基于算法归因框架的LIS领域学者施引影响因素实证研究

[目的/意义]探索施引行为的内在特征对设计科学评价指标、发现科学交流规律、预测学科演化具有重要意义。[研究设计/方法]本文以微软学术图谱为数据源,采用可解释机器学习构建基于算法归因的实证研究框架,分析了2000-2019年LIS领域18本期刊的参考文献,探究了LIS领域学者施引行为受不同因素的影响大小及变化趋势。[结论/发现]算法归因框架能够有效揭示LIS领域学者施引时的主要考虑因素、各因素的时间变化趋势以及不同因素与文献被引概率间的量化关系。[创新/价值]本文的研究结论可为理解LIS领域学者的施引行为及时空变化规律提供有价值的洞见;基于算法归因的实证研究框架为施引影响因素探索性研究提供了新方法。

面向自动综述系统的文献价值评估研究

“论文爆炸”使科研人员面临严重的信息过载问题,自动综述系统研究逐渐引起重视,而如何自动挑选出能够反映知识脉络发展的重要文献是自动综述系统需要解决的首要问题。本文从影响综述作者选择参考文献的因素出发,在引用行为中挖掘综述作者评估文献价值的规律,并基于排序学习框架构建面向自动综述系统的文献评估模型。本文以微软学术图谱为数据源构建实验数据集,通过ΔP@K和NDCG@K两个指标对实验结果进行评价。研究结果表明,①相较于单文档模型和文档列表模型,文档对模型更适合于训练最优文献评估模型,其ΔP@100、ΔP@200、NDCG@100和NDCG@200分为0.274、0.085、0.738、0.831;②知识重要性和文献质量与影响力因素对模型效果提升有较大贡献,是综述作者评估文献价值选择参考文献的首要参考因素。