陳斯斯，劉春麗

（中國醫(yī)科大學圖書館，沈陽 110122）

1 引言

科技評價方法的改革與創(chuàng)新是與教師、研究人員、機構、政府等多個利益相關者密切相關的重要課題。2020年，教育部、科技部印發(fā)的《關于規(guī)范高等學校SCI論文相關指標使用，樹立正確評價導向的若干意見》（教科技〔2020〕2號）中就指出，SCI（Science Citation Index）相關指標，如論文數量、被引次數、高被引論文、影響因子、ESI（Es‐sential Science Indicators）排名等，“不是評價學術水平與創(chuàng)新貢獻的直接依據”。數十年來，基于論文被引次數的多種計量指標已被廣泛應用于科技成果評價與人才遴選。除同行評議外，影響因子與被引次數指標曾是最公認的科技評價指標。然而，科技論文的創(chuàng)新水平、科學價值、應用價值越來越被認為無法通過“被論文引用次數”這種單一類別指標進行充分地測度?？萍汲晒膬r值評價不能局限在學術研究領域，還要考慮其對社會、文化、經濟、健康與環(huán)境等多維度的影響或效益。如何測度科技論文的其他類別影響力或價值，曾有數位學者進行過探索與嘗試，如根據科技論文被美國專利的引用次數測度技術影響力；通過科技成果轉化的產品經濟收入與經費資助金額比來測度科技成果經濟影響力；也曾有通過跟蹤論文被臨床指南引用，來測度論文的臨床轉化影響力。然而，科技成果的社會影響評價在科技評價中的應用較少，主要原因是缺乏可以跟蹤科技成果社會各維度影響力的覆蓋范圍廣、可靠性和可操作性強的評價指標與數據分析平臺。

2020年，新冠疫情席卷全球，人民的生命與健康受到嚴重威脅。面對來勢洶洶的疫情，黨中央號召科技工作者將科研精力投入最緊迫的抗擊疫情工作中，把論文寫在抗擊疫情第一線，把科研成果應用到戰(zhàn)勝疫情中，并要求加快開展疫情防控科研攻關與成果的應用，提升科技應對疫情的能力水平。在重大突發(fā)公共衛(wèi)生事件背景下，科技論文的臨床應用價值被提到前所未有的重要位置。例如，科研論文是否對病毒毒株分離、對疫苗研發(fā)、對診療方案制訂、對危重患者救治、對療效的評價等臨床應用產生直接或間接的促進與影響。實際上，這測度的就是臨床轉化能力。

醫(yī)學的一個分支學科稱為轉化醫(yī)學[1]，試圖在基礎研究與臨床醫(yī)療之間建立更直接的關聯，于20世紀末被美國國立衛(wèi)生研究院（National Institutes of Health，NIH）提出，旨在追蹤NIH每年高達200億美元的研究經費是否最終對人類健康狀況的顯著改善發(fā)生影響，即追蹤基礎知識向臨床治療轉化的進程，以促進人類健康水平的提升。在中國，十九大報告將健康中國作為國家發(fā)展戰(zhàn)略，明確提出健康中國就是積極推動疾病醫(yī)學向健康醫(yī)學轉化。由此可見，科研成果對臨床醫(yī)療及人民健康的影響力也是體現科學價值的重要檢驗標準。但如何評價這種類型的影響力及有哪些有效指標仍需要深入挖掘與探索。

2 研究背景

2.1 國內外相關研究

目前，文獻計量學領域專家對科研成果臨床轉化的研究，主要表現在從人工追蹤科研成果臨床轉化的知識流動過程[2-4]，發(fā)展到基于論文的主題特征以及引文網絡演化，模擬論文從基礎到臨床轉化過程。2013年，Wang等[5]在Science雜 志 上 發(fā) 表 論 文，發(fā)現引文動態(tài)及其揭示的不同學科之間的基本知識流遵循基本的數學原理，這表示引文動態(tài)能夠作為科學轉化預測的特征之一。2013年，Weber[6]使用三角形模型建模醫(yī)學轉化特征，使用文獻計量方法將PubMed數據庫收錄的論文按照研究主題映射到三角形模型上。將醫(yī)學轉化建模為論文與施引論文主題與“人類（human）”主題之間的距離。2013年，我國學者杜建等[7-8]提及論文之間的引用與被引用關系形成的引文網絡可揭示出具體領域的轉化地帶（研究領域的交叉地帶）、轉化路徑（不同轉化節(jié)點的轉化途徑）和轉化時滯（每個節(jié)點轉化時長），使科研人員把握該領域轉化研究的關鍵內容與路線圖，從而促進研究從上游吸收和向下游轉化，最終加速轉化醫(yī)學進程。2015年，Williams等[9]在Cell期刊發(fā)文，建議利用公共數據庫的數據進行挖掘與網絡分析，識別和量化科學發(fā)現與醫(yī)學重大進展之間的關系，有助于增進公眾對于生命科學研究的經費支出的理解。2019年，情報學專家Ke[10]嘗試使用機器學習算法對大規(guī)模的生物醫(yī)學研究的轉化潛力進行預測，實現加速臨床轉化的目標。

2.2 轉化潛力近似值指標（APT）簡介

2019年，美國國立衛(wèi)生研究院投資組合分析辦公室（Office of Portfolio Analysis，OPA）基于論文主題分類和引文動態(tài)構建機器學習系統(tǒng)，計算得出論文轉化潛力近似值指標（approximate potential to translate scores，APT），用來評估論文在將來被臨床試驗或臨床指南引用的可能性[11]。APT指標的基本假設是只要臨床試驗或臨床實踐指南最終引用了該論文，論文即被標記為“已實現轉化目標”，但論文是否直接改善了人類的健康，并不在本算法的預測范圍之內[11]。開發(fā)者也指出引用網絡是動態(tài)變化，但是論文發(fā)表后2年的引用數據，足以使模型準確預測科研論文被臨床類論文引用的可能性。隨著引用網絡的不斷增長，知識流動的信息也不斷積累，預測能力會不斷增強，直到發(fā)表后大約7年達到平穩(wěn)狀態(tài)，這顯示知識轉移在最初的7年期間最為活躍。預測值的置信度與臨床論文的最終引用相關，表明該方法可作為轉化的早期特征。

為了揭示論文在醫(yī)學生物學領域的轉化潛力，Weber[6]按照醫(yī)學主題詞表（medical subject head‐ings，MeSH）將PubMed論文分為人類（Human）、動 物（Animal）和 分 子/細 胞（Molecular/Cellular，Mol/Cell）大致三個分支（類型），根據論文在三個分支上的特征將其映射到三角形模型圖上。APT指標借鑒并改進了Weber[6]的二分類計數方法，采用小數計數方法，不僅提高了論文分類的準確性，也進一步提高了可視化效果。

APT指標的計算整合了每篇論文的特征因子共22個（表1），包括被引論文特征因子（前6個）、施引論文特征因子（后15個）以及論文的年均被引次數。論文特征因子的前6個即6種MeSH術語：人類、動物、分子/細胞、化學/藥物、疾病、治療/診斷方法；施引論文特征因子的后15個即施引論文相應MeSH術語的統(tǒng)計描述特征值。論文的人類（Human）、動物（Animal）、分子/細胞（Mol/Cell）特征被統(tǒng)稱為HAMC。首先，將這22個論文特征轉換為機器學習系統(tǒng)的向量，對PubMed中每篇論文的信息多維數組定義為其數據配置文件。其次，在訓練階段，將每個數據配置文件的矢量信息與輸出變量一起提供給機器學習系統(tǒng)。其中，使用二進制指標表示臨床論文是否引用了該論文，若引用，則標志為1；反之，則標志為0。在訓練階段之后，系統(tǒng)會評估測試集的數據配置文件，以確定這些論文被臨床引用的概率。最后，計算得出的預測結果即轉化潛力的近似值APT，將其分為5個組：<5%、25%、50%、75%和>95%，如圖1[11]所示。APT指標的研發(fā)者嘗試采用不同算法，如隨機森林、支持向量機、邏輯回歸、MaxEnt、LibLinear和神經網絡，發(fā)現隨機森林算法的準確性最高（84%），相應的F值為0.56[11]。APT指標的機器學習模型中使用的隨機森林算法的優(yōu)點在于，其通過根據訓練階段基尼雜質（Gini impurity）的平均減少來計算各種特征的相對重要性。NIH通過邀請審稿專家預測論文被臨床引用的可能性來驗證使用機器學習方法預測的準確性[11]。研究結果發(fā)現，通過一些措施，機器學習的性能可以達到專家同行評議的水平，并且具有可擴展到整個PubMed數據庫所有論文的潛力。NIH對APT計算模型的進一步測試發(fā)現，對不同出版年齡的論文，機器學習模型均能夠準確預測。

表1 APT計算模型中使用的特征因子及信息來源

2.3 iCite平臺及相對引用率指標（RCR）簡介

iCite平臺是一個由功能強大的網絡應用程序支撐，可為一篇論文或者一組論文提供一組文獻計量指標，并提供可視化分析結果的檢索平臺。iCite平臺上可提供三大功能模塊，分別重點展示“影響力”（Influence）指標、“轉化力”（Translation）指標以及“引文”（Citations）指標。這些指標的計算都基于NIH的開放引文數據庫（Open Citation Col‐lection，NIH-OCC）的引文數據，而不是Scopus或Web of Science中的引文數據。

相對引用率指標（relative citation ratio，RCR）是論文級別的規(guī)范化評價指標之一，于2015年由NIH開發(fā)，可通過iCite平臺檢索[12-13]。有學者將學科領域規(guī)范化指標分為兩種：一種是沿用之前的分類習慣，使用先驗定義方法，按照期刊的學科類別對論文分類（如Web of Science的學科領域歸一化影響力指標、Scopus的歸一化影響因子等）；另一種是根據共引用網絡的動態(tài)定義方法（如RCR）對論文所屬學科進行分類[14]。有研究表明，基于動態(tài)定義的學科領域規(guī)范化方法比使用基于期刊類別的學科領域規(guī)范化方法更有效[12]。有學者發(fā)現，RCR指標可避免以往學科領域規(guī)范化算法中因多個學科屬性歸屬問題而導致的干擾，RCR指標對于跨學科論文的影響力評價，具有一定的優(yōu)勢[15]。

RCR指標使用論文共引文網絡，動態(tài)地確定論文的研究領域，以NIH R01資助的文獻為基準，當論文RCR值大于1.0時，其影響力高于該年度NIH R01資助論文的平均影響力水準。iCite平臺也提供論文的加權RCR指標（weighted RCR），這是一組論文RCR值的總和。如果一組論文的加權RCR值大于這組論文總數，那么表明這組論文的平均水平高于NIH資助論文的平均水平，提示這組論文具有較高影響力；反之則相反。

3 研究問題與研究方法

3.1 研究問題的提出

利用被引次數預測學者學術影響力，早已成為業(yè)界共識[16]。19世紀60年代，“SCI之父”加菲爾德曾在Science雜志上發(fā)表論文[17]，系統(tǒng)闡述了除分類法與主題法外，引文索引可以作為一種文獻檢索方法。更重要的是，加菲爾德等學者嘗試通過論文高被引來預測某一領域的潛在諾貝爾獎獲得者。其假設是如果論文被較多引用，即在論文發(fā)表后立即或3~6個月受到較高關注，那么就認為該論文具有較高的影響力，可被認為是經典論文；而擁有較多經典論文的學者可能是未來該領域的諾貝爾獎獲得者[17]。同時，加菲爾德也指出，這種預測不是精確預測，只是在經濟學這一特殊領域預測得相對比較準確[17]。

引文桂冠獎[16]是科睿唯安（Clarivate Analytics）基于Web of Science數據庫中科研論文及其引文進行深入分析，對遴選出的可能摘取諾貝爾獎的研究人員所頒發(fā)的獎項。自2002年以來，每年發(fā)布的引文桂冠獎累計已成功預測了50位諾貝爾獎得主。2002年，科睿唯安首次預測諾貝爾獎，2003—2005年，由于人員調動等問題，并未預測任何人選，2006年預測工作重新開啟，一直持續(xù)至今。

2006—2019年，共產生35位諾貝爾生理學或醫(yī)學獎得主，其中引文桂冠獎曾成功預測15位諾貝爾獎得主[16]，但也有20位諾貝爾生理學或醫(yī)學獎得主并未曾被科睿唯安的引文桂冠獎成功預測。那么，未被傳統(tǒng)引文指標預測，但最后也同樣評為諾貝爾生理學或醫(yī)學獎得主可能是通過其論文的其他影響力優(yōu)勢獲勝；反過來講，傳統(tǒng)引文指標之所以在預測諾貝獎獲得者中存在約57.14%的失敗案例，部分原因可能是傳統(tǒng)引文指標未能測度諾貝爾獎獲得者論文的其他類型影響力，如臨床轉化影響力或臨床轉化潛力。我們提出如下研究問題。

研究問題1：在已知的35位諾貝爾生理學或醫(yī)學獎得主中，被科睿唯安成功預測與未被科睿唯安成功預測的兩組論文集的臨床轉化影響力如何，在“人類（Human）”指標、“動物（Animal）”指標、“分子/細胞（Mol/Cell）”指標、臨床轉化潛力（APT）指標上存在哪些分布特征上的差異？

研究問題2：已知35位諾貝爾生理學或醫(yī)學獎得主中，被科睿唯安成功預測與未被科睿唯安成功預測的兩組論文集的影響力指標、轉化力指標、引文指標之間是否存在顯著差異？

研究問題3：諾貝爾生理學或醫(yī)學獎得主論文集的臨床轉化力和引文等一系列指標之間是否具有相關性？

3.2 研究數據與方法

3.2.1 研究變量及數據

本文選取7個主要研究變量進行統(tǒng)計分析，包括總被引次數、加權相對引用率（weighted RCR）、被臨床論文引用次數、臨床轉化潛力（APT）均值、Human均值、Animal均值、Mol/Cell均值。具體每種指標的英文全稱、測度內容及計算方法如表2所示。

表2 變量測度內容及計算方法

本文對35位諾貝爾生理學或醫(yī)學獎得主，按照作者姓名、單位在PubMed數據庫里檢索作者發(fā)表的全部論文。將每位作者發(fā)表的全部論文的PMID（PubMed unique identifier）號列表提交至iCite平臺檢索，得到每位作者論文集的臨床轉化APT均值、Human均值、Animal均值、Mol/Cell均值以及總被引次數、加權RCR（weighted RCR）、被臨床論文引用次數（cited by Clin.），35位諾貝爾獎獲得者及轉化力指標、引文指標與數據如表3所示。

表3 35位諾貝爾生理學或醫(yī)學獎得主論文轉化力指標以及引文指標

3.2.2 研究方法

首先，將35位諾貝爾生理學或醫(yī)學獎得主分成被預測和未被預測兩組，分別對諾貝爾獎得主的論文集的臨床轉化、被引指標進行描述性統(tǒng)計分析，具體包括最大值、最小值、均值±標準差、中位數等；用三角形模型圖比較被預測組與未被預測組諾貝爾獎獲得者論文的“人類（Human）”指標，“動物（Animal）”指標，“分子/細胞（Mol/Cell）”指標、臨床轉化潛力（APT）指標的分布特征差異。

其次，利用SPSS軟件采用Shapiro-Wilk方法檢驗研究變量的正態(tài)性；并對研究變量進行自然對數、開根號、開立方根、正弦、余弦等數據轉換，直到研究變量非常接近正態(tài)分布；采用T檢驗方法驗證兩組論文集的影響力指標、轉化力指標、引文指標之間是否存在顯著差異。

最后，利用SPSS軟件采用Spearman相關分析方法檢驗研究變量之間的相關關系及顯著性。

4 研究結果

4.1 被預測與未被預測兩組論文集影響力、轉化力指標的分布特征及差異

4.1.1 兩組諾貝爾獎得主論文集引文影響力、臨床轉化力指標的分布特征比較

被預測（15人）與未被預測（20人）兩組論文集的引文影響力、臨床轉化力情況如表4所示。由表4可見，被預測組的發(fā)文數量、加權RCR、總被引次數、APT、被臨床論文引用次數均數均大于未被預測組。在三角形模型計分上，Mol/Cell指標均數大于未被預測組，而Human指標均數和Animal指標均數小于未被預測組。被預測組的發(fā)文數量、RCR、加權RCR、總被引次數、APT、被臨床論文引用次數的中位數均大于未被預測組，在三角形模型計分上，Mol/Cell指標均數的中位數大于未被預測組，而Human指標均數和Animal指標均數的中位數小于未被預測組。

表4 被預測與未被預測兩組論文集的引文影響力、臨床轉化力指標統(tǒng)計分析

總體上來看，被預測組的轉化力和影響力指標的均值和中位數均大于未被預測組。從三角形模型指標上來看，被預測組的Mol/Cell指標較高，Hu‐man指標和Animal指標較低；而未被預測組則是Human和Animal指標較高，Mol/Cell指標較低。研究結果顯示，未被預測組論文集具有較高的Human和Animal指標，但通過基于Web of Science被引次數的諾貝爾獎預測方法無法顯示出其在人類和動物研究方向轉化方面的影響力，可能導致未被引文桂冠獎預測。

4.1.2 被預測與未被預測組諾貝爾獎得主論文集的臨床轉化力的三角形模型比較

在iCite網站上逐一檢索每位諾貝爾生理學或醫(yī)學獎得主的論文集，獲得每位諾貝爾獎得主論文集的三角形模型可視化圖。按照被預測組與未被預測組分別展示，如表5和表6所示。

表5中的展示順序是按照論文集的Human均值從小到大排序的。20位作者三角形模型圖中，排在前面的諾貝爾獎得主論文集的Human均值最小，研究熱點（白色為熱點）均在動物研究方向或者分子/細胞研究方向。從第3排第3個開始，Human均值逐漸成為研究熱點。

表5 未被預測的20位諾貝爾獎得主論文集三角形模型可視化圖

表6中的展示順序是按照論文集的Mol/Cell均值從小到大排序的。被預測的15位作者分為3排展示。第1排作者的研究熱點呈現出僅在人類研究方向或者動物研究方向高熱，其他均較暗的現象。Bruce A Beutler的論文集偏向人類研究。從第3幅圖開始作者的研究方向便開始從動物方向逐漸轉移向分子/細胞研究方向。第2排作者的最后一幅圖，其研究熱點聚焦在分子/細胞研究方向。第3排作者的研究方向完全呈現為分子/細胞研究方向，其他方向顏色暗黑。從表6中可以觀察到，大部分諾貝爾獎獲得者的論文集是偏向分子/細胞研究方向的。

表6 被預測的15位諾貝爾獎得主論文集三角形模型可視化圖

綜上，對比兩組三角形模型圖可以看出，被預測組研究的主要內容偏向于分子/細胞方向，即基于被引次數的引文桂冠獎預測方法成功預測了在分子/細胞研究方向具有較高影響力的生理學或醫(yī)學領域有突出貢獻的專家。而未被預測組研究的主要內容偏向于人類或動物方向，即在臨床轉化影響力方面有突出表現的諾貝爾獎獲得者未被引文桂冠獎預測方法成功預測到。

在表5與表6中，我們列出了每位諾貝爾生理學或醫(yī)學獎得主的主要貢獻，并與三角形模型圖對照顯示。例如，屠呦呦的獲獎原因是“發(fā)現治療瘧疾的新療法”，其論文集的主要研究是動物實驗及臨床應用。Robert G Edwards的獲獎原因是“在試管授精技術方面的發(fā)展”，主要研究內容表現為臨床應用。對比以同一原因獲獎的作者三角形模型圖，如Tu Youyou和Satoshiōmura，其獲獎原因均是“發(fā)現治療絲蟲寄生蟲新療法”，未被引文桂冠獎預測，但仍然獲得諾貝爾獎。Tu Youyou偏向于動物研究，Satoshiōmura偏向于分子/細胞方向。Bruce A Beutler和Jules A Hoffmann獲獎的原因均是“對于先天免疫機制激活的發(fā)現”，均被引文桂冠獎成功預測，但Jules A Hoffmann的研究主要集中在分子/細胞和動物方向，而Bruce A Beutler則涉及人類、動物、分子/細胞3個研究方向。William G Kaelin、Peter J Ratcliffe、Gregg L Semenza獲獎的原因均是“發(fā)現細胞如何感知和適應氧氣供應”，William G Kaelin的研究主要在人類、分子/細胞方向，Peter J Ratcliffe的研究在人類、分子/細胞、動物方向，而Gregg L Semenza則是人類、分子/細胞方向。

這種三角形模型可以清晰地展示每位諾貝爾獎得主論文集在人類研究、動物研究或者分子/細胞研究3個主題上側重的研究方向，三角形模型具備較強的研究主題與研究方向的展示能力，可以通過顏色漸變的方式反映不同維度的研究熱度。

4.2 被預測與未被預測兩組論文集在不同指標上的差異

本文利用SPSS軟件采用Shapiro-Wilk方法檢驗7個研究變量的正態(tài)性。其中，總被引次數、加權RCR、被臨床論文引用次數、Human均值顯著性小于0.05，不服從正態(tài)分布；而APT均值、Animal均值、Mol/Cell均值顯著性大于0.05，服從正態(tài)分布（表7）。

表7 Shapiro-Wilk正態(tài)性檢驗

對研究變量進行自然對數轉換后，所有研究變量已非常接近正態(tài)分布。再采用T檢驗方法驗證兩組論文集在不同指標上的差異顯著性（表8）。

表8 T檢驗方法驗證被預測與未被預測兩組論文集在不同指標上的差異顯著性

在被預測獲獎和未被預測獲獎的兩組間，總被引次數、加權RCR、Mol/Cell均值有顯著差異；而被臨床論文引用次數、APT均值、Human均值、Animal均值無顯著差異。這說明以往的基于引文的方法可以區(qū)分高低被引次數，預測被引次數，反映論文集在分子/細胞相關影響力上的強弱，但無法評價或預測臨床轉化方面的影響力。提示基于引文的傳統(tǒng)諾貝爾獎預測方法與指標對分子/細胞領域的基礎研究成果的影響力測度更為敏感，而對動物實驗和臨床研究影響力缺乏敏感性。

4.3 引文影響力、臨床轉化力指標之間的相關關系

對35位諾貝爾生理學或醫(yī)學獎得主論文集的7種指標進行Spearman相關性檢驗，結果如表9所示。

表9 引文影響力、臨床轉化力指標之間相關性的Spearman檢驗

一般而言，相關系數|r|≥0.8表示高度相關，0.5≤|r|<0.8表示中等相關，0.3≤|r|<0.5表示低相關，|r|<0.3表示不相關。從分析結果可以看出，Mol/Cell均值與總被引次數顯著正相關，而Animal均值與總被引次數顯著負相關，Human均值與總被引次數相關性不顯著?？梢酝普?，諾貝爾獎獲得者中，曾經被科睿唯安授予“引文桂冠獎”、預測為諾貝爾獎獲得者的候選人，可能具有較高的Mol/Cell均值及較低的Animal均值；反過來，可能一些Mol/Cell均值較低，但Human均值或Animal均值較高的具有較大諾貝爾獎獲得潛力的學者通過單一的引文指標未被預測，但最終獲得了諾貝爾獎。這種未被成功預測的占比是20/35=57.14%，超過了半數。由此可見，引文指標只能反映一小部分的學術價值，更多的學術價值，特別是臨床轉化價值是以往文獻計量學被忽視的重要指標。在學者學術影響力評價方面，iCite提供了臨床轉化潛力測度指標，可以補充傳統(tǒng)的引文評價指標，實現在“引文+臨床”兩個或更多維度上，更全面、更準確地預測諾貝爾獎獲得者。

加權RCR與總被引次數顯著正相關；加權RCR與Mol/Cell均值、Animal均值以及Human均值的相關性和總被引次數與三者的相關性表現一致。加權RCR與被臨床論文引用次數，APT均值的相關性較總被引次數與兩者之間的相關性較強。被臨床引用次數與APT均值顯著正相關，與Human均值顯著正相關，與Animal均值顯著負相關，與Mol/Cell均值相關性不顯著。這說明諾貝爾獎獲得者論文集的臨床影響力高的文章內容更傾向于Human研究方向，而Animal研究方向的論文被臨床論文引用的可能性降低。APT均值與Human均值顯著正相關，與被臨床論文引用次數顯著正相關。Human均值、Animal均值以及Mol/Cell均值三者之間，Animal均值與Mol/Cell均值負相關程度最高，為中度負相關；Human均值與Animal均值負相關程度較低，為低度負相關；Human均值與Mol/Cell均值的負相關性不顯著。說明偏向Animal研究方向的諾貝爾獎獲得者論文集，在其他兩個方向較弱；偏向Human研究方向的諾貝爾獎獲得者論文集，與Mol/Cell研究方向較為遠離。

5 討論

5.1 與以往諾貝爾獎相關實證研究的比較

以往相關研究通常為基于引文的諾貝爾獎科學家預測、文獻計量分析、被引特征與合作網絡、引文曲線的研究。例如，王琳等[18]闡釋了基于引文分析法遴選“引文桂冠獎”，預測未來諾貝爾獎獲得者；李正紅等[19]對諾貝爾生理學或醫(yī)學獎獲得者的論文進行了文獻計量分析；章娟等[20]分析了中國科學院院士及諾貝爾獎獲得者獲獎前的SCI論文的被引次數、合作率與合作網絡的節(jié)點中心度，比較了SCI論文的質量和合作情況；杜建等[21]通過結合使用被引速率和延遲承認指數識別諾貝爾獎獲得者論文集中的睡美人文獻；鮑玉芳等[22]分析了諾貝爾獎獲得者獲獎前后的論文數量與被引頻次，及兩者之間的關系；李江等[23]對諾貝爾獎獲得者借助曲線擬合方法構建了引文曲線，如經典引文曲線、指數增長引文曲線，以及3種不規(guī)則引文曲線——睡美人引文曲線、雙峰引文曲線和波型引文曲線。而諾貝爾獎獲得者臨床影響力及評價指標的研究極少，特別是基于引文的科睿唯安“引文桂冠獎”未預測到的科學家最終也獲得諾貝爾獎的緣由很少進行探索性分析。與上述諾貝爾獎相關實證研究不同，本文經過初步探索和分析，認為未考察臨床影響力指標是基于引文的科睿唯安“引文桂冠獎”預測諾貝爾獎失敗的可能原因之一。即使引文影響力不夠出眾，但在臨床影響力方面表現出色，也仍然可以被認為在生理學或醫(yī)學領域做出了杰出貢獻。因此，在諾貝爾獎獲得者預測模式上，如果結合引文影響力及臨床影響力兩個維度評價指標，那么將可能提高諾貝爾獎預測的準確率。

5.2 諾貝爾獎獲得者論文集主題特征與被引次數的關系

本文利用iCite開發(fā)的三角形模型圖展示了35位諾貝爾生理學或醫(yī)學獎獲得者論文在Human、Ani‐mal和Mol/Cell這3個主題分支上的熱度分布?；谝牡谋怀晒︻A測諾貝爾獎組論文集的內容集中在Mol/Cell方向，而未被預測的諾貝爾獎組論文集的內容集中在Human或Animal方向。預測組與未被預測組的T檢驗也發(fā)現，基于引文的諾貝爾獎預測方法成功預測了在Mol/Cell研究方向具有較高影響力的生理學或醫(yī)學領域有突出貢獻的專家。相關分析也發(fā)現，被引次數與Mol/Cell顯著正相關，與Animal顯著負相關，與Human相關性不顯著。由此可見，重點研究Mol/Cell的基礎研究成果在引文上具有較強優(yōu)勢，而Human或Animal研究方向的臨床或動物實驗論文在引文上處于相對劣勢。這從一定程度上反映出引用指標嚴重偏向基礎研究論文的現象。

5.3 iCite平臺與APT相關指標將促進論文臨床影響力的評價

諾貝爾獎遴選過程被全世界公認為是最公平、最客觀的科研評價模式[24-25]，其優(yōu)于傳統(tǒng)的基于引文的定量評價模型，可能部分原因在于以往的定量分析僅局限在引文分析視角，忽略了科研成果在學術以外的各個領域的多維度貢獻。就生理學或醫(yī)學而言，臨床影響力是不容忽視的重要評價維度?；谝牡膶W術影響力評價存在數十年之久，其他維度影響力，特別是臨床影響力評價的空缺，在很大程度上是因為缺乏可靠的相關指標和數據檢索工具。這也阻礙了相關學者與機構從更廣的視角、更多的維度進行科研評價。NIH相關機構開發(fā)的iCite數據庫平臺及臨床轉化潛力及被臨床試驗引用次數等指標，為從臨床影響力維度進行科研評價或學者評價提供了重要數據與查詢工具，值得科學計量學領域學者進一步深入挖掘與研究。

5.4 優(yōu)化論文臨床影響力評價及預測指標

在臨床轉化的測度上，iCite平臺上僅有臨床轉化潛力APT和被臨床試驗引用次數兩個指標，更豐富的臨床轉化預測指標有待進一步開發(fā)與研究。APT指標評價的是一篇論文將來被臨床試驗或指南引用的可能性，這并不能等價于論文最終導致了人類健康狀況的顯著改善。臨床轉化是一個復雜的過程，經歷的也絕不是線性路徑，因此，對臨床影響力的評價和預測均有較大的難度。臨床轉化一般是從基礎生物學研究開始，通過證明干預措施的臨床有效性（如新藥開發(fā)），再到檢測臨床療效（如藥物對臨床結局的影響），最后到評估對提高人民健康水平（如大范圍臨床研究、成本效益研究）的實際效果。那么，對基礎研究成果的臨床轉化方面的量化就需要借助轉化路徑上的標記物，如引文里程碑。從科學轉化視角來看，臨床試驗、臨床實踐指南、臨床觀察研究等可視為臨床轉化過程的中間標記物，如果論文被這些特殊類型成果引用，那么可以被認為是到達了一定的臨床引文里程碑。綜合考慮論文被各個標記物的引用所代表的臨床影響力，建立評價或預測模型，可能會實現對論文臨床影響力評價及預測指標的優(yōu)化。

5.5 破除“SCI至上”的負面影響，鼓勵將論文發(fā)表在祖國大地上

2020年2月，教育部、科技部印發(fā)《關于規(guī)范高等學校SCI論文相關指標使用，樹立正確評價導向的若干意見》（教科技〔2020〕2號），指出SCI指標及排名“不是評價學術水平與創(chuàng)新貢獻的直接依據”。諾貝爾獎獲得者的代表性論文并不是均被SCI收錄，一些發(fā)表在普通期刊上的論文對學科研究領域也具有重要創(chuàng)新與科學價值。例如，中國藥學家屠呦呦因發(fā)現青蒿素治療瘧疾新方法而獲得2015年諾貝爾生理學或醫(yī)學獎。經檢索，屠呦呦于1981年在《藥學學報》上發(fā)表了一篇題為《中藥青蒿化學成分的研究》（Studies on the constituents ofArtemisia annuaL.）的中文論文[26]，目前被PubMed數據庫收錄（PMID：7246183）。雖然屠呦呦的代表作未發(fā)表在SCI源期刊，但仍然不能否認其在醫(yī)學和藥學領域的杰出貢獻。在2020年的新冠肺炎疫情期間，科技部下發(fā)通知，要求把論文寫在祖國大地上，把研究成果應用到戰(zhàn)勝疫情中[27]。2018年以來，開發(fā)和編制我國高質量科技期刊分級目錄被提到重要日程。2019年8月，中國科協(xié)等四個部門聯合印發(fā)培育世界一流科技期刊的意見，之后發(fā)布并多次更新《高質量科技期刊分級目錄》。2021年11月，中國科協(xié)發(fā)布《高質量科技期刊分級目錄總匯》[28]，覆蓋24大領域，5147種中英文期刊，對推動同等水平的國內外期刊等效使用，引導我國科技工作者將優(yōu)秀成果發(fā)表在我國高質量科技期刊具有重要的應用價值。

5.6 研究的不足之處

在iCite數據庫中可以用PMID號檢索PubMed數據庫收錄論文的臨床轉化潛力等指標，但無論是影響力指標還是臨床轉化指標，均限制在1980年到最新影響因子發(fā)表年。這對時間久遠以及時間跨度較大的研究成果的檢索造成了一定的影響。本文選取的35位諾貝爾獎得主發(fā)表的論文如果是在1980年以前或2020年以后，那么這些論文是無法在iCite數據庫中檢索到的，這導致個別諾貝爾獎得主最初和最新研究的論文未檢索得到計量數據。

6 結論

本文較為系統(tǒng)地梳理了NIH開發(fā)的臨床轉化潛力值的基本假設、模型構建、算法與檢索平臺。通過對已知的35位諾貝爾生理學或醫(yī)學獎得主論文進行實證分析，發(fā)現被科睿唯安成功預測與未被科睿唯安成功預測的兩組論文集在被引用次數、加權RCR及Mol/Cell指標上存在顯著差異，在臨床轉化相關指標APT和Cited by Clin.及Animal、Human指標上差異不顯著。引文指標在反映分子細胞相關基礎研究影響力上具有較強優(yōu)勢，但對臨床研究與動物實驗研究的影響力測度缺乏敏感性。因此，提高科研評價體系的公信力，必須考慮補充除基于引文指標以外的其他指標[29-32]。未來的科研評價理論將更重視對成果臨床轉化潛力的評價，我國相關機構與部門也需要借鑒APT的模型構建算法，開發(fā)適合我國期刊論文臨床轉化力的評價與預測指標，建設本土相關數據檢索平臺，進而推進引文與臨床轉化相結合的科研產出影響力評價新模式。