīng)計(jì)算在內(nèi)，與論文內(nèi)容無關(guān)的推文也應(yīng)排除在外，推文的情感特征（贊同、支持、驚訝等）也應(yīng)在計(jì)數(shù)時(shí)考慮在內(nèi)。

論文在政策文件中的被引用次數(shù)作為一個(gè)新興Altmetrics指標(biāo)也日益受到人們關(guān)注。Haunschild R等研究了Web of Science論文被政策相關(guān)文件提及的次數(shù)，發(fā)現(xiàn)2000-2014年發(fā)表的論文中，僅有0.32%的論文至少被政策相關(guān)文件提到1次。因此，他們認(rèn)為政策相關(guān)文件提及論文的次數(shù)不應(yīng)作為Altmtrics指標(biāo)來衡量論文的影響力，當(dāng)更多的政策文件來源被作為數(shù)據(jù)分析來源后，這一指標(biāo)可能才會(huì)成為衡量論文社會(huì)影響力的可靠途徑。但Vilkins S等人的研究結(jié)果更為樂觀，他們分析了2010-2017年澳大利亞8個(gè)政府部門80個(gè)政府出版物（包括報(bào)告、文件等），發(fā)現(xiàn)總計(jì)4649篇參考文獻(xiàn)中有1836篇論文來自同行評(píng)議的期刊.即在政策相關(guān)文件的參考文獻(xiàn)中，學(xué)術(shù)論文所占比例已接近40%。他們認(rèn)為論文的開放獲取可能會(huì)增加論文被政策引用的可能性，后續(xù)的相關(guān)研究同樣依賴于政策文件的可獲得性。

4結(jié)語

本研究探索了Mltmetrics指標(biāo)在論文影響力評(píng)價(jià)和研究熱點(diǎn)與前沿探測(cè)中的應(yīng)用，發(fā)現(xiàn)Mende-ley、Twitter、Blog、Facebook是目前在論文中覆蓋率較高的指標(biāo)，這些指標(biāo)與被引頻次一起進(jìn)行因子分析，可以較好地計(jì)算出論文的綜合影響力。本研究對(duì)《Scientometrics》的高影響力文獻(xiàn)進(jìn)行科學(xué)知識(shí)圖譜分析，發(fā)現(xiàn)了學(xué)術(shù)搜索引擎研究、大學(xué)評(píng)價(jià)研究、學(xué)術(shù)生涯影響因素研究、“睡美人”現(xiàn)象研究、Mtmetrics研究等前沿研究領(lǐng)域及其研究進(jìn)展。本研究表明基于被引頻次和Mltmetrics指標(biāo)的因子分析可以更為全面、及時(shí)地對(duì)論文影響力進(jìn)行綜合評(píng)價(jià)，評(píng)價(jià)結(jié)果可為研究熱點(diǎn)與前沿探測(cè)提供一種更合理的文獻(xiàn)篩選與過濾依據(jù)。在此基礎(chǔ)上采用共詞分析、文獻(xiàn)共被引聚類分析所得到的科學(xué)知識(shí)圖譜時(shí)效性更好，更能準(zhǔn)確揭示特定期刊乃至學(xué)科領(lǐng)域的研究發(fā)展態(tài)勢(shì)。