科技项目及其成果文献的相关性评估研究

doi:10.3772/j.issn.1000-0135.2022.02.005

情报学报

2022, Vol. 41

Issue (2): 155-166 DOI: 10.3772/j.issn.1000-0135.2022.02.005

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

科技项目及其成果文献的相关性评估研究

梁继文^1,2, 杨建林^1,2, 王伟^1,2, 王飞³

1.南京大学信息管理学院,南京 210023
2.江苏省数据工程与知识服务重点实验室,南京 210023
3.江苏省科学技术情报研究所,南京 210042

Analysis of the Relevance Evaluation of Scientific-Technological Projects and Achievements

Liang Jiwen^1,2, Yang Jianlin^1,2, Wang Wei^1,2, Wang Fei³

1.School of Information Management, Nanjing University, Nanjing 210023
2.Jiangsu Key Laboratory of Data Engineering and Knowledge Service, Nanjing 210023
3.Jiangsu Institute of Science and Technology Information, Nanjing 210042

摘要
图/表
参考文献
相关文章 (1)

全文: PDF (4298 KB) HTML (118 KB)
输出: BibTeX | EndNote (RIS)

摘要科技项目后评估对项目的完成质量与效益进行评判，是科技管理全流程中的核心环节。现有科技项目后评估研究更多的是关注如何构建评估体系和量化评价指标，鲜有基于内容来探讨项目与成果的相关性。本文使用科技报告作为科技项目的补充信息，构建基于BERT（bidirectional encoder representations from transformers）架构的相似度计算模型，通过文本语义匹配程度对科技项目-成果文献的相关性评估进行探索。研究结果表明，构建的融合模型可以有效地评估科技项目-成果文献的相关性。此外，本文对项目-成果相关性较低的情况以及科技报告监管过程中存在的问题进行了分析，旨在建设优质科技资源，完善科技项目后评估体系，综合提升科技情报服务效率。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	梁继文
	杨建林
	王伟
	王飞

关键词 ：科技项目, 科技报告, 项目后评估, 成果评估, 成果相关性

收稿日期: 2020-10-21

作者简介: 梁继文，女，1995年生，博士研究生，主要研究领域为智能化信息处理、科技评价；杨建林，男，1970年生，博士，教授，博士生导师，主要研究领域为信息检索、智能化信息处理、学术评价、情报学基础理论，E-mail：yangjl@nju.edu.cn；王伟，男，1994年生，博士研究生，主要研究领域为智能化信息处理、学术评价；王飞，女，1976年生，学士，研究员，主要研究领域为知识组织与挖掘分；

引用本文:

梁继文, 杨建林, 王伟, 王飞. 科技项目及其成果文献的相关性评估研究[J]. 情报学报, 2022, 41(2): 155-166.
Liang Jiwen, Yang Jianlin, Wang Wei, Wang Fei. Analysis of the Relevance Evaluation of Scientific-Technological Projects and Achievements. 情报学报, 2022, 41(2): 155-166.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2022.02.005 或 https://qbxb.istic.ac.cn/CN/Y2022/V41/I2/155

1 杨建林. 大数据浪潮下情报学研究与教育的变革与守正[J]. 情报理论与实践, 2020, 43(4): 1-9.
2 鲁晶晶, 谭宗颖, 万昊. 关于科技项目成果评估研究内容的分析与思考[J]. 科学管理研究, 2016, 34(1): 37-41.
3 陈晓田, 杨列勋, 李若筠. 对基金项目成果评估的尝试与思考[J]. 管理科学学报, 1998, 1(3): 3-5.
4 周寄中, 杨列勋, 许治. 关于国家自然科学基金管理科学部资助项目后评估的研究[J]. 管理评论, 2007, 19(3): 13-19, 63.
5 张小菁. 地方科技计划项目绩效评价研究[J]. 科技管理研究, 2010, 30(21): 201-204.
6 孙毅, 徐土松, 徐长明, 等. 地方科技计划项目跟踪监测及绩效评价方法研究[J]. 科技进步与对策, 2010, 27(4): 111-115.
7 张玉臣, 王兆欢. 公共科研项目的基本追求及绩效评价研究——基于科研项目绩效后评估实例[J]. 科技进步与对策, 2014, 31(13): 119-123.
8 杜元伟, 王素素. 基于DEMATEL-模糊综合评判的科学基金项目绩效评价方法[J]. 中国科学基金, 2018, 32(2): 161-169.
9 李新杰, 李雄诒, 孙泽厚. 基于DEA方法的省级自然科学基金效率实证研究[J]. 软科学, 2012, 26(6): 78-82.
10 李志兰, 何学东. 基于DEA模型的自然科学基金投入产出效率分析——以浙江省自然科学基金为例[J]. 浙江大学学报(理学版), 2015, 42(2): 246-252.
11 冯海燕, 许超. 北京市自然科学基金项目绩效评价[J]. 中国高校科技, 2019(11): 37-40.
12 龚艳冰, 邓建高, 梁雪春. 基于SVM的省级自然科学基金项目评价研究[J]. 情报杂志, 2009, 28(4): 64-66.
13 冷雄辉, 张丛煌. 基于DEA方法的江西省科技支撑计划中期绩效评估实证研究[J]. 科技管理研究, 2015, 35(19): 52-56, 63.
14 张晨, 宋佳宁, 任文茜. 省级科技计划项目管理的后评估研究——以安徽为例[J]. 科技管理研究, 2015, 35(22): 172-175.
15 Pendlebury D A. Science, citation, and funding[J]. Science, 1991, 251(5000): 1410-1411.
16 Zhao S X, Lou W, Tan A M, et al. Do funded papers attract more usage?[J]. Scientometrics, 2018, 115(1): 153-168.
17 Tonta Y, Akbulut M. Does monetary support increase citation impact of scholarly papers?[J]. Scientometrics, 2020, 125(2): 1617-1641.
18 王飞, 梁继文. 基于国家社科基金统计学领域项目成果分析[J]. 西南民族大学学报(人文社科版), 2017, 38(9): 230-234.
19 贺德方. 科技报告的内涵、作用与管理机制[J]. 情报学报, 2014, 33(8): 788-792.
20 Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality[C]// Proceedings of the 26th International Conference on Neural Information Processing Systems. Red Hook: Curran Associates, 2013: 3111-3119.
21 Devlin J, Chang M W, Lee K, et al. BERT: pre-training of deep bidirectional transformers for language understanding[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2019: 4171-4186.
22 Sun Y, Wang S H, Li Y K, et al. ERNIE: enhanced representation through knowledge integration[OL]. (2019-04-19). https://arxiv.org/pdf/1904.09223.pdf.
23 Xu L, Zhang X W, Dong Q Q. CLUECorpus2020: a large-scale Chinese corpus for pre-training language model[OL]. (2020-03-05). https://arxiv.org/pdf/2003.01355.pdf.
24 Goodfellow I J, Shlens J, Szegedy C. Explaining and harnessing adversarial examples[OL]. (2015-03-20). https://arxiv.org/pdf/1412.6572.pdf.
25 Madry A, Makelov A, Schmidt L, et al. Towards deep learning models resistant to adversarial attacks[OL]. (2019-09-04). https://arxiv.org/pdf/1706.06083.pdf.
26 Lee D H. Pseudo-Label: the simple and efficient semi-supervised learning method for deep neural networks[C]// Workshop on Challenges in Representation Learning, International Conference on Machine Learning, 2013.
27 Li Z, Ko B S, Choi H J. Naive semi-supervised deep learning using pseudo-label[J]. Peer-to-Peer Networking and Applications, 2019, 12(5): 1358-1368.
28 Sun C, Qiu X P, Xu Y G, et al. How to fine-tune BERT for text classification?[C]// Proceedings of the China National Conference on Chinese Computational Linguistics. Cham: Springer, 2019: 194-206.