基于媒介比较的学科新兴主题动态识别——<bold>altmetrics</bold>与引文数据的融合方法

doi:10.3772/j.issn.1000-0135.2022.09.004

情报学报

2022, Vol. 41

Issue (9): 930-944 DOI: 10.3772/j.issn.1000-0135.2022.09.004

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

基于媒介比较的学科新兴主题动态识别——altmetrics与引文数据的融合方法

段庆锋, 闫绪娴, 陈红, 刘东霞

山西财经大学管理科学与工程学院，太原 030006

Dynamic Identification of Emerging Topics in Discipline Based on the Comparison between Different Types of Media: A Method Combining Altmetrics and Citations

Duan Qingfeng, Yan Xuxian, Chen Hong, Liu Dongxia

School of Management Science & Engineering, Shanxi University of Finance and Economics, Taiyuan 030006

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (2092 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要社交网络媒介具有时间优势，非常适合于发现处于新兴阶段的学科主题。新兴主题演化在社交媒介和出版媒介呈现差异化，表现为altmetrics指标相对于引文指标的领先优势，由此考虑将两种媒介指标落差的快速形成及拉大作为识别新兴主题的关键依据。基于此，提出媒介比较视角的学科新兴主题识别方法。首先，融合altmetrics和引文数据，构建可用于时序比较的主题媒介活跃度相对落差指标rgap；其次，采用突发性检测算法，探测主题时序指标rgap的突发状态，以揭示新兴主题涌现及其演化过程；最后，通过情报学领域的实证分析说明该识别方法有效可靠，基于媒介比较指标的识别方法表现出良好的识别能力与一定程度的及时性优势，发现以推特及博客为代表的高覆盖高流行性指标更有助于获得满意分析效果。

	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
	段庆锋
	闫绪娴
	陈红
	刘东霞

关键词 ：学科新兴主题, 媒介比较, altmetrics, 引文

收稿日期: 2021-05-15

基金资助:教育部人文社会科学项目“基于学术社交媒体的学科新兴趋势识别研究”（20YJA870005）；国家社会科学基金项目“供给侧改革背景下提升资源型企业经济韧性的关键要素、效应评估与实现路径研究”（20BGL100）。

作者简介: 段庆锋，男，1977年生，博士，副教授，硕士生导师，主要研究领域为科技情报，E-mail：dqf01@sina.com；闫绪娴，女，1978年生，博士，教授，博士生导师，主要研究领域为智能决策；陈红，女，1972年生，博士，教授，博士生导师，主要研究领域为科技创新；刘东霞，女，1975年生，博士，副教授，硕士生导师，主要研究领域为科技创；

引用本文:

段庆锋, 闫绪娴, 陈红, 刘东霞. 基于媒介比较的学科新兴主题动态识别——altmetrics与引文数据的融合方法[J]. 情报学报, 2022, 41(9): 930-944.
Duan Qingfeng, Yan Xuxian, Chen Hong, Liu Dongxia. Dynamic Identification of Emerging Topics in Discipline Based on the Comparison between Different Types of Media: A Method Combining Altmetrics and Citations. 情报学报, 2022, 41(9): 930-944.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2022.09.004 或 https://qbxb.istic.ac.cn/CN/Y2022/V41/I9/930

1 刘小玲, 谭宗颖. 新兴技术主题识别方法研究进展[J]. 图书情报工作, 2020, 64(11): 145-152.
2 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.
3 杨金庆, 陆伟, 吴乐艳. 面向学科新兴主题探测的多源科技文献时滞计算及启示——以农业学科领域为例[J]. 情报学报, 2021, 40(1): 21-29.
4 Yang S L, Xing X, Qi F, et al. Comparison of academic book impact from a disciplinary perspective: an analysis of citations and altmetric indicators[J]. Scientometrics, 2021, 126(2): 1101-1123.
5 Bornmann L, Haunschild R, Adams J. Do altmetrics assess societal impact in a comparable way to case studies? An empirical test of the convergent validity of altmetrics based on data from the UK research excellence framework (REF)[J]. Journal of Informetrics, 2019, 13(1): 325-340.
6 Ortega J L. Proposal of composed altmetric indicators based on prevalence and impact dimensions[J]. Journal of Informetrics, 2020, 14(4): 101071.
7 Rotolo D, Hicks D, Martin B R. What is an emerging technology?[J]. Research Policy, 2015, 44(10): 1827-1843.
8 Xu H Y, Winnink J, Yue Z H, et al. Multidimensional Scientometric indicators for the detection of emerging research topics[J]. Technological Forecasting and Social Change, 2021, 163: 120490.
9 宋欣娜, 郭颖, 席笑文. 基于专利文献的多指标新兴技术识别研究[J]. 情报杂志, 2020, 39(6): 76-81, 88.
10 曹艺文, 许海云, 武华维, 等. 基于引文曲线拟合的新兴技术主题的突破性预测——以干细胞领域为例[J]. 图书情报工作, 2020, 64(5): 100-113.
11 刘敏娟, 张学福, 颜蕴. 基于核心词、突变词与新生词的学科主题演化方法研究[J]. 情报杂志, 2016, 35(12): 175-180.
12 白敬毅, 颜端武, 陈琼. 基于主题模型和曲线拟合的新兴主题趋势预测研究[J]. 情报理论与实践, 2020, 43(7): 130-136, 193.
13 Kleinberg J. Bursty and hierarchical structure in streams[J]. Data Mining and Knowledge Discovery, 2003, 7: 373-397.
14 Yang Z L, Zhang W J, Yuan F, et al. Measuring topic network centrality for identifying technology and technological development in online communities[J]. Technological Forecasting and Social Change, 2021, 167: 120673.
15 Breitzman A, Thomas P. The Emerging Clusters Model: a tool for identifying emerging technologies across multiple patent systems[J]. Research Policy, 2015, 44(1): 195-205.
16 余波, 赵蓉英. Altmetrics Top100论文的演进特征及影响因素分析[J]. 现代情报, 2020, 40(7): 134-143, 151.
17 邱均平, 余厚强. 论推动替代计量学发展的若干基本问题[J]. 中国图书馆学报, 2015, 41(1): 4-15.
18 Khan N, Thelwall M, Kousha K. Measuring the impact of biodiversity datasets: data reuse, citations and altmetrics[J]. Scientometrics, 2021, 126(4): 3621-3639.
19 李小涛, 金心怡. 基于Altmetrics的《科学计量学》研究热点与前沿分析[J]. 现代情报, 2019, 39(1): 153-160.
20 迟培娟, 陈挺, 宋秀芳, 等. 基于Altmetrics指标识别的研究热点对比分析——以生物学领域为例[J]. 数字图书馆论坛, 2019(5): 37-41.
21 秦奋, 高健. 基于Scopus数据库的Altmetrics指标与引文计量对比分析[J]. 情报学报, 2019, 38(4): 377-383.
22 王菲菲, 刘明. Altmetrics视角下的交叉学科研究前沿探测——以医学信息学领域为例[J]. 情报学报, 2020, 39(10): 1011-1020.
23 牌艳欣, 李长玲, 刘运梅. 基于z指数的AAS高关注度学科研究主题识别[J]. 情报资料工作, 2019, 40(6): 30-37.
24 Small H, Boyack K W, Klavans R. Identifying emerging topics in science and technology[J]. Research Policy, 2014, 43(8): 1450-1467.
25 王贤文, 毛文莉, 王治. 基于论文下载数据的科研新趋势实时探测与追踪[J]. 科学学与科学技术管理, 2014, 35(4): 3-9.
26 Drongstrup D, Malik S, Aljohani N R, et al. Can social media usage of scientific literature predict journal indices of AJG, SNIP and JCR? An altmetric study of economics[J]. Scientometrics, 2020, 125(2): 1541-1558.
27 Holmberg K, Hedman J, Bowman T D, et al. Do articles in open access journals have more frequent altmetric activity than articles in subscription-based journals? An investigation of the research output of Finnish universities[J]. Scientometrics, 2020, 122(1): 645-659.
28 段庆锋, 潘小换. 利用社交媒体识别学科新兴主题研究[J]. 情报学报, 2017, 36(12): 1216-1223.
29 Ortega J L. The life cycle of altmetric impact: a longitudinal study of six metrics from PlumX[J]. Journal of Informetrics, 2018, 12(3): 579-589.
30 Blei D M, Lafferty J D. Dynamic topic models[C]// Proceedings of the 23rd International Conference on Machine Learning. New York: ACM Press, 2006: 113-120.
31 Blei D M, Ng A Y, Jordan M I. Latent Dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022.
32 Xu S, Hao L Y, Yang G C, et al. A topic models based framework for detecting and forecasting emerging technologies[J]. Technological Forecasting and Social Change, 2021, 162: 120366.
33 Torres-Salinas D, Arroyo-Machado W, Thelwall M. Exploring WorldCat identities as an altmetric information source: a library catalog analysis experiment in the field of Scientometrics[J]. Scientometrics, 2021, 126(2): 1725-1743.
34 Moed H F, Gl?nzel W, Schmoch U. Handbook of quantitative science and technology research: the use of publication and patent statistics in studies of S&T systems[M]. Dordrecht: Springer, 2005.
35 Chang J, Boyd-Graber J, Gerrish S, et al. Reading tea leaves: how humans interpret topic models[C]// Proceedings of the 22nd International Conference on Neural Information Processing Systems. New York: ACM Press, 2009: 288-296.
36 Akella A P, Alhoori H, Kondamudi P R, et al. Early indicators of scientific impact: predicting citations with altmetrics[J]. Journal of Informetrics, 2021, 15(2): 101128.