学术成果的脸书提及量分布特征研究

通过对2018年7月至2019年6月一年时间窗口的42.8万条脸书数据记录进行统计分析,旨在揭示脸书提及量的数值分布特征。研究结果发现,脸书提及的相对覆盖率为8.1%,处于一个相对较低的水平;脸书提及量的及时率为74%,优于新闻指标、推特指标、新浪微博指标以及政策文件指标,这表明脸书用户更为关注最新成果;成果层次的脸书提及量分布相对比较均匀,基于独立用户数计算,20%的学术成果仅获得37%的脸书提及;来源层次的脸书提及量分布基本符合布拉德福定律,识别出140个核心来源,其中,最核心的来源为The Conservation、Nature和Science;学科层次的分布中,脸书提及量最高的学术成果来自医学与健康科学,所占比例高达61%,生物学、心理学与认知科学也获得相对较高的提及量。这些结论为脸书替代计量指标的进一步应用提供参考。

学术论文社交媒体提及的跨平台比较研究——以脸书和推特为例

[目的/意义]探究脸书平台和推特平台提及学术论文的内在关联,为更好地利用社交媒体来源的替代计量指标提供参考。[方法/过程]以图书情报学论文为研究对象,获取Altmetric数据库中脸书和推特提及数据与Web of Science数据库中论文题录数据并进行匹配,采用主题分析法与内容分析法,从关注主题、提及动机、跨平台传播3个方面开展比较分析。[结果/结论]脸书提及与推特提及关注主题结构相似但涉及范围与关注侧重差异大;提及动机分布相似但侧重不同,最主要动机均为传播,但脸书重营销、更官方化,推特重讨论、更私人化;跨平台传播关联密切,有相同用户且传播主体均为学术论文所属机构和作者,但存在用户重视程度与使用偏好差异。[局限]用户身份未实现自动化识别,实证分析限于单一领域。

基于Light GBM的Facebook学术成果提及动机自动识别

文章研究了基于LightGBM算法的Facebook提及学术成果动机的自动识别,以实现对Facebook提及的大规模深入使用。基于被提及的学术成果、发布学术成果的Facebook用户、Facebook学术成果发布贴子的文本三类背景数据,提取有可能相关的特征,并利用机器学习算法自动识别动机。(1)在这三类背景数据中都发现了与Facebook提及动机明显相关的特征。特别是,相关特征是替代计量关注度得分、合作国家数量、关注者数量、点赞数量、发布学术成果的Facebook用户身份和Facebook帖子的评论数量;(2)LightGBM分类模型对Facebook提及动机的预测精度为0.31。相比之下,没有Facebook帖子文本特征的分类精度为0.35,高于整体特征组合。只有帖子文本特征的分类精度为0.27。结合帖子的长度和语言后,精度提高到0.30;(3)Facebook动机的分类精度与用户的活动有正相关。结合所有特征后,在活跃度方面前25%区间用户的分类精度达到1,第二25%区间的分类精度为0.36,第三25%区间的分类精度为0.32。总之,考虑到Facebook提及动机自动分类的高度复杂性,本研究取得了比较高的分类精度,可以为今后的研究提供参考。