劉曉娟 王晨琳 吳鑫梅

(北京師范大學(xué) 政府管理學(xué)院 北京 100875)

0 引 言

社交媒體是允許用戶進(jìn)行內(nèi)容創(chuàng)造、分享和討論的交互式平臺，為學(xué)術(shù)信息交流和學(xué)術(shù)成果傳播提供了有效媒介[1]。自2010年提出Altmetrics以來，學(xué)界便開始基于社交媒體平臺探索學(xué)術(shù)文獻(xiàn)的社會影響力，特別是圍繞Altmetric.com每年發(fā)布的最受關(guān)注TOP100文章(通常稱為Altmetrics熱點論文[2])展開研究。社交媒體中提及、轉(zhuǎn)發(fā)、提醒、關(guān)注等功能使得相關(guān)用戶圍繞這些熱點論文形成了豐富的交互行為，構(gòu)成一個包含了用戶、論文、UGC數(shù)據(jù)以及多種關(guān)系的信息交互網(wǎng)絡(luò)，推動熱點論文在社交媒體上的傳播擴(kuò)散，提高其社會影響力。

目前學(xué)界已陸續(xù)從Altmetrics聚合器提供的數(shù)據(jù)的可用性[3]、用戶動機(jī)[4]等視角探索數(shù)據(jù)的產(chǎn)生機(jī)制和指標(biāo)的實際價值，力求打破Altmetrics的“黑箱”狀態(tài)。然而已有研究多局限于靜態(tài)角度，而社交媒體平臺的信息流動過程是動態(tài)的且內(nèi)容豐富，蘊(yùn)含著指標(biāo)數(shù)值的來龍去脈，社會網(wǎng)絡(luò)分析可對這一過程進(jìn)行抽象，使得網(wǎng)絡(luò)特征和規(guī)律被更直觀地呈現(xiàn)。通過梳理文獻(xiàn)發(fā)現(xiàn)，當(dāng)前研究主要圍繞社會媒體用戶的交互特征和學(xué)科領(lǐng)域的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析。

部分學(xué)者通過社會網(wǎng)絡(luò)分析識別用戶在信息交互網(wǎng)絡(luò)中承擔(dān)的角色和行為特點，如Hoffmann等[5]使用特征向量中心性對用戶進(jìn)行排名，研究管理學(xué)領(lǐng)域的核心用戶網(wǎng)絡(luò)；Lutz等[6]對ResearchGate粉絲和好友網(wǎng)絡(luò)進(jìn)行分析，研究學(xué)者資歷與出版物影響力、社交媒體影響力的相關(guān)性，以及它們對網(wǎng)絡(luò)中心性的作用；Jordan等[7]發(fā)現(xiàn)Academia.edu上科研用戶通過與他人的互動進(jìn)而關(guān)注了一些陌生人；Said等[8]基于2015年Altmetrics熱點論文的Twitter數(shù)據(jù)構(gòu)建了用戶轉(zhuǎn)發(fā)和@網(wǎng)絡(luò)，發(fā)現(xiàn)知名期刊和領(lǐng)域知名學(xué)者通常就是高影響力用戶。

某個/多個學(xué)科領(lǐng)域的信息交互網(wǎng)絡(luò)的內(nèi)外部結(jié)構(gòu)特點也是學(xué)者關(guān)注的焦點，如Kim等[9]構(gòu)建了Twitter中天體物理學(xué)家的社交網(wǎng)絡(luò)并進(jìn)行分析，發(fā)現(xiàn)該群體傾向于與學(xué)術(shù)型用戶進(jìn)行交流，交流對象包括同事、科學(xué)傳播者、其他研究人員以及教育工作者，但通常不會@彼此。Imran等[10]使用2015年的Altmetrics數(shù)據(jù)研究了Twitter轉(zhuǎn)發(fā)和@網(wǎng)絡(luò)，發(fā)現(xiàn)藝術(shù)人文、經(jīng)濟(jì)和計算機(jī)等領(lǐng)域用戶容易形成小團(tuán)體，通常只在小圈子里交流觀點；而工程、環(huán)境和醫(yī)學(xué)等領(lǐng)域用戶的學(xué)科交叉性很高，活躍在多個社群。

已有研究中的網(wǎng)絡(luò)關(guān)系主要包括用戶間關(guān)注、@和轉(zhuǎn)發(fā)等行為；節(jié)點則通常包括所有用戶，或僅對用戶的學(xué)科類型進(jìn)行劃分，缺少對重點群體的關(guān)注，比如作者、出版方等與論文存在直接利益關(guān)系的用戶，即“Altmetrics利益相關(guān)者”[11]。利益相關(guān)者存在特殊的提及動機(jī)，他們的交互行為可能會對Altmetrics指標(biāo)數(shù)值產(chǎn)生影響，因此圍繞利益相關(guān)者衍生而成的社會網(wǎng)絡(luò)更具研究價值。

本文聚焦于Altmetrics熱點論文的利益相關(guān)者，對該群體在Twitter上的信息交互模式和關(guān)系網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行研究，分析Altmetrics數(shù)據(jù)背后的社交媒體網(wǎng)絡(luò)，從而還原學(xué)術(shù)成果在社交媒體上的信息傳播方向和形式，進(jìn)一步揭示Altmetrics指標(biāo)的數(shù)據(jù)累積過程，以期對學(xué)術(shù)成果傳播的特點和機(jī)制有更深層次的把握，為學(xué)術(shù)評價提供更豐富的數(shù)據(jù)與研究視角。本文試圖解決以下問題：論文在Twitter中的傳播受哪些類型用戶的影響？這些用戶分別承擔(dān)何種角色？利益相關(guān)者與其他類型用戶如何交互？關(guān)系強(qiáng)度如何？基于不同性質(zhì)的用戶節(jié)點可以劃分成哪些子網(wǎng)絡(luò)？這些子網(wǎng)絡(luò)的內(nèi)部用戶結(jié)構(gòu)、交互模式有何特征？子網(wǎng)絡(luò)間如何進(jìn)行信息傳播？

1 研究設(shè)計

1.1數(shù)據(jù)采集Twitter是學(xué)術(shù)成果傳播最活躍的社交媒體[12]。對Twitter中的Altmetrics數(shù)據(jù)進(jìn)行分析更具代表性[13]，因此本文利用python獲取2019年熱點論文的Twitter提及數(shù)據(jù)共188 653條(獲取時間2020-01-19)。采用相似度識別算法(80%以上)加以人工監(jiān)督，獲取用戶昵稱、用戶名、Twitter認(rèn)證以及個人簡介等信息，并與論文的直接利益相關(guān)者(即作者和出版方)進(jìn)行匹配，識別出該群體發(fā)布的推文共1 032條，其中包含@和RT@的578條推文，覆蓋44篇論文，9個學(xué)科領(lǐng)域。

1.2研究方法社會網(wǎng)絡(luò)分析法可以揭示Altmetrics計數(shù)過程，相比于對指標(biāo)數(shù)據(jù)進(jìn)行單一維度的描述性統(tǒng)計，對Altmetrics數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)研究的結(jié)構(gòu)更立體、層次更多樣。因此，本研究運用社會網(wǎng)絡(luò)分析方法，研究Altmetrics熱點論文在Twitter上利益相關(guān)者群體的信息交互模式。具體來說，一方面對個體間的交互模式進(jìn)行分析，識別不同用戶類型在網(wǎng)絡(luò)中承擔(dān)的角色和用戶之間信息流動的基本路徑，包括交互對象、交互形式、交互強(qiáng)度和信息流向；另一方面對群體間的交互模式進(jìn)行探索，研究不同性質(zhì)節(jié)點所形成的子網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)特征和子網(wǎng)絡(luò)間的關(guān)聯(lián)方式，從而進(jìn)一步探知利益相關(guān)者信息交互行為背后代表的文獻(xiàn)信息的流動規(guī)律，挖掘Altmetrics數(shù)據(jù)實際價值，分析論文的真實社會影響力。

1.3信息交互網(wǎng)絡(luò)構(gòu)建

1.3.1 基礎(chǔ)結(jié)構(gòu) 在基于Twitter的Altmetrics利益相關(guān)者信息交互網(wǎng)絡(luò)中，節(jié)點主要包括用戶(即Twitter賬戶)、學(xué)術(shù)成果(如論文、專利、圖書等)和相應(yīng)的UGC數(shù)據(jù)(用戶產(chǎn)生內(nèi)容，如推文、評論等)；用戶間關(guān)系主要為關(guān)注和被關(guān)注，用戶-UGC間關(guān)系為發(fā)布、轉(zhuǎn)發(fā)、評論等，用戶-學(xué)術(shù)成果間為利益相關(guān)、興趣相關(guān)等，UGC-學(xué)術(shù)成果間關(guān)系主要為提及。

從節(jié)點層面，學(xué)術(shù)成果生產(chǎn)者(即作者)和發(fā)布者(即出版方，包括期刊和出版商)與學(xué)術(shù)成果之間存在最直接的利益關(guān)系，前者有個人學(xué)術(shù)影響力的評價需求，后者有成果利用追蹤的評價需求[14]。他們在社交媒體平臺提及學(xué)術(shù)成果的動機(jī)最為復(fù)雜。本文所述的“利益相關(guān)者”僅包括作者和出版方，以此為基礎(chǔ)節(jié)點向其他類型的社交媒體用戶擴(kuò)展和輻射，非(直接)利益相關(guān)用戶節(jié)點包括學(xué)術(shù)同行、研究機(jī)構(gòu)、新聞媒體、政府部門、社會組織和其他，這兩大類主體共同構(gòu)成利益相關(guān)者網(wǎng)絡(luò)的用戶節(jié)點。

表1Altmetrics利益相關(guān)者信息交互網(wǎng)絡(luò)中用戶類型

從關(guān)系層面，提醒他人關(guān)注和轉(zhuǎn)發(fā)是社交媒體用戶間的重要關(guān)系。在UGC中提醒他人關(guān)注主要為了向特定用戶發(fā)布與之相關(guān)的信息[15]，促進(jìn)原UGC的宣傳和傳播以引導(dǎo)其他用戶查看[16]。Twitter中的@和RT@分別對應(yīng)提醒他人關(guān)注和轉(zhuǎn)發(fā)，利益相關(guān)者發(fā)布或轉(zhuǎn)發(fā)了提及自身學(xué)術(shù)成果的推文，并可@非利益相關(guān)用戶，后者則可對該推文進(jìn)行轉(zhuǎn)發(fā)、評論等操作，共同形成Altmetrics利益相關(guān)者信息交互網(wǎng)絡(luò)(圖1)，實現(xiàn)社交平臺上的學(xué)術(shù)成果信息傳播。

圖1Altmetrics利益相關(guān)者信息交互網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)示意圖

表2Altmetrics利益相關(guān)者信息交互網(wǎng)絡(luò)抽象圖(示例)

1.3.2 度量指標(biāo) 結(jié)合研究問題和已有文獻(xiàn)，將網(wǎng)絡(luò)度量指標(biāo)分為內(nèi)容、結(jié)構(gòu)和節(jié)點三個維度(表3)，分析不同用戶的網(wǎng)絡(luò)角色、交互對象、強(qiáng)度以及子網(wǎng)絡(luò)特征。

表3Altmetrics利益相關(guān)者信息交互網(wǎng)絡(luò)的度量指標(biāo)及含義

2 分析與討論

2.1網(wǎng)絡(luò)整體結(jié)構(gòu)基于樣本數(shù)據(jù)構(gòu)建利益相關(guān)者信息交互網(wǎng)絡(luò)，采用Gephi對其進(jìn)行分析。從推文內(nèi)容特征維度，該網(wǎng)絡(luò)的分享程度為44%，推薦程度為22.63%，傳播程度為33.37%。從推文整體結(jié)構(gòu)維度，對包含@和RT@的數(shù)據(jù)進(jìn)行處理后得到由426個節(jié)點以及470條邊組成的有向圖。網(wǎng)絡(luò)直徑=10，平均度=1.108，平均路徑長度=3.028，網(wǎng)絡(luò)直徑=10，圖密度(網(wǎng)絡(luò)密度)=0.03，平均聚類系數(shù)=0.027，弱連通分量=27，強(qiáng)連通分量=402，模塊化指數(shù)=0.855(37個社區(qū))。

從圖密度值和平均聚類系數(shù)可看出，該網(wǎng)絡(luò)相對稀疏，這是因為樣本數(shù)據(jù)涉及了多種學(xué)科領(lǐng)域，較大的學(xué)科跨度導(dǎo)致交互強(qiáng)度較低。但稀疏網(wǎng)絡(luò)中又存在一定的聚集效應(yīng)，主要由跨學(xué)科利益相關(guān)者與非利益相關(guān)用戶的聯(lián)系形成，比如《Nature》推送了五篇論文的相關(guān)信息，這些論文來自心理學(xué)、社會學(xué)等領(lǐng)域，可將不同學(xué)科的用戶節(jié)點聯(lián)系起來。另一方面，從強(qiáng)連通分量數(shù)、模塊化指數(shù)、平均路徑長度和平均度等指標(biāo)可看出，該網(wǎng)絡(luò)具有典型的“小世界”、高聚集的特點，基于利益相關(guān)者形成不同模式的子網(wǎng)絡(luò)。

2.2個體交互模式分析

2.2.1 用戶角色識別 本文通過中心性來度量節(jié)點的重要性或影響力，識別用戶在網(wǎng)絡(luò)中承擔(dān)的角色。按照用戶類型劃分，對所有節(jié)點的指標(biāo)取均值，分析結(jié)果見表4。

表4 各類型用戶中心性分析

a.核心用戶。作者和出版方作為基礎(chǔ)節(jié)點，點度中心性高于非利益相關(guān)用戶，反映出該網(wǎng)絡(luò)中利益相關(guān)者較注重與非利益相關(guān)用戶的交流和互動。除作者和出版方外，學(xué)術(shù)同行的入度最高，研究機(jī)構(gòu)的出度最高，分別為0.78和1.27，反映二者對該網(wǎng)絡(luò)的信息傳播具有重要作用。此外，節(jié)點的接近中心性越大，表明該節(jié)點憑借其所擁有的信息資源、權(quán)力等要素與其他節(jié)點的聯(lián)系越緊密，在網(wǎng)絡(luò)中越處于中心位置。出版方的接近中心性高達(dá)139，奠定了其在網(wǎng)絡(luò)中的絕對核心地位，隨后是作者(57)，其余類型用戶的接近中心性均未超過1，依次為學(xué)術(shù)同行、研究機(jī)構(gòu)和新聞媒體，而社會組織和政府部門的接近中心性為0。

b.橋梁用戶。用戶節(jié)點中介中心性越高，則該節(jié)點對其他節(jié)點的控制能力和影響程度越強(qiáng)，在網(wǎng)絡(luò)中處于信息傳播的樞紐位置，稱為橋梁用戶。從表3可明顯看出，政府部門的中介中心性最高(0.11)，其次為新聞媒體(0.07)，作者和出版方的中介中心性卻不高。因此政府部門和新聞媒體在該網(wǎng)絡(luò)中占據(jù)著相對重要的連接性位置，對網(wǎng)絡(luò)中各節(jié)點的交互起到控制和促進(jìn)作用，各類用戶間的交流在較大程度上或直接或間接地依賴于這兩類用戶。

2.2.2 基本路徑統(tǒng)計 利益相關(guān)者與各類用戶之間共存在25種交互方式，代表不同的信息流路徑。由表5可知，利益相關(guān)者之間的互動強(qiáng)度較高。一方面，同類利益相關(guān)者之間存在互相@和轉(zhuǎn)發(fā)的關(guān)系，且關(guān)系強(qiáng)度(邊權(quán)和)均大于等于中值(17)，信息流形成自環(huán)。另一方面，非同類利益相關(guān)者之間也會互相@和轉(zhuǎn)發(fā)，關(guān)系強(qiáng)度分別為：作者@出版方(34)，作者RT@出版方(28)，出版方@作者(22)和出版方RT@作者(5)，可見作者對出版方的關(guān)注程度比出版方對作者的關(guān)注程度更高。作者與非利益相關(guān)用戶的交互明顯比出版方的種類更多，頻率也更高。

除了作者和出版方，學(xué)術(shù)同行是最重要的信息提供者，作為同領(lǐng)域的學(xué)者，對論文內(nèi)容和價值的見解相對非利益相關(guān)用戶更全面，其推文主要對論文的過程和結(jié)論進(jìn)行概述，比如@M_Stamatakis在推文中提及論文結(jié)論“運動與抗高血壓藥物可降低收縮壓……”；此外，學(xué)術(shù)同行還會通過推文表達(dá)對論文及作者的認(rèn)可和支持，比如@MiettinenTopi在推文中提到“我們很高興看到@MichelAMarechal提出的論文……”，作者和出版方都常從學(xué)術(shù)同行處轉(zhuǎn)發(fā)提及了自己學(xué)術(shù)成果的推文。研究機(jī)構(gòu)是最重要的信息接收者，作者和出版方都傾向于在推文中@相關(guān)研究機(jī)構(gòu)。新聞媒體、政府部門和社會組織也較常被作者@，屬于比較重要的信息接收者，但是出版方與這些類型用戶互動甚少。

表5 利益相關(guān)者與各類用戶間的信息流路徑統(tǒng)計

續(xù)表5 利益相關(guān)者與各類用戶間的信息流路徑統(tǒng)計

2.3群體交互模式分析Altmetrics利益相關(guān)者信息交互網(wǎng)絡(luò)中存在由于個體聯(lián)系緊密或同屬性節(jié)點聚集而形成界線明顯的小團(tuán)體現(xiàn)象。為了進(jìn)一步揭示這些子網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)，分析節(jié)點間潛在或?qū)嵈娴年P(guān)系模式及強(qiáng)度，本文選擇k核凝聚子群算法和基于學(xué)科屬性的模塊化分析算法進(jìn)行分析。前者建立在個體節(jié)點的鄰接性、接近度和可達(dá)性的基礎(chǔ)上，具有相對強(qiáng)、直接、緊密、經(jīng)?；蚍e極的關(guān)系[24]，可發(fā)掘個體在子網(wǎng)絡(luò)中的具體定位和重要程度；后者則用于檢測學(xué)科社區(qū)，側(cè)重發(fā)現(xiàn)同學(xué)科用戶群體之間的行為、聯(lián)系和互動，個體之間無需存在直接或間接聯(lián)系。

2.3.1 k核凝聚子群探索 k核凝聚子群意味著子網(wǎng)絡(luò)中的節(jié)點都至少與該子圖中k個其他節(jié)點鄰接。當(dāng)k=2時，共形成7個小團(tuán)體，如圖2所示，淺色邊為@，深色邊為RT@，箭頭表示信息流向，邊粗細(xì)代表關(guān)系強(qiáng)度。

圖2k核凝聚子群分析(k=2)

表6對圖2中的7個子群的節(jié)點數(shù)量和涉及的用戶類型進(jìn)行統(tǒng)計，可以發(fā)現(xiàn)，子群涉及的用戶類型最多5種，最少1種；包含的節(jié)點數(shù)最多有50個，最少僅有1個節(jié)點。結(jié)合邊的類型、權(quán)重以及信息流向來看，凝聚子群的構(gòu)成一般包括作者和出版方兩類，但這二者也可以獨自形成凝聚子群，比如子群#6和子群#7分別為作者賬戶、出版方賬戶在推文中@自己，以及對自己的推文進(jìn)行轉(zhuǎn)發(fā)。同一子群中的利益相關(guān)者之間的聯(lián)系十分緊密，但不同子群中的利益相關(guān)者的交互方式和強(qiáng)度存在區(qū)別，比如子群#4中作者和出版方之間既有@也有轉(zhuǎn)發(fā)，而子群#3中的作者-出版方僅有轉(zhuǎn)發(fā)關(guān)系；子群#2中的作者間轉(zhuǎn)發(fā)強(qiáng)度比@的強(qiáng)度更高，而子群#1作者間轉(zhuǎn)發(fā)強(qiáng)度更低。子群#1、#2、#5的用戶類型較為豐富，研究機(jī)構(gòu)的推文在子群#1和#5中常被作者@和被出版方轉(zhuǎn)發(fā)，在子群#2中被多位作者轉(zhuǎn)發(fā)；學(xué)術(shù)同行在子群#1和#2中與利益相關(guān)者的關(guān)系均是轉(zhuǎn)發(fā)；新聞媒體在子群#1中被三位作者@，體現(xiàn)了作者們希望自己的論文能夠通過媒體的宣傳進(jìn)一步擴(kuò)散。總而言之，不同凝聚子群中的用戶節(jié)點數(shù)量、類型以及交互對象、強(qiáng)度等特征都存在一定的差異，除了利益相關(guān)者之外，研究機(jī)構(gòu)、學(xué)術(shù)同行和新聞媒體等非利益相關(guān)用戶也在各個凝聚子群中發(fā)揮較為關(guān)鍵的信息流通作用。

表6 凝聚子群內(nèi)部節(jié)點分析

2.3.2 學(xué)科社區(qū)檢測 社區(qū)檢測揭示了異構(gòu)網(wǎng)絡(luò)中不同性質(zhì)、類型的節(jié)點形成的子網(wǎng)絡(luò)情況[25]，本研究基于模塊化指標(biāo)進(jìn)行社區(qū)檢測，共得到37個社區(qū)，最終呈現(xiàn)節(jié)點覆蓋率在4%以上的8個主要社區(qū)，為進(jìn)一步探索社區(qū)間關(guān)系的形成原因和社區(qū)內(nèi)部的學(xué)科結(jié)構(gòu)，在Gephi中呈現(xiàn)社區(qū)節(jié)點的學(xué)科屬性(圖3左)。有如下發(fā)現(xiàn)：

a.從醫(yī)藥健康學(xué)社區(qū)#3、#7、#9和#29的聯(lián)系模式可以看出，同類學(xué)科存在“小團(tuán)體”的現(xiàn)象，這些學(xué)術(shù)小團(tuán)體構(gòu)成了不同的社區(qū)，這些社區(qū)主要通過同學(xué)科“作者-出版方-作者”或者“出版方-作者-出版方”的結(jié)構(gòu)形成跨社區(qū)聯(lián)系，本質(zhì)上是仍是同領(lǐng)域的內(nèi)部交流，但也可能存在類似社區(qū)#6的孤島型社區(qū)。

b.學(xué)科社區(qū)的內(nèi)部規(guī)范、慣例和社會分享的觀點見解等情境對社區(qū)信息的傳播模式存在影響。不同學(xué)科社區(qū)內(nèi)部結(jié)構(gòu)有所區(qū)別。比如環(huán)境學(xué)的大型社區(qū)#23由核心作者主導(dǎo)；而醫(yī)藥健康學(xué)的大型社區(qū)#7則主要由出版方主導(dǎo)。即使是同類學(xué)科，不同社區(qū)的用戶類型構(gòu)成和行為模式也存在差異。比如社區(qū)#7有明顯的核心出版方和核心作者，存在@和RT兩種直接交互方式；而社區(qū)#3和#9沒有明顯的核心用戶，關(guān)系強(qiáng)度也不高，節(jié)點的重要性趨同；社區(qū)#6和#29的用戶則都緊密圍繞在核心作者周圍，網(wǎng)絡(luò)呈現(xiàn)向外輻射狀，其中社區(qū)#6主要為@關(guān)系，而社區(qū)#29主要為轉(zhuǎn)發(fā)關(guān)系。

c.作為社交媒體上的虛擬社區(qū)，學(xué)科社區(qū)除了上述由單一學(xué)科的用戶形成的社區(qū)，還存在由多學(xué)科用戶共同組成的社區(qū)。這種社區(qū)由于用戶所屬學(xué)科的多樣性，知識結(jié)構(gòu)更為豐富和復(fù)雜。比如社區(qū)#22由醫(yī)藥健康學(xué)和生物學(xué)兩種學(xué)科構(gòu)成，核心作者屬于醫(yī)藥健康學(xué)，出版方則來自生物學(xué)；社區(qū)#5涉及的學(xué)科種類較多，核心作者屬于社會學(xué)領(lǐng)域，核心出版方屬于醫(yī)藥健康學(xué)，此外還包含了生物學(xué)和環(huán)境學(xué)的用戶。

圖3 主要學(xué)科社區(qū)分布(左)和其他學(xué)科社區(qū)分布(右)

由于地球科學(xué)、心理學(xué)、經(jīng)濟(jì)學(xué)、物理學(xué)、信息與計算科學(xué)的社區(qū)分布情況未在上述8個主要社區(qū)中顯示，因此調(diào)整模塊化指標(biāo)的范圍，直到九種學(xué)科完全呈現(xiàn)。從圖3(右)可看出，醫(yī)藥健康學(xué)-經(jīng)濟(jì)學(xué)、醫(yī)藥健康學(xué)-心理學(xué)-地球科學(xué)、醫(yī)藥健康學(xué)-社會學(xué)-環(huán)境學(xué)和醫(yī)藥健康學(xué)-社會學(xué)-生物學(xué)進(jìn)行了跨學(xué)科交流，形成了學(xué)科間的信息傳播鏈，而信息與計算機(jī)科學(xué)、物理學(xué)這兩個學(xué)科相對獨立?？傮w而言，各學(xué)科在整體網(wǎng)絡(luò)中的交互程度和強(qiáng)度較低，醫(yī)藥健康學(xué)與經(jīng)濟(jì)學(xué)、心理學(xué)、地球科學(xué)、生物學(xué)、環(huán)境學(xué)和社會學(xué)的利益相關(guān)者之間存在直接或間接聯(lián)系，但呈現(xiàn)低耦合性，關(guān)系也并不十分緊密；而信息與計算科學(xué)、物理學(xué)則是形成相對孤立的子社區(qū)，這些學(xué)科的利益相關(guān)者通常僅在各自學(xué)科社區(qū)中進(jìn)行交互，更側(cè)重在社區(qū)內(nèi)部與學(xué)術(shù)同行或研究機(jī)構(gòu)的信息分享與傳遞。

3 結(jié)論與展望

本研究選用2019年Altmetrics熱點論文在Twitter上的用戶交互數(shù)據(jù)，以作者和出版方兩類利益相關(guān)者為基礎(chǔ)節(jié)點向非利益相關(guān)用戶節(jié)點輻射，構(gòu)建Altmetrics利益相關(guān)者信息交互網(wǎng)絡(luò)，使用社會網(wǎng)絡(luò)分析方法對目標(biāo)用戶群體的交互模式進(jìn)行全分析。主要有如下發(fā)現(xiàn)：

a.從網(wǎng)絡(luò)結(jié)構(gòu)來看，該網(wǎng)絡(luò)可以抽象為有向加權(quán)網(wǎng)絡(luò)，可以從數(shù)據(jù)內(nèi)容和結(jié)構(gòu)兩個方面、9種度量指標(biāo)刻畫整體結(jié)構(gòu)。該網(wǎng)絡(luò)屬于稀疏型網(wǎng)絡(luò)，但同時存在一定數(shù)量的小團(tuán)體，包括37個社區(qū)，8個主要社區(qū)，7個2核凝聚子群，團(tuán)體內(nèi)部的交互強(qiáng)度較高，聯(lián)系較為緊密。

b.從個體交互模式來看，在用戶角色層面，作者和出版方的點度中心性和接近中心性遠(yuǎn)高于非利益相關(guān)用戶，屬于核心用戶。但非利益相關(guān)用戶也起著關(guān)鍵的聯(lián)通作用，比如政府部門和新聞媒體的中介中心性超過作者與出版方，在網(wǎng)絡(luò)中占據(jù)多方的信息流通要道，屬于橋梁用戶，影響著熱點論文的擴(kuò)散效果。在信息流路徑層面，該網(wǎng)絡(luò)的節(jié)點-關(guān)系組合類型多樣，關(guān)系強(qiáng)度跨幅較大。對利益相關(guān)者與非利益相關(guān)用戶間的25種交互方式進(jìn)行分析，發(fā)現(xiàn)作者和出版方均出現(xiàn)自環(huán)，且前者與非利益相關(guān)用戶的交互程度明顯高于后者，學(xué)術(shù)同行和研究機(jī)構(gòu)分別承擔(dān)最重要的信息提供者和接收者的角色。

c.從群體交互模式來看，根據(jù)不同性質(zhì)的用戶節(jié)點可形成凝聚子群和學(xué)科社區(qū)兩種形式的子網(wǎng)絡(luò)。在不同凝聚子群中，同一類型利益相關(guān)者的交互對象偏好和強(qiáng)度存在差異。在不同學(xué)科社區(qū)中，內(nèi)外部的網(wǎng)絡(luò)結(jié)構(gòu)受到學(xué)科分布和核心用戶類型的影響。其中醫(yī)藥健康學(xué)與經(jīng)濟(jì)、心理、地球、生物、環(huán)境、社會學(xué)等領(lǐng)域用戶之間存在直接或間接的交互關(guān)系，但強(qiáng)度不大；而信息與計算科學(xué)、物理學(xué)則相對孤立，傾向于學(xué)科社區(qū)內(nèi)部的分享與交流。

根據(jù)上述發(fā)現(xiàn)，Altmetrics的研究者和使用者可參考本研究發(fā)現(xiàn)的網(wǎng)絡(luò)特征，緊密圍繞Altmetrics指標(biāo)的應(yīng)用價值對指標(biāo)數(shù)據(jù)進(jìn)行賦權(quán)，比如由作者和出版方兩種利益相關(guān)者自推廣而產(chǎn)生的Twitter提及量導(dǎo)致實際影響力水平虛高，因此可以降權(quán)；而由學(xué)術(shù)同行、研究機(jī)構(gòu)等非利益相關(guān)用戶產(chǎn)生的提及量則可以根據(jù)與利益相關(guān)者交互的關(guān)系強(qiáng)度適當(dāng)提高權(quán)重，從而使學(xué)術(shù)評價的結(jié)果充分體現(xiàn)各類用戶主體對于學(xué)術(shù)成果或作者的態(tài)度。除了利益相關(guān)者之外，后續(xù)研究還可關(guān)注網(wǎng)絡(luò)水軍等類型的特殊用戶，將其作為基礎(chǔ)節(jié)點進(jìn)行輻射構(gòu)建相應(yīng)Altmetrics信息傳播網(wǎng)絡(luò)；除了@和轉(zhuǎn)發(fā)外，節(jié)點關(guān)系還包括點贊、評論、關(guān)注等，對應(yīng)地，關(guān)系權(quán)重可以用點贊數(shù)、評論數(shù)、粉絲量等指標(biāo)進(jìn)行表示。未來還可以結(jié)合社會學(xué)、心理學(xué)的理論知識，比如從用戶的交互動機(jī)角度對Altmetrics的用戶網(wǎng)絡(luò)進(jìn)行更深、更廣的理論與實證研究，以便繼續(xù)深入探索指標(biāo)的形成機(jī)制，從而進(jìn)一步充實Altmetrics方法體系，推動學(xué)術(shù)評價體系的發(fā)展。