基于社交媒体的学者影响力评价模型构建与实证研究

文章以中美两国图情领域学者为研究对象,构建指标体系并运用熵权法和TOPSIS法搭建基于社交媒体的学者影响力评价模型,量化学者在非正式科学交流的影响力,进而有针对性地补充现有人才评价的不足之处,提高科学交流效率。模型结果与学者h指数相关性分析结果显示:两国学者都为正相关,中国学者为中度相关,美国学者为弱相关;学者影响力评价结果比学者h指数更有区分度。基于社交媒体的学者影响力评价模型具有一定的科学性与可操作性,拓展了评价指标数据的来源,能够体现学者在非正式交流途径中的影响力。

基于他引频次和贡献率的学者影响力评价

[目的/意义]对学者影响力评价指标p指数进行综合改进得到p_(new)指数,以提高人才影响力评价的公平性。[方法/过程]将学者署名顺序和是否为通信作者作为学者贡献度的考量指标,剔除自引频次,考虑高、低他引论文的不同贡献,以Scopus数据库为数据源,将60名青年学者整个学术生涯的论文产出作为研究对象,通过实证分析和相关性分析验证p_(new)指数的合理性。[结果/结论]p_(new)指数能够更加客观地体现学者的被引数量与其对文章的贡献,同时更加有效地筛选出高他引作者。

国内学者影响力评价Altmetrics指标研究

[目的/意义]利用Altmetrics对学者影响力进行评价已得到广泛认可,但现有Altmetrics指标均来自于国外网络平台,由于我国政策和语言差异,我国学者对其使用较少,导致已有的指标体系不适用于我国学者的评价,因此文章参照国外Altmetrics指标体系构建了适合我国学者影响力评价的Altmetrics指标体系。[方法/过程]文章在分析国外Altmetrics指标来源平台的基础上,从国内相似平台的代表性平台中选取Altmetrics指标,引入因子分析法筛选指标并确定权重以构建指标体系,利用相关性检验和二维评价方法对所得指标体系进行验证。[结果/结论]以上方法所构建的指标体系可以用于我国学者影响力评价,但评价层面不同于传统文献计量指标,二者互为补充。

学者影响力预测研究综述

[目的/意义]通过对国内外学者影响力预测研究进行梳理和综合述评,指出当前存在的问题和挑战,以期为后续相关研究提供理论和实践指导。[方法/过程]利用文献调研法,从影响因素及预测方法两方面对该领域研究现状进行归纳总结,其中影响因素可分为论文成果类、个体属性类和合作关系类;预测方法主要有统计回归法、机器学习法和学术网络法。[结果/结论]未来应着力于影响因素指标体系理论研究、多源数据融合、基线标准规范、数据处理优化、学术网络动态演化等方面的深入探索,构建多维、多源、动态化、基准化、精准化的预测模型。

中国学者影响力评价进展研究

[目的/意义]为中国学者影响力评价研究提供参考。[方法/过程]以CNKI为检索平台,检索中国学者影响力评价相关文章。并从相关文章可视化、评价方法 2个方面阐述了国内学者影响力评价的研究内容和进展。[结果/结论]国内论文主要进行了4个方面的研究,即统计与多指标融合;指标评价、改进比较和相关性研究;学术网络;网络、媒体评价方法。学者影响力评价的发展趋势包括媒体性指标权重不断增加,及评价指标更加精细化。

基于信誉分配的学者影响力评价算法

提出了一种基于信誉分配算法的评价方法(CAIF).该算法采用的实验数据来自美国物理协会数据集(APS),实验结果证明基于信誉分配的评价方法能较好反映不同学者真实的影响力.

融合Altmetrics指标的领域高产学者综合影响力研究——以Nature生物科技子刊为例

[目的/意义]评估高产学者的影响力有利于推动学者研究的积极性,也可为引进优秀人才提供参考。根据普赖斯定律确定的高产作者是一个研究领域中有影响力的骨干力量,在科研工作中发挥着关键的导向作用。但依据科研产出量这一单一指标来评判学者的影响力存在一定的局限性。合理的学者影响力评价方法在评价学者科研产出绝对数量的基础上还应考虑科研成果的质量,对学者进行包括学术水平在内多维度的综合影响力展开评价研究。[方法/过程]本文在前人的研究基础上初步遴选传统指标和Altmetrics指标,以3本Nature生物科技子刊为例,其官网为数据源采集相关指标数据。分别从高产学者的科研影响力和社会影响力两个维度构建评价指标体系,通过相关性分析等方法对指标进行筛选,接着采用因子分析、主成分分析方法分别对高产学者的科研影响力和社会影响力进行评价,并分析两个维度的相关关系,最后得到高产学者影响力的二维测度结果。[结果/结论]结果显示,大部分学者在两个维度的影响力排名差距较大,并且两个维度呈较强的正相关关系,因此本文将科研影响力即传统指标与社会影响力即Altmetrics指标二者结合进行高产学者的综合影响力评价具有合理性。同时,通过比较该领域不同发文量的高产学者综合影响力情况,发现高产学者科研成果的“高产出量”并不完全意味着“高质量”,预示学者们应摒弃唯发文量至上的观念,形成一支真正高质量的高产作者队伍,助推领域的发展。

融合论文颠覆性与巩固性的学者二元影响力测度

针对当前学者评价研究与实践中存在的准确性与全面性不足的问题,本文从颠覆性影响力的视角出发,基于引文网络的深层互引信息,将被引文献划分为颠覆性被引文献和巩固性被引文献,构建了学者影响力的二元测度框架,凝练出两种不同类型的学术特征,即“颠覆型学者”和“巩固型学者”,并提出颠覆性被引量和颠覆性h指数等指标用于学者影响力测度。实证研究基于APS(American Physical Society)数据集的463348篇论文、9370286条引证链接、234086位消歧后作者以及诺贝尔奖(Nobel Prize)、沃尔夫奖(Wolf Prize)、狄拉克奖(Dirac Medal)3种重要奖项得主数据,综合肯德尔秩相关性、识别比率、平均排名等方法进行指标一致性和收敛有效性分析。研究结果表明,颠覆性被引量和颠覆性h指数与传统指标高度一致,并且在收敛有效性上全面优于基准测度指标。颠覆性影响力能够反映学者的创新水平和潜力,二元测度框架可以对学者影响力进行准确划分,对未来创新科学家的早期识别、学者绩效与奖励制度的改革、基金项目的评审与评价、科研激励政策的制定等具有重要意义。

ε指数在学者学术影响力评价中的应用研究——以物理和化学学科学者为例

科学合理的学者学术影响力评价能够为职称评定、项目评审、人才选拔等学术评价活动提供理论依据及方法参考.利用Bradshaw等学者提供的考虑性别、学科差异的ε指数计算物理和化学两个学科36位学者的ε指数,其结果与h指数、g指数、学术迹、p指数、z指数等主流测度指标的时间变体进行相关分析,探究ε指数与主流测度指标的相关性、差异性及区分度.结果表明ε指数有较好的区分度,与h指数、g指数、学术迹、p指数、z指数等主流测度指标的时间变体存在一定关联,可以相互补充使用.在此基础上对ε指数进行改进,设计了考虑作者署名次序及角色的ε指数.最终结果表明ε指数能够测度不同性别、不同职业发展阶段、不同学科或不同合作角色学者的学术影响力.

情报学领域潜在高影响力学者及其合作特点研究

随着社会化媒体的不断发展,学者学术影响力的评价方式和手段也在迅速增加。引文网络结构变异模型方法的出现,打破了传统的通过科学计量学指标、作者合作或作者引文网络结构中的节点指标来识别学者影响力的方式。基于该方法,利用CiteSpace软件工具检测情报学领域潜在的高影响力学者,揭示这些学者的合作特征。研究发现,情报学领域最具潜在影响力的五角星学者主要包括Leydesdorff L,Bornmann L,Thelwall M,Bar-llanJ,Waltman L,Huang MH,Rousseau R等人。五角星学者通常位于作者合作网络中不同合作小组的核心位置。其他有影响力的非五角星学者与五角星学者保持着较高的合作频率,在研究方向上有较高的相似性。

基于开放同行评议的学者影响力评价研究——以F1000为例

[目的／意义]提出一种基于开放同行评议的学者影响力评价方法，即通过归纳收敛开放同行评议内容，形成能够表征学者不同层面影响力的多个标签簇，从而从质量层面多角度探索学者影响力，并验证所提方法的有效性。[方法／过程]调研分析国内外现有学者影响力评价方法，在此基础上，设计构建基于开放同行评议的学者影响力评价方法，并以开放同行评议平台F1000为例，进行实证研究和对比分析。[结果／结论]基于开放同行评议的学者评价方法是一种新的评价角度，实现了对学者的多角度评价，增加了学者影响力的饱满度和辨识度。分析表明，该方法与文献计量评价方法不具有显著相关性，可以作为对传统评价方法的一种补充。传统的定量分析与开放同行评议方法的结合将是未来学术评价的发展趋势。

基于主题与多维计量指标的学者学术影响力评价研究

[目的/意义]在主题层面利用多维计量指标进行综合评价,便于科学合理地评价科研人员的学术影响力。[方法/过程]文章构建了一种基于主题与多维计量指标的学者影响力评价模型。首先收集情报学领域10个核心期刊近5年的文献,确定核心作者;然后用LDA模型对学者的论文数据进行主题建模,获得学者对不同主题的贡献值并对学者归类;最后在归类的基础上,从学术文献影响力、学术合作强度和引用网络强度3个维度对学者影响力进行综合评价。[结果/结论]实验结果表明,该模型不仅能反映学者的主题特征,而且研究视角更加全面合理。

医学领域学者学术论文影响力评价方法

通过检索中国知网(CNKI)开发的"医院科研产出统计分析与评价数据库"中的医学领域学者学术论文,建立吉林省医学领域学者学术论文数据库,从学者的论文产出、论文引用情况及论文的传播影响力3个层面构建医学领域学者学术影响力计算模型,利用Pearson相关分析对各计量指标进行相关分析,评价计算模型对各计量指标的拟合效果,并采用基于最优尺度变换的多重对应分析方法验证模型的可靠性。结果发现除了第一作者发文量指标以外,其余各计量指标与学者的评分总和具有较强的相关性,并且相关系数具有统计学意义(P<0.05),说明构建的模型拟合度较好。基于最优尺度变换的多重对应分析结果显示,职称等级和所在医院等级越高的学者学术影响力评分等级越靠前,进一步验证了模型的可靠性。

生命周期阶段中的科学合作网络演化及高影响力学者成长特征研究

为进一步研究科学合作的关系,并揭示科学发展的规律。本论文以文献增长规律与生命周期理论为基础,借助于数理统计与复杂网络分析方法,以CNKI数据库中的新能源领域研究为例,从整体属性和个体成长角度,分析科学合作网络在不同生命周期阶段的演化特征。首先,通过对科学合作网络结构演变情况分析,发现网络整体随阶段不同存在着差异。在分布上,除萌芽期初始阶段的网络是随机网络外,其他各阶段的网络均是无标度网络。其次,从初始合作模式、成长演变模式、所处网络类型三个方面,探寻新能源领域生命周期阶段中top10高影响力学者的成长变化特征。研究表明,在初始合作模式方面,通过对合著者数量以及合作者影响力的测度,发现高影响力学者主要按照"独著"、"简单合著"、"带入合著"与"同步合著"四种模式进入;在成长演变模式方面,通过对度中心性变化的测度,发现高影响力学者的合作网络主要体现出"稳步增长型"、"上升下降型"、"持续领导型"、"不温不火型"四种成长形式;在所处合作网络类型方面,通过对网络中核心节点的数目、网络中节点存在年次的测度,发现高影响力节点所在的网络呈现出"流动合作型网络"、"引领成长型网络"以及"多核共处型网络"三种结构状态。

我国社会学高影响力学者研究领域探析

文章以中国知网CNKI收录的期刊论文及其引文功能为基础,通过社会学领域作者的h指数,确定了高影响力学者,并对他们的基本情况进行了归纳。

基于h指数修正的学者历时影响力研究

[目的/意义]学者是学术知识的创造者,也是学术创新的主要推动者。学者学术影响力评价对学者学术发展具有导向作用,也是每位学者关注的焦点。[方法/过程]本研究提出一种基于动态变化的学者学术影响力测度方法,以中国引文数据库(CCD)为统计工具,利用SIF测度模型对2019年爱思唯尔(Elsevier)发布的艺术和人文学科领域的中国高被引学者学术影响力演变进行分析。[结果/结论]结果表明,SIF测度模型弥补了h指数在评价学者影响力的不足,对学者学术影响力演变测度具有适用性,揭示学者学术生涯的学术影响力演变过程。

国内图书情报学高影响力学者研究领域研究——基于h指数的学术评价

以中国知网CNKI收录的期刊论文及其引文功能为基础,通过测定国内图书情报学领域作者的h指数,确定了高影响力学者,并对他们的基本情况及研究领域进行了归纳。

知识管理领域学者间合著网络分析

本文利用社会网络分析方法对知识管理领域学者间的合著网络进行分析,研究该领域内的合作团体、最具影响力的学者,以及学者间的合作模式。本文收集了2000～2010年间发表在6本顶级知识管理期刊中的1831篇文献,并进行分析。首先,通过研究合著网络的度分布,发现存在少数有着大量合作者的学者,和大量仅有少数合作者的学者。其次,本文识别出3类核心学者:基于度中心性20位合作者最多的学者,基于接近中心性的20位地位最核心的学者和20位基于中介中心性的20位有着"桥梁"作用的学者。最后,本文抽取并分析了两个最大的子合著网络-57节点网络和39节点网络,发现Bontis,N.和Guthrie,J.是知识管理领域非常有影响力的两位学者。

多维计量指标融合下的学者综合影响力评价研究——以基因编辑领域为例

学者影响力反映学者的学术水平,甄别综合影响力优异的学者有助于推动科学研究的发展。通过构建基因编辑领域学者的学术文献影响力、学术合作影响力、学术引用影响力、社会影响力以及网络社区影响力间的结构方程模型,探究多类指标对各维度影响力的作用程度,结果发现学术迹、合作引用强度、引文网络PageRank值、Altmetrics-h指数均在各层面影响力有更高的贡献作用,Researchgate类指标在揭示网络社区影响力中作用相当。利用天际线算法对基因编辑领域学者进行综合影响力评价实证,发现涵盖Researchgate指标的评价体系可帮助遴选更多学术水平优秀的学者,结果与领域研究的实际推动者较为一致,进一步证实了该多维综合评价体系的可行性以及Researchgate类指标作为补充性指标进行学术评价的有用性。以上结论均可为科技评价理论拓展和应用实践提供一定参考。

多维视角下高水平学术人才识别方法研究

在对现有学者学术影响力评价指标剖析的基础上,尝试从学者的论文产出、论文影响、高质量论文表现等多个维度对其学术表现进行画像,探讨高水平学术人才的挖掘方法。结合H指数,利用正向的相似性分析、分类预测的反推验证,探讨识别方法的科学性及结果的可靠性。