陳 穩(wěn) 陳 偉,3

(1.中國科學院武漢文獻情報中心 武漢 430071；2.中國科學院大學經(jīng)濟與管理學院圖書情報與檔案管理系 北京 100190；3.科技大數(shù)據(jù)湖北省重點實驗室 武漢 430071)

0 引 言

研究前沿是受到高度關注、具有發(fā)展?jié)摿鸵欢ㄓ绊懥Φ拇碇芯侩y點、熱點與趨勢的研究問題，既包括科學前沿主題也包括技術前沿主題，它具備新穎性、成長性、影響力等最典型特征。研究前沿預示了科技研究發(fā)展方向，分析研究前沿及其內(nèi)部演化有助于了解科技前沿發(fā)展方向，預測未來的科技發(fā)展趨勢，對科研資源的部署及研究方向的調整都有著重要參考價值。

目前，研究前沿識別多采用論文數(shù)據(jù)，但單源數(shù)據(jù)所含信息有限，分析結果易受到數(shù)據(jù)庫、刊物等因素的干擾，且研究多停留在識別結果解讀，較少對前沿主題之間的聯(lián)系及其演化進行深入分析。鑒于此，本文提出一套科學與技術對比視角下的研究前沿主題識別及演化分析方法，以論文和專利為數(shù)據(jù)源，從研究前沿核心特征出發(fā)識別前沿主題，并對比分析科學前沿與技術前沿之間的異同；將各時間窗口下研究主題與前沿主題相似度作為主題過濾指標對研究主題進行篩選得到階段性前沿主題，并將階段性前沿主題作為前沿主題演化分析主體進行可視化分析，以了解前沿主題的動態(tài)變化及其之間的關聯(lián)。

1 相關研究

隨著科學研究的發(fā)展，研究前沿的內(nèi)涵一直發(fā)生著改變。Price[1]、Small[2]等人是研究前沿識別領域的早期研究者，他們從引文分析的角度出發(fā)，以論文為分析對象，以文獻簇表示研究前沿，此類定義方法使得研究前沿識別不得不依賴于引文分析，但引文分析的時間滯后性、引用動機盲目性都限制了其應用范圍與識別準確性。近年，研究人員對研究前沿的本質和特征進行深入探討，周群[3]提出研究前沿是最具有發(fā)展?jié)摿Φ男屡d研究領域或研究主題，具有研究成果數(shù)量較快增長、學術輻射力較強、具有一定的研究規(guī)模和影響力等特征；歐洲研究理事會[4]認為科技研究前沿是具有時效性、創(chuàng)新性、連貫性、風險性和學科交叉性5個特征的研究主題。研究前沿的內(nèi)涵與特征研究為基于文本挖掘的前沿主題識別方法的發(fā)展提供了理論基礎，此類研究大多通過將文本挖掘技術與表征前沿主題的特征指標相結合來識別前沿主題[5]?；谖谋就诰虻那把刂黝}識別方法克服了引文識別的時滯性問題，細化了主題識別粒度，但研究選取的前沿主題特征指標差異較大，同一指標也存在著多種計算方式[6-8]。

主題演化分析通常是指分析主題在時間變量下動態(tài)變化的趨勢、特征，它是一種利用文獻特征之間關聯(lián)關系的分析方法。根據(jù)演化分析對象，可將主題演化分析分為主題強度演化分析與主題內(nèi)容演化分析；根據(jù)時間維度的納入方式，可將主題演化分析分為先時間離散后主題分析的先離散分析[9]，先主題分析后時間離散的后離散分析[10]以及將時間作為模型變量觀察主題隨時間演化[11]3種。后兩種方法在各個時間段下的主題數(shù)固定，更易于分析主題的強度演化，而先離散后聚類的方法可以靈活選擇各個時期的主題數(shù)量，可以分析主題強度與內(nèi)容的演化。

前沿主題識別與演化研究雖然已取得了一定的進展，但仍存在以下問題：a.基于引文角度的研究前沿定義局限了分析數(shù)據(jù)源，單源數(shù)據(jù)分析信息量有限，且引文分析方法也存在時滯性、結果難以解讀等問題。b.在基于文本挖掘的前沿主題識別中，前沿主題識別指標的設計往往受到研究者的主觀影響，研究前沿內(nèi)涵特征和識別指標之間未建立良好的聯(lián)系。c.大多前沿識別研究停留在結果解讀階段，并未對前沿主題的內(nèi)容演化及前沿主題之間的關聯(lián)進行深層次分析。

因此，本文提出了科學與技術對比視角下的前沿主題識別及演化分析方法，以論文和專利為數(shù)據(jù)源，從研究前沿核心特征出發(fā)識別科學前沿主題和技術前沿主題，并分析兩者之間的聯(lián)系及異同。本研究方法的創(chuàng)新點如下：首先，多源數(shù)據(jù)分析可以從科學發(fā)現(xiàn)和技術發(fā)明等層面全面地反映研究前沿，增強了前沿主題識別的科學性。其次，本文針對研究前沿特征及多源數(shù)據(jù)特點設計前沿主題識別指標體系，系統(tǒng)強化了前沿主題概念特征與測度指標之間的對應關系。最后，利用主題相似度分析了科學前沿主題內(nèi)部、技術前沿主題內(nèi)部以及科學前沿與技術前沿主題之間的內(nèi)容演化，揭示了前沿主題的動態(tài)變化及其之間的關聯(lián)，可為預判科技前沿方向提供參考。

2 方法框架

本文方法框架如圖1所示，包括：數(shù)據(jù)預處理與主題識別、研究前沿識別、研究前沿內(nèi)容演化分析3個部分。

圖1 科學與技術對比視角下的前沿主題識別與演化分析框架

2.1數(shù)據(jù)預處理與主題識別本文采用論文和專利數(shù)據(jù)作為研究前沿識別數(shù)據(jù)源，分別抽取論文與專利的摘要字段構建對應語料集。為了確保語料質量，對語料集進行數(shù)據(jù)預處理，首先刪除重復數(shù)據(jù)及缺失數(shù)據(jù)，接著進行分詞與詞性歸并。為了保障語料分詞的準確性與正確性，在分詞階段采用自定義詞典和自定義停用詞表保證語料質量。相較于關鍵詞，術語詞組的可解讀性更強，能更好反映科技類文獻的主題，因此本文將論文關鍵詞字段中的多元術語詞組補充到用戶詞典以增加主題挖掘結果的可解讀性，并在通用停用詞的基礎上補充特定領域停用詞構成停用詞表。考慮到數(shù)據(jù)量及分析效果，刪除只在1篇文獻中出現(xiàn)的低頻詞以及出現(xiàn)在數(shù)據(jù)集50%文獻中的高頻詞，使用TF-IDF法進行詞賦權，構建分析詞袋，最終獲得論文語料庫和專利語料庫。

LDA模型是一種具有詞、主題、文檔3層結構的自然語言模型[12]，被廣泛用于語料隱含主題的抽取分析。利用LDA主題模型分別對論文數(shù)據(jù)和專利數(shù)據(jù)進行主題抽取，獲得科學研究主題與技術研究主題。由于停用詞表無法窮盡所有停用詞，為了保證主題分析質量，需要對LDA模型識別出的主題進行過濾，去除主題簇過小及無實意的噪聲主題。

2.2研究前沿識別

2.2.1 研究前沿測度指標體系 針對研究前沿的新穎性、成長性、影響力3個典型特征，本文構建了新穎度、增長性、影響力、交叉性4個測度指標進行前沿主題識別，其中新穎度指標從時間角度分析主題的新穎性；增長性指標從科研成果數(shù)量上測度主題的成長趨勢；影響力指標從引文角度衡量主題影響力；交叉性指標同時可以表征主題成長性和影響力特征，它不但可以從主題的發(fā)展空間上分析主題成長空間，也可以表征主題在多領域的影響力。

a.新穎度。近期發(fā)表的研究成果通常具有較高的新穎度，因此主題新穎度可由主題相關的論文/專利平均出現(xiàn)時間表示，計算方法如式(1)，其中Nj為第j個主題的新穎度，Ti為第i篇論文/專利出現(xiàn)時間，論文數(shù)據(jù)的出現(xiàn)時間為其出版時間，而專利數(shù)據(jù)的出現(xiàn)時間為其公開時間，N為該主題的論文/專利總量。

(1)

b.增長性。增長性可由主題相關論文/專利產(chǎn)出量的年增長率測度。在研究前沿識別過程中，為了避免論文刊物擴充或縮減、專利審批流程等因素對年產(chǎn)出量的影響，參考前人研究[13]，取近3年的論文/專利年增長率均值代替實際增長率，主題增長性計算方式如下：

(2)

(3)

其中，YGRi為第i年主題論文/專利增長率，Pi為第i年主題論文/專利產(chǎn)出量，G為主題增長性。

c.影響力。科學主題的影響力主要通過論文被引體現(xiàn)。但論文的被引存在明顯的時間累積現(xiàn)象，為了分析科學研究主題對目前學術研究的影響力，需要在科學主題學術影響力的測度中納入時間權重ti以平衡早期發(fā)表的文獻的累計被引[14]，計算公式如式(4)，其中ti表示第i年的主題相關論文被引頻次的時間權重，n為數(shù)據(jù)集的年份跨度。科學主題影響力測度方法如式(5)，其中As為主題學術影響力，Ci為該主題論文于第i年的被引頻次。

(4)

(5)

技術主題的技術影響力可以通過專利間的引用分析，本研究通過計算主題相關專利的平均被引頻次來分析該主題的技術影響力，計算公式如式(6)，At為主題技術影響力，Cj為該主題第j件專利被引頻次，N為該主題相關專利數(shù)量。

(6)

d.交叉性。隨著科技的發(fā)展，科學研究往往涉及多個學科領域，學科交叉為科學主題提供了多個發(fā)展方向，提高了其發(fā)展?jié)摿σ约皠?chuàng)新性。Rao-Stirling指數(shù)是目前常用的學科交叉性指標，它從種類、平衡及差異三個角度衡量科學主題的學科交叉性，其計算公式如下：

(7)

其中，Ds為主題的學科交叉度，Pi與Pj是不同學科的概率分布，dij是學科i與學科j之間的距離，可用余弦相似度計算，α、β為權重參數(shù)。

本文通過專利技術寬度來分析技術主題技術交叉性，專利技術寬度即涉及的技術領域越多，說明該專利對各領域技術的綜合性越強[15]，其技術交叉性也可能越高。采用國際專利分類號(International Patent Classification，IPC)測度技術主題的技術交叉性，其計算方式如下：

(8)

其中，Dt為主題的技術交叉度，K為主題相關的專利數(shù)量，Ii為第i個主題的專利IPC分類小類數(shù)量。整理本文所提的研究前沿測度指標及其計算方式，如表1所示。

表1 研究前沿測度指標

2.2.2 研究前沿綜合指數(shù)計算

a.標準化處理。不同指標直接計算得到的結果數(shù)量級別差距較大，為了增加前沿主題識別結果的準確性，采用正向離差標準化方法對指標值進行標準化：

(9)

其中，Yi為標準化后的指標值，Xi為指標的原始值，Xmax、Xmin分別為該指標的最大值和最小值。

b.測度指標權重計算。對多維測度指標進行賦權來計算綜合指數(shù)以識別研究前沿，CRITIC法是近年來在圖書情報領域應用較多的客觀賦權方法[13,16-17]。CRITIC法通過計算指標的對比強度和沖突性對指標賦予客觀權重，其分析結果的科學性和可復現(xiàn)性較強。指標取值差異越大、與其他指標相似度越低，則該指標信息量越大，該指標越重要[13]。指標信息量計算公式如式(10)所示，其中CRj表示指標j的信息量，δj表示指標j的標準差，n表示指標個數(shù)，rij表示指標i和指標j的相關系數(shù)。對指標信息量CRj進行歸一化處理，如式(11)，得到指標j的客觀權重Wj。最后，根據(jù)指標權重和標準化指標值計算前沿主題綜合指數(shù)，取綜合指數(shù)較高的主題為研究前沿主題。

(10)

(11)

2.3研究前沿內(nèi)容演化分析

2.3.1 階段性前沿主題識別 研究前沿的研究側重點是動態(tài)變化的，研究前沿在不同時間窗口的具體體現(xiàn)，即階段性前沿主題也有所不同，因而可以通過分析階段性前沿主題之間的聯(lián)系來實現(xiàn)對前沿主題內(nèi)容演化的分析。首先，對論文數(shù)據(jù)和專利數(shù)據(jù)進行時間切片，識別出各時間窗口下的科學研究主題與技術研究主題。在此基礎上，對識別得到的主題進行過濾，過濾掉無實意主題及與研究前沿關聯(lián)度較低的主題獲得階段性前沿主題。采用Hellinger距離分析主題之間的關聯(lián)，Hellinger距離表示了主題之間的差異性，Hellinger距離越小，則主題間相似度越高，主題相似度計算公式如式(12)，其中，P與Q為兩個主題下主題詞的概率分布，長度為K，H(P，Q)為P與Q之間的Hellinger距離。

Sim(P,Q)=1-H(P,Q)=

(12)

2.3.2 科學前沿與技術前沿主題演化可視化 計算相鄰時間窗口下階段性前沿主題之間的主題相似度，若主題相似度大于閾值，則認為主題間存在演化關系。識別出所有具有演化關系的主題對，使用桑基圖對主題演化路徑進行可視化分析。

3 實證分析

3.1數(shù)據(jù)獲取及清洗實證領域為固體氧化物燃料電池(Solid oxide fuel cell, SOFC)，其檢索式為：((("solid oxide" or "solid-oxide") near/2 "fuel cell*") not (("solid oxide" or "solid-oxide") near/2 "carbon fuel cell*")))，時間：2016-2020年，論文數(shù)據(jù)來源于Web of Science數(shù)據(jù)庫核心集，文獻類型限定為Article，獲得文獻5 209篇；專利數(shù)據(jù)來源為Derwent Innovations Index數(shù)據(jù)庫，檢索得到專利2 627件，清洗后得到5 005篇論文及2 622件專利。構建領域術語詞典、停用詞表，分別對論文和專利的摘要字段進行分詞、去標點、去停用詞、詞形合并、去高低頻詞，得到論文語料庫和專利語料庫，并使用TF-IDF法進行特征詞選擇得到對應特征詞袋。

3.2科學研究主題和技術研究主題識別分別對論文數(shù)據(jù)與專利數(shù)據(jù)進行LDA主題聚類抽取科學研究主題與技術研究主題，通過計算主題困惑度和主題一致性選擇16個和15個作為論文數(shù)據(jù)和專利數(shù)據(jù)的最優(yōu)主題數(shù)。對這31個主題進行人工篩選，去除主題簇過小及無實意主題，最后獲得12個科學研究主題和14個技術研究主題，對主題進行編號，科學研究主題以“S”開頭，技術研究主題則以“T”開頭，見表2。

表2 科學研究主題與技術研究主題識別結果(部分)

3.3研究前沿識別計算各主題的新穎度、增長性、影響力、交叉性測度指標，并對指標結果進行標化，使用CRITIC法分別計算科學前沿主題、技術前沿主題指標的權重，如表3所示。

表3 固體氧化物燃料電池領域前沿主題測度指標權重

計算科學研究主題與技術研究主題的綜合指數(shù)，分別選取綜合指數(shù)前30%的主題，即綜合指數(shù)排名前4的主題作為科學前沿主題與技術前沿主題，結果如表4所示?？梢钥闯?，固體氧化物燃料電池堆模型(S3、T4)、電極材料(S12、T12)、電解質材料研究(S10、T1)是固體氧化物燃料電池科學研究和技術開發(fā)領域共同的前沿主題。通過進一步分析發(fā)現(xiàn)，科學前沿主題和技術前沿主題研究的側重點有所區(qū)別。在電池材料研究中，基礎科學研究更關注于固體氧化物燃料電池材料的基本結構與理化性質研究(S9、S10)，如鈉、鉀摻雜對電極導電性的影響，相關研究可為技術開發(fā)與產(chǎn)業(yè)化提供理論支持，而技術開發(fā)更側重于材料制備研究(T6)，如陶瓷材料制備等；在電解質研究中，基礎科學前沿的研究內(nèi)容較為廣泛，涉及各類固體氧化物燃料電池的電解質結構及其優(yōu)化研究(S10)，而技術開發(fā)前沿已聚焦到中溫固體氧化物燃料電池電解質(T1)，如氧化釓、氧化鈰雙摻電解質及其制備等。閱讀固體氧化物燃料電池發(fā)展趨勢相關綜述文獻，對前沿主題識別結果進行驗證。劉少名[18]、Hodjati-Pugh[19]等專家認為SOFC領域的前沿集中于電池材料開發(fā)、電池堆棧/系統(tǒng)設計、電流集流等。中國工程院院士衣寶廉[20]認為固體氧化物燃料電池領域需要重點改進燃料電池核心部件，降低電極、電解質等部件制備成本，通過增強關鍵材料與研發(fā)新型材料來提高燃料電池的性能，與此同時，需要設計研發(fā)高均一性燃料電池堆，提高燃料電池堆性能與比功率，實現(xiàn)燃料電池發(fā)電系統(tǒng)的高功率輸出?？梢园l(fā)現(xiàn)本文所識別的固體氧化物燃料電池研究前沿主題與該領域專家的觀點較為一致，證明了本文所提的研究前沿識別方法的有效性。

表4 固體氧化物燃料電池領域科學前沿主題和技術前沿主題

3.4研究前沿主題內(nèi)容演化分析

3.4.1 階段性前沿主題識別 本文將時間窗口設為一年，將固體氧化物燃料電池研究的論文與專利數(shù)據(jù)各劃分為5個時間切片，并通過LDA主題模型識別每一時間切片中的科學研究主題與技術研究主題。過濾噪音主題及與研究前沿主題相似度低于0.3的主題進行階段性前沿主題篩選，主題識別與過濾結果如表5所示。

表5 各時間切片下階段性前沿主題篩選結果

3.4.2 科學前沿與技術前沿主題演化可視化 計算相鄰時間窗口下階段性前沿主題間的主題相似度，相似度大于0.4的主題之間可認為存在主題演化關系，最終得到763對具有演化關系的主題對。繪制科學前沿主題與技術前沿主題之間的內(nèi)容演化圖譜，如圖2所示，其中底部橫軸代表時間，每個節(jié)點代表一個階段性前沿主題，節(jié)點大小反映了該主題在下一時間窗口演化的程度，節(jié)點名稱由主題名稱及主題類型組成，根據(jù)每個主題的高概率主題詞標注主題名稱，括號內(nèi)表示主題類型，“S”代表階段性科學前沿主題，“T”代表階段性技術前沿主題，每一縱列代表在時間切片下新增的研究內(nèi)容，節(jié)點間的橫向連接表示主題隨著時間新增的研究內(nèi)容，節(jié)點間的連線與主題間的相似度成正比。由圖3可知，固體氧化物燃料電池領域的研究前沿主題數(shù)量總體保持穩(wěn)定，相鄰時間切片中的主題節(jié)點間聯(lián)系密切，主題頻繁分裂融合，說明固體氧化物燃料電池領域前沿主題間的內(nèi)容交叉與更新頻繁，知識流動與轉化速度較快，推動了該領域的快速發(fā)展。

圖2 固體氧化物燃料電池科學前沿主題與技術前沿主題之間演化路徑

按照主題類型及其所處時間將具有演化關系的主題對劃分為只存在科學主題的S模式主體對、只存在技術主題的T模式主體對、存在科學主題與技術主題且科學主題早于技術主題的S-T模式主體對、存在科學主題與技術主題且技術主題早于科學主題的T-S模式主體對。統(tǒng)計相鄰時間切片下各個模式主題對數(shù)量，結果見表6，可以發(fā)現(xiàn)近年固體氧化物燃料電池領域中S模式、T模式、S-T模式、T-S模式主體對數(shù)量較為均衡，S-T模式與T-S模式之和約為所有主題對數(shù)量的一半，說明固體氧化物燃料電池領域的科技前沿演化互動活躍，科技成果轉化較為良好。從時間角度分析，可以發(fā)現(xiàn)S模式主題數(shù)量呈增長趨勢，而T模式則隨時間逐漸下降，S-T模式與T-S模式呈現(xiàn)交叉增長，說明固體氧化物燃料電池領域的基礎科學研究愈發(fā)受到重視，科學研究與技術開發(fā)互相推進，呈現(xiàn)雙螺旋式發(fā)展。

表6 科學前沿與技術前沿主題之間演化統(tǒng)計結果

分別提取只涉及階段性科學前沿主題和階段性技術前沿主題的演化，繪制科學前沿主題內(nèi)部演化路徑(見圖3)、技術前沿主題內(nèi)部演化路徑(見圖4)?？梢钥闯?，在研究方向層面，相較于技術開發(fā)，基礎科學研究探索更為多元，科學前沿研究更關注于固體氧化物燃料電池元件材料結構研究(如復合電極材料)及固體氧化物燃料電池數(shù)值仿真(如不同燃料下固體氧化物燃料電池性能分析)；而通過基礎研究階段的試錯，技術前沿的研究內(nèi)容逐漸集中于固體氧化物燃料電池功能系統(tǒng)研究，例如熱電聯(lián)供系統(tǒng)。在主題的具體研究內(nèi)容層面，以鈰 (cerium)主題為例，在科學前沿主題演化路徑中，鈰主題分裂為復合陽極(composite anode)、陰極(cathode)、混合系統(tǒng)(hybrid system)、晶界(grain boundary)等6個主題，主要圍繞鈰元素對固體氧化物燃料電池電解質、電極性能的影響進行研究；而在技術前沿主題演化路徑中鈰主題分裂為摻雜(doped)、數(shù)據(jù)(data)主題，主要研究內(nèi)容為摻雜鈰的電解質、鈰的實驗參數(shù)調整、電極材料的制備，可以發(fā)現(xiàn)，固體氧化物燃料電池的科學研究領域更重視新型材料的基礎理論研究，而技術開發(fā)領域更注重材料制備、系統(tǒng)設計的應用研究。

圖3 固體氧化物燃料電池科學前沿主題內(nèi)部演化路徑

圖4 固體氧化物燃料電池技術前沿主題內(nèi)部演化路徑

4 結 語

本文以LDA主題模型、Hellinger距離、CRITIC法等為基礎，以論文和專利為數(shù)據(jù)源，基于研究前沿的新穎性、成長性和影響力特征設計新穎度、增長性、影響力、交叉性4個指標識別科學前沿主題與技術前沿主題，并通過分析科學前沿和技術前沿之間的關聯(lián)及其在研究內(nèi)容、演化路徑上的差異來了解科學前沿與技術前沿的區(qū)別與聯(lián)系。以固體氧化物燃料電池領域為實證對象，識別出該領域中包含固體氧化物燃料電池堆研究等在內(nèi)的4個科學前沿主題與復合電極材料在內(nèi)的4個技術前沿主題，其中，電極材料研究、固體氧化物燃料電池堆是固體氧化物燃料電池的重點前沿方向，科學前沿研究更注重于材料的基本結構、理化性質的理論研究，技術前沿研究更注重于材料制備、系統(tǒng)設計的應用研究，科學研究與技術開發(fā)互相推進，呈現(xiàn)雙螺旋式發(fā)展。

本文所提的前沿主題識別與內(nèi)容演化分析方法克服了單源數(shù)據(jù)信息不全的缺陷，同時基于研究前沿特征設計的多維測度指標為前沿主題識別提供了有力支撐，可為今后的研究前沿識別與演化提供參考。但本研究僅從語義層面分析了研究前沿主題的內(nèi)容演化，在未來的研究中將考慮補充對前沿主題強度、熱度等演化規(guī)律的研究，實現(xiàn)在了解研究前沿的基礎上對前沿主題發(fā)展趨勢進行預測，為國家、科研機構與研究人員前瞻科研動態(tài)提供支持。