基于弱信号感知的颠覆性技术早期识别方法构建与实证研究

doi:10.3772/j.issn.1000-0135.2026.06.002

情报学报

2026, Vol. 45

Issue (6): 793-808 DOI: 10.3772/j.issn.1000-0135.2026.06.002

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

基于弱信号感知的颠覆性技术早期识别方法构建与实证研究

王政媛^1,2,3, 靳军宝^1,2,3, 曹琨^1,2,3, 郑玉荣^1,2, 白光祖^1,2,3, 蔡鑫^1,2,3

1.中国科学院西北生态环境资源研究院，兰州 730000
2.甘肃省知识计算与决策智能重点实验室，兰州 730000
3.中国科学院大学经济与管理学院信息资源管理系，北京 100190

Construction and Empirical Investigation of Early Identification Methods for Disruptive Technologies Based on Weak Signal Perception

Wang Zhengyuan^1,2,3, Jin Junbao^1,2,3, Cao Kun^1,2,3, Zheng Yurong^1,2, Bai Guangzu^1,2,3, Cai Xin^1,2,3

1.Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000
2.Key Laboratory of Knowledge Computing and Intelligent Decision of Gansu Province, Lanzhou 730000
3.Department of Information Resources Management, School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (4613 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要随着新一轮科技革命与产业变革加速演进，颠覆性技术早期识别已成为各国抢占战略制高点、重塑产业竞争格局的一个关键变量。本文立足于科研创新链关键环节（前沿探索-基础研究-应用研究），基于文献间的引用关系构建各环节的主题级引用网络，通过追踪连续时期内网络中三元组结构的变化，识别潜在颠覆性技术弱信号。然后，构建颠覆性技术早期识别弱信号监测指标体系，计算种子技术颠覆性潜力指数，并引入大语言模型进行语义增强与噪声过滤，从而精准识别并筛选出领域颠覆性技术的早期弱信号。本文将该框架应用于氢燃料电池领域，识别出电解质与膜技术等五大颠覆性研究方向，并通过文献回溯验证了所提方法的有效性，实现了从基础研究到应用研究的全链条颠覆性技术弱信号动态监测。结果表明，本文所提研究框架的弱信号分辨能力显著提升，能够识别出更多具备潜在社会影响力的颠覆性技术方向。

	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
	王政媛
	靳军宝
	曹琨
	郑玉荣
	白光祖
	蔡鑫

关键词 ：颠覆性技术, 弱信号感知, 复杂网络, 指标体系, 大语言模型

收稿日期: 2025-09-22

基金资助:国家社会科学基金项目“面向颠覆性技术早期识别的弱信号监测体系设计与应用研究”（22BTQ066）。

通讯作者: 靳军宝，通信作者，1986年生，博士，副研究馆员，硕士生导师，主要研究领域为产业技术情报与颠覆性技术，E-mail：jinjb@llas.ac.cn E-mail: jinjb@llas.ac.cn

作者简介: 王政媛，2000年生，硕士研究生，主要研究领域为技术预见；曹琨，1993年生，博士，主要研究领域为产业技术情报；郑玉荣，1974年生，博士，副研究馆员，主要研究领域为产业情报创新；白光祖，1984年生，博士，研究馆员，主要研究领域为产业创新与颠覆性技术；蔡鑫，1996年生，硕士研究生，主要研究领域为技术预见；

引用本文:

王政媛, 靳军宝, 曹琨, 郑玉荣, 白光祖, 蔡鑫. 基于弱信号感知的颠覆性技术早期识别方法构建与实证研究[J]. 情报学报, 2026, 45(6): 793-808.
Wang Zhengyuan, Jin Junbao, Cao Kun, Zheng Yurong, Bai Guangzu, Cai Xin. Construction and Empirical Investigation of Early Identification Methods for Disruptive Technologies Based on Weak Signal Perception. 情报学报, 2026, 45(6): 793-808.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2026.06.002 或 https://qbxb.istic.ac.cn/CN/Y2026/V45/I6/793

1 窦永香, 开庆, 王佳敏. 一种基于图表示学习的潜在颠覆性技术识别方法[J]. 情报学报, 2023, 42(6): 637-648.
2 孙永福, 王礼恒, 孙棕檀, 等. 引发产业变革的颠覆性技术内涵与遴选研究[J]. 中国工程科学, 2017, 19(5): 9-16.
3 但智钢, 史菲菲, 王志增, 等. 中国环境工程科技2035技术预见研究[J]. 中国工程科学, 2017, 19(1): 80-86.
4 Farinha J, Vesnic Alujevic L, Alvarenga A, et al. Everybody is looking into the future! A literature review of reports on emerging technologies and disruptive innovation[R]. Luxembourg: Publications Office of the European Union, 2023.
5 侯艳辉, 陈荣, 王家坤. 技术生命周期视角下颠覆性技术早期识别方法研究[J]. 情报学报, 2025, 44(2): 157-170.
6 Wang C J, Yan L H, Cui H C. Unpacking the essential tension of knowledge recombination: analyzing the impact of knowledge spanning on citation impact and disruptive innovation[J]. Journal of Informetrics, 2023, 17(4): 101451.
7 Zatezalo I, Dun?er I. Development of a mobile application for flag identification based on artificial neural networks[J]. Zbornik Veleu?ili?ta u Rijeci, 2022, 10(1): 393-409.
8 Shibata N, Kajikawa Y, Sakata I. Extracting the commercialization gap between science and technology—case study of a solar cell[J]. Technological Forecasting and Social Change, 2010, 77(7): 1147-1155.
9 石慧, 潘云涛, 赵筱媛, 等. 基于文献挖掘的颠覆性技术早期识别研究[J]. 中国科技资源导刊, 2019, 51(4): 102-110.
10 Robinson D K R, Propp T. Multi-path mapping for alignment strategies in emerging science and technologies[J]. Technological Forecasting and Social Change, 2008, 75(4): 517-538.
11 白光祖, 郑玉荣, 吴新年, 等. 基于文献知识关联的颠覆性技术预见方法研究与实证[J]. 情报杂志, 2017, 36(9): 38-44.
12 Ma M, Mao J, Li G. Discovering weak signals of emerging topics with a triple-dimensional framework[J]. Information Processing Management, 2024, 61(5): 103793.
13 谭晓, 西桂权, 苏娜, 等. 科学—技术—项目联动视角下颠覆性技术识别研究[J]. 情报杂志, 2023, 42(2): 82-91.
14 Jiang M, Yang S L, Gao Q. Multidimensional indicators to identify emerging technologies: perspective of technological knowledge flow[J]. Journal of Informetrics, 2024, 18(1): 101483.
15 杨思洛, 江曼. 新兴技术内涵特征和识别方法研究进展[J]. 情报科学, 2023, 41(5): 181-190.
16 Lesca H, Lesca N. Weak signals for strategic intelligence: anticipation tool for managers[M]. Hoboken: Wiley-ISTE, 2011.
17 陈育新, 李健, 韩毅. 核心—边缘理论视角下的颠覆性技术识别研究[J]. 情报理论与实践, 2022, 45(8): 121-129.
18 Xu S, Hao L Y, An X, et al. Emerging research topics detection with multiple machine learning models[J]. Journal of Informetrics, 2019, 13(4): 100983.
19 李昌, 杨中楷, 董坤. 基于多维属性动态变化特征的新兴技术识别研究[J]. 情报学报, 2022, 41(5): 463-474.
20 Qiao Y L, Wang X F, Huang Y, et al. Tech mining approach for identifying potentially disruptive technologies: from the perspective of technological alternatives[J]. IEEE Transactions on Engineering Management, 2024, 71: 5921-5938.
21 王志勇, 党晓玲, 刘长利, 等. 颠覆性技术的基本特征与国外研究的主要做法[J]. 中国传媒科技, 2015(Z1):109-111.
22 王康, 陈悦, 王玉奇, 等. 颠覆性技术识别与扩散趋势预测: 概念模型与实证分析[J]. 情报学报, 2024, 43(8): 899-913.
23 冯立杰, 秦浩, 王金凤, 等. 融合专利数据与社交媒体数据的潜在颠覆性技术识别——基于深度学习模型[J]. 情报学报, 2024, 43(2): 181-197.
24 许海云, 龚兵营, 杨俊浩, 等. 新兴研究主题识别方法研究进展与前瞻[J]. 图书情报工作, 2025, 69(3): 135-150.
25 唐超, 许海云, 杨俊浩, 等. 基于多源数据弱信号分析的早期新兴研究主题识别[J]. 现代情报, 2026, 46(3): 108-123.
26 Ebadi A, Auger A, Gauthier Y. Detecting emerging technologies and their evolution using deep learning and weak signal analysis[J]. Journal of Informetrics, 2022, 16(4): 101344.
27 张慧玲, 许海云, 刘春江, 等. 科技创新弱信号早期感知方法探究与前瞻[J]. 情报学报, 2024, 43(10): 1129-1141.
28 逯万辉. 基于专利引文网络挖掘的技术研发路径识别与颠覆性创新信号探测研究[J]. 情报学报, 2024, 43(9): 1059-1069.
29 Zou B T, Wang Y F, Kwoh C K, et al. Directed collaboration patterns in funded teams: a perspective of knowledge flow[J]. Information Processing Management, 2023, 60(2): 103237.
30 Snijders T A B. Transitivity and triads[R/OL]. Oxford: University of Oxford, 2012. [2025-11-26]. https://www.stats.ox.ac.uk/~snijders/Trans_Triads_ha.pdf.
31 Milo R, Shen-Orr S, Itzkovitz S, et al. Network motifs: simple building blocks of complex networks[J]. Science, 2002, 298(5594): 824-827.
32 Ribeiro P M P. Efficient and scalable algorithms for network motifs discovery[D]. Porto: University of Porto, 2011.
33 田雪灿, 孙蒙鸽, 胡懋地. 基于NE-GraphSAGE和大语言模型的前沿研究热点自动探测研究[J]. 数据分析与知识发现, 2025, 9(8): 32-46.
34 Yoon J. Detecting weak signals for long-term business opportunities using text mining of Web news[J]. Expert Systems with Applications, 2012, 39(16): 12543-12550.
35 唐虎林, 苏成, 李曼迪, 等. 基于弱信号的颠覆性技术早期识别方法研究[J]. 图书情报工作, 2025, 69(10): 42-61.
36 张金柱, 张晓林. 基于被引科学知识主题突变的突破性创新识别[J]. 现代图书情报技术, 2016(Z1): 42-50.
37 刘俊婉, 庞博, 徐硕. 基于弱信号的颠覆性技术早期识别研究[J]. 情报学报, 2023, 42(12): 1395-1411.
38 史双青. 科技论文学术质量评价研究——基于知识基础和作者水平的二维测度[D]. 北京: 中国科学院大学, 2015.
39 李乾瑞, 郭俊芳, 黄颖, 等. 基于专利计量的颠覆性技术识别方法研究[J]. 科学学研究, 2021, 39(7): 1166-1175.
40 江瑶, 陈旭, 胡斌. “卡脖子”关键核心技术两阶段漏斗式甄选模型构建及应用研究[J]. 情报杂志, 2023, 42(3): 94-101.
41 陈伟, 王莉晓. 颠覆性技术弱信号识别漏斗模型研究[J]. 图书情报工作, 2024, 68(8): 97-111.
42 Mühlroth C, K?lbl L, Grottke M. Innovation signals: leveraging machine learning to separate noise from news[J]. Scientometrics, 2023, 128(5): 2649-2676.
43 徐绪堪, 王肖玥, 周浩文. 融合专利主题和引用的颠覆性技术识别——以大数据管理领域为例[J]. 科技管理研究, 2025, 45(12): 163-170.
44 胡泽文, 王梦雅, 韩雅蓉. 基于LDA2Vec-BERT的新兴技术主题多维指标识别与演化分析研究——以颠覆性技术领域: 区块链为例[J]. 现代情报, 2024, 44(9): 42-58.
45 Shannon C E. A mathematical theory of communication[J]. The Bell System Technical Journal, 1948, 27(3): 379-423.
46 Rotolo D, Hicks D, Martin B R. What is an emerging technology?[J]. Research Policy, 2015, 44(10): 1827-1843.
47 曹琨, 吴新年, 靳军宝, 等. 基于共词和Node2Vec表示学习的新兴技术识别方法[J]. 数据分析与知识发现, 2023, 7(9): 89-99.
48 International Energy Agency. Global hydrogen review 2024[R/OL]. (2024-10-02) [2025-08-31]. https://www.iea.org/reports/global-hydrogen-review-2024.
49 Zhao Y S, Wan J W, Ling C Y, et al. Acidic oxygen reduction by single-atom Fe catalysts on curved supports[J]. Nature, 2025, 644(8077): 668-675.
50 高工氢电产业研究所. 2025中国绿氢产业发展蓝皮书[R]. 深圳, 2025.
51 李凯, 万鑫铭, 汤浩. 燃料电池系统设计、集成与控制技术[M]. 武汉: 华中科技大学出版社, 2025.
52 戴海峰, 余卓平, 袁浩. 质子交换膜燃料电池系统及其控制[M]. 北京: 机械工业出版社, 2024.
53 Hong P, Ming P W, Zhang C M. Dynamic model for estimation of hydrogen flow rate in hydrogen recirculation system for the PEM fuel cell stack[J]. eTransportation, 2025, 25: 100438.
54 Peng Z K, Ding H M, Chen R F, et al. Research progress in covalent organic frameworks for energy storage and conversion[J]. Acta Chimica Sinica, 2019, 77(8): 681-689.
55 徐路路, 王效岳, 白如江, 等. 基于DTM模型和文本特征分析的基金项目新兴趋势探测研究——以NSF石墨烯领域为例[J]. 数据分析与知识发现, 2018, 2(3): 87-97.
56 王超, 许海云, 齐砚翠, 等. 知识网络视角下科学、技术、产业间创新驱动关系识别方法研究[J]. 情报学报, 2024, 43(1): 10-24.