新冠肺炎疫情防控政策中引用科学论文的影响因素分析

doi:10.3772/j.issn.1000-0135.2023.03.008

情报学报

2023, Vol. 42

Issue (3): 341-353 DOI: 10.3772/j.issn.1000-0135.2023.03.008

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

新冠肺炎疫情防控政策中引用科学论文的影响因素分析

任超¹, 杨孟辉^1,2, 李恺¹, 杨冠灿¹, 卢小宾¹

1.中国人民大学信息资源管理学院，北京 100872
2.数据工程与知识工程教育部重点实验室，北京 100872

Analysis of Factors in Citing Scientific Papers in Policies against COVID-19 Pandemic

Ren Chao¹, Yang Menghui^1,2, Li Kai¹, Yang Guancan¹, Lu Xiaobin¹

1.School of Information Resource Management, Renmin University of China, Beijing 100872
2.Key Laboratory of Data Engineering and Knowledge Engineering, Ministry of Education, Beijing 100872

摘要
图/表
参考文献
相关文章 (0)

全文: PDF (2787 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要新冠肺炎疫情背景下科学对政策的决策支撑作用越来越受重视，科学论文逐渐成为相关政策制定时的重要参考依据，循证决策也成为科学性防疫政策制定的有力保障。为探究哪些因素能够影响新冠肺炎疫情防控政策引用科学论文以及这些因素的重要性程度，本文从循证证据生产要素的视角出发，根据科学论文引用参考文献的行为研究，以相关科学论文为研究对象，构建了以研究证据因素、研究者内部因素及外部环境因素3个层面为主的影响因素一级指标，以科学论文引用参考文献的4个重要因素——合理性、原创性、科学价值与社会价值为二级指标，以34个特征为三级指标的指标体系。将科学论文是否会被政策引用视为机器学习中的二分类问题构建预测模型，结合5种采样技术和5种分类方法验证了本文指标体系和预测模型的准确性。最后通过特征重要性分析和相关性分析进一步探究相关影响因素的重要性程度。结果表明，科学论文的论文层面、作者层面和期刊层面的特征均在不同程度上影响了科学论文被政策引用，其中最重要的影响因素是科学论文的学术影响力、作者学术影响力以及论文在新闻媒体和社交媒体中的传播程度。同时发现政策文件在选取科学论文作为循证证据时存在着复杂多变的特性，在相关方面仍然需要深入研究。

	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
	任超
	杨孟辉
	李恺
	杨冠灿
	卢小宾

关键词 ：疫情防控政策, 政策与科学, 影响因素分析, 被引预测

收稿日期: 2022-03-21

基金资助:国家社会科学基金重点项目“新时期产业技术情报分析方法体系研究”（21ATQ008）。

作者简介: 任超，男，1997年生，博士研究生，主要研究方向为政策计量分析；杨孟辉，男，1969年生，博士，教授，博士生导师，主要研究方向为信息计量分析、政策计量、政府大数据治理等，E-mail：yangmenghui@ruc.edu.cn；李恺，男，博士，讲师，主要研究方向为科学计量学、数字人文、学术交流系统；杨冠灿，男，1981年生，博士，副教授，主要研究方向为专利数据挖掘、技术竞争情报；卢小宾，男，1963年生，博士，教授，博士生导师，主要研究方向为信息分析；

引用本文:

任超, 杨孟辉, 李恺, 杨冠灿, 卢小宾. 新冠肺炎疫情防控政策中引用科学论文的影响因素分析[J]. 情报学报, 2023, 42(3): 341-353.
Ren Chao, Yang Menghui, Li Kai, Yang Guancan, Lu Xiaobin. Analysis of Factors in Citing Scientific Papers in Policies against COVID-19 Pandemic. 情报学报, 2023, 42(3): 341-353.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2023.03.008 或 https://qbxb.istic.ac.cn/CN/Y2023/V42/I3/341

1 王晰巍, 李玥琪, 刘婷艳, 等. 新冠肺炎疫情微博用户情感与主题挖掘的协同模型研究[J]. 情报学报, 2021, 40(3): 223-233.
2 池毛毛, 王俊晶, 王伟军. 突发重大疫情下基层政府信任对公民信息不披露意愿的影响机制研究[J]. 情报学报, 2021, 40(6): 666-678.
3 谢娟, 李文文, 沈鸿权, 等. 信息爆炸和信息不确定语境下的可信度判据研究——以COVID-19疫情为例[J]. 情报学报, 2021, 40(7): 714-724.
4 白彦锋, 唐艺宁. 中国应对突发公共卫生事件财税政策的对比研究[J]. 经济理论与经济管理, 2020(7): 17-29.
5 Wu J, Wang K L, He C C, et al. Characterizing the patterns of China’s policies against COVID-19: a bibliometric study[J]. Information Processing & Management, 2021, 58(4): 102562.
6 Overton. Overton help center: advice and answers from the Overton team[EB/OL]. [2022-01-01]. https://help.overton.io.
7 Balmford B, Annan J D, Hargreaves J C, et al. Cross-country comparisons of COVID-19: policy, politics and the price of life[J]. Environmental & Resource Economics, 2020, 76(4): 525-551.
8 Zhang S X, Wang Z Z, Chang R J, et al. COVID-19 containment: China provides important lessons for global response[J]. Frontiers of Medicine, 2020, 14(2): 215-219.
9 中华人民共和国国务院新闻办公室. 抗击新冠肺炎疫情的中国行动[N]. 人民日报, 2020-06-08(10).
10 任超, 杨孟辉. 隧道尽头的光芒: 公共卫生政策计量分析研究[J/OL]. 图书馆论坛, (2022-08-05). https://kns.cnki.net/kns8/Detail?sfield=fn&QueryID=0&CurRec=1&recid=&FileName=TSGL202 20804000&DbName=CAPJLAST&DbCode=CAPJ&yx=Y&pr=&UR LID=44.1306.g2.20220804.1704.004.
11 Garfield E. Citation indexing—its theory and application in science, technology, and humanities[M]. New York: John Wiley & Sons, 1979.
12 Garfield E. Validation of citation analysis[J]. Journal of the American Society for Information Science, 1997, 48(10): 962.
13 黄萃, 任弢, 张剑. 政策文献量化研究: 公共政策研究的新方向[J]. 公共管理学报, 2015, 12(2): 129-137, 158-159.
14 Yin Y A, Gao J, Jones B F, et al. Coevolution of policy and science during the pandemic[J]. Science, 2021, 371(6525): 128-130.
15 杨代福, 刘爽. 新冠疫情应对决策中的研究证据使用: 基于十个国家的定性比较分析[J]. 科学学研究, 2022, 40(2): 278-287.
16 Aksnes D W, Langfeldt L, Wouters P. Citations, citation indicators, and research quality: an overview of basic concepts and theories[J/OL]. SAGE Open, 2019, 9(1). (2019-02-07). https://doi.org/10.1177/2158244019829575.
17 Boswell C, Smith K. Rethinking policy ‘impact’: four models of research-policy relations[J]. Palgrave Communications, 2017, 3(1): 1-10.
18 Caplan N. The two-communities theory and knowledge utilization[J]. American Behavioral Scientist, 1979, 22(3): 459-470.
19 Myers K R, Tham W Y, Yin Y A, et al. Unequal effects of the COVID-19 pandemic on scientists[J]. Nature Human Behaviour, 2020, 4(9): 880-883.
20 Staniscuaski F, Reichert F, Werneck F P, et al. Impact of COVID-19 on academic mothers[J]. Science, 2020, 368(6492): 724.
21 Carr R M, Lane-Fall M B, South E, et al. Academic careers and the COVID-19 pandemic: reversing the tide[J]. Science Translational Medicine, 2021, 13(584): eabe7189.
22 Gao J, Yin Y A, Myers K R, et al. Potentially long-lasting effects of the pandemic on scientists[J]. Nature Communications, 2021, 12(1): 1-6.
23 Cheng X, Tang L, Zhou M T, et al. Coevolution of COVID-19 research and China’s policies[J]. Health Research Policy and Systems, 2021, 19(1): 121.
24 魏夏楠, 张春阳. “循证决策”30年: 发展脉络、研究现状和前沿挈领——基于国内外代表性文献的研究综述[J]. 现代管理科学, 2021(4): 26-36.
25 Pawson R. Evidence-based policy: the promise of ‘realist synthesis’[J]. Evaluation, 2002, 8(3): 340-358.
26 马小亮, 樊春良. 基于证据的政策: 思想起源、发展和启示[J]. 科学学研究, 2015, 33(3): 353-362.
27 阚道远, 梁靖宇. 欧美反智主义的兴起: 一个社会阶层结构嬗变的视角[J]. 浙江大学学报(人文社会科学版), 2022, 52(4): 82-93.
28 刘瑞, 马海群. 基于证据的开放政府数据政策制定研究[J]. 现代情报, 2019, 39(7): 128-132, 152.
29 徐宏宇. 证据在科技决策中的应用研究[J]. 现代情报, 2020, 40(9): 90-95.
30 Fang Z C, Costas R, Tian W C, et al. An extensive analysis of the presence of altmetric data for Web of Science publications across subject fields and research topics[J]. Scientometrics, 2020, 124(3): 2519-2549.
31 余厚强, 肖婷婷, 王曰芬, 等. 政策文件替代计量指标分布特征研究[J]. 中国图书馆学报, 2017, 43(5): 57-69.
32 余厚强, 李龙飞. 政策文件替代计量指标影响因素研究[J]. 情报理论与实践, 2021, 44(7): 28-36.
33 Haunschild R, Bornmann L. How many scientific papers are mentioned in policy-related documents? An empirical investigation using Web of Science and Altmetric data[J]. Scientometrics, 2017, 110(3): 1209-1216.
34 Yu H Q, Cao X T, Xiao T T, et al. How accurate are policy document mentions? A first look at the role of altmetrics database[J]. Scientometrics, 2020, 125(2): 1517-1540.
35 Kale B, Siravuri H V, Alhoori H, et al. Predicting research that will be cited in policy documents[C]// Proceedings of the 2017 ACM on Web Science Conference. New York: ACM Press, 2017: 389-390.
36 Moral-Mu?oz J A, Salazar A, Lucena-Anton D, et al. Social media attention of the ESI highly cited papers: an Altmetrics-based overview[C]// Proceedings of the International Conference on Scientometrics and Informetrics, 2019: 1734-1745.
37 陈斯斯, 刘春丽. 论文临床影响力评价及预测指标的实证研究——基于诺贝尔生理学或医学奖获得者成果的分析[J]. 情报学报, 2022, 41(2): 142-154.
38 Weis J W, Jacobson J M. Learning on knowledge graph dynamics provides an early warning of impactful research[J]. Nature Biotechnology, 2021, 39(10): 1300-1307.
39 Wang M Y, Wang Z Y, Chen G S. Which can better predict the future success of articles? Bibliometric indices or alternative metrics[J]. Scientometrics, 2019, 119(3): 1575-1595.
40 Fu L D, Aliferis C F. Using content-based and bibliometric features for machine learning models to predict citation counts in the biomedical literature[J]. Scientometrics, 2010, 85(1): 257-270.
41 夏琬钧, 陈晓红, 江艳萍. 学术论文引用预测研究进展[J]. 图书情报工作, 2020, 64(6): 138-145.
42 耿骞, 景然, 靳健, 等. 学术论文引用预测及影响因素分析[J]. 图书情报工作, 2018, 62(14): 29-40.
43 Bhat H S, Huang L H, Rodriguez S, et al. Citation prediction using diverse features[C]// Proceedings of the 2015 IEEE International Conference on Data Mining Workshop. IEEE, 2015: 589-596.
44 Fraser N, Brierley L, Dey G, et al. The evolving role of preprints in the dissemination of COVID-19 research and their impact on the science communication landscape[J]. PLoS Biology, 2021, 19(4): e3000959.
45 陈悦, 王智琦, 刘则渊, 等. 预印本的学术影响力研究——以arXiv自存档论文为例[J]. 情报学报, 2019, 38(8): 815-825.
46 Pal J K. Visualizing the knowledge outburst in global research on COVID-19[J]. Scientometrics, 2021, 126(5): 4173-4193.
47 Adie E, Roe W. Altmetric: enriching scholarly content with article-level discussion and metrics[J]. Learned Publishing, 2013, 26(1): 11-17.
48 Bhandari M, Guyatt G H, Kulkarni A V, et al. Perceptions of authors’ contributions are influenced by both byline order and designation of corresponding author[J]. Journal of Clinical Epidemiology, 2014, 67(9): 1049-1054.
49 Fersht A. The most influential journals: impact factor and eigenfactor[J]. Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(17): 6883-6884.
50 Thelwall M. Dimensions: a competitor to Scopus and the Web of Science?[J]. Journal of Informetrics, 2018, 12(2): 430-435.
51 Szomszor M, Adie E. Overton - A bibliometric database of policy document citations[OL]. (2022-01-19). https://arxiv.org/pdf/2201.07643.pdf.
52 Huang C Y, Dai H L. Learning from class-imbalanced data: review of data driven methods and algorithm driven methods[J]. Data Science in Finance and Economics, 2021, 1(1): 21-36.
53 Pozo R F, González A B R, Wilby M R, et al. Prediction of on-street parking level of service based on random undersampling decision trees[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 23(7): 8327-8336.
54 Feng S, Keung J, Yu X, et al. Investigation on the stability of SMOTE-based oversampling techniques in software defect prediction[J]. Information and Software Technology, 2021, 139: 106662.
55 Xin L K, Rashid N B A. Prediction of depression among women using random oversampling and random forest[C]// Proceedings of the 2021 International Conference of Women in Data Science at Taif University. IEEE, 2021: 1-5.
56 Batista G E A P A, Prati R C, Monard M C. A study of the behavior of several methods for balancing machine learning training data[J]. ACM SIGKDD Explorations Newsletter, 2004, 6(1): 20-29.
57 Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: machine learning in python[J]. The Journal of Machine Learning Research, 2011, 12: 2825-2830.