楊 穎 楊立菁 徐 爽 許 丹 韓 爽 陳斯斯

(中國醫(yī)科大學(xué)圖書館 沈陽 110122)

1引言

1.1 學(xué)科戰(zhàn)略情報研究意義

學(xué)科發(fā)展情況是高校整體實(shí)力評價的重要因素，也是體現(xiàn)高校執(zhí)教能力、辦學(xué)水平的重要標(biāo)志，加強(qiáng)學(xué)科建設(shè)是高校可持續(xù)發(fā)展的必由之路，同時也是提高教育質(zhì)量的重要途徑?！半p一流”建設(shè)視域下，高校相繼出臺“雙一流”學(xué)科建設(shè)方案。醫(yī)學(xué)高校圖書館承擔(dān)著學(xué)科服務(wù)重任，應(yīng)把握“雙一流”建設(shè)契機(jī)，拓展醫(yī)學(xué)情報服務(wù)領(lǐng)域，其中為學(xué)校領(lǐng)導(dǎo)和發(fā)展規(guī)劃部門提供醫(yī)學(xué)戰(zhàn)略情報服務(wù)是創(chuàng)新發(fā)展的重要舉措[1]。醫(yī)學(xué)戰(zhàn)略情報研究有利于醫(yī)學(xué)科研人員把握“雙一流”學(xué)科重點(diǎn)領(lǐng)域發(fā)展方向，結(jié)合自身優(yōu)勢, 開拓創(chuàng)新, 迅速獲取前沿?zé)狳c(diǎn)。圖書館學(xué)界針對“雙一流”學(xué)科建設(shè)戰(zhàn)略服務(wù)情報從理論研究到實(shí)證案例均有報道[2-3]。

1.2 有關(guān)方法

學(xué)科發(fā)展戰(zhàn)略情報分析常應(yīng)用信息計量學(xué)方法，包括共詞分析、共被引分析、引文分析等，以挖掘?qū)W科熱點(diǎn)前沿結(jié)構(gòu)并通過可視化方式進(jìn)行直觀展現(xiàn)[4-5]?？梢暬芯坎痪窒抻趩我豢梢暬瘓D譜，而是從多角度探索學(xué)科分布及發(fā)展。最常用到的共詞可視化——戰(zhàn)略坐標(biāo)，用于揭示某學(xué)科領(lǐng)域內(nèi)部聯(lián)系及領(lǐng)域間的相互影響情況；此外網(wǎng)絡(luò)分析方法展現(xiàn)出網(wǎng)絡(luò)在頂點(diǎn)相互作用下的分布狀況，以及網(wǎng)絡(luò)在時間序列下的動態(tài)演變。社會網(wǎng)絡(luò)分析可以通過UciNet、Pajek、NetDraw等軟件進(jìn)行可視化，常用于探索科學(xué)研究中的合作關(guān)系網(wǎng)絡(luò)[6]、引用被引關(guān)系網(wǎng)絡(luò)[7]以及共詞關(guān)系網(wǎng)絡(luò)[8]。

1.3 目前相關(guān)研究不足之處

不同的共詞分析圖譜從不同角度揭示學(xué)科發(fā)展情況：戰(zhàn)略坐標(biāo)從宏觀角度闡釋學(xué)科核心熱點(diǎn)結(jié)構(gòu)，而社會網(wǎng)絡(luò)圖譜是從微觀角度揭示核心主題。目前關(guān)于共詞分析圖譜的研究大多關(guān)注構(gòu)建獨(dú)立圖譜、揭示不同問題，而忽略了圖譜之間相互關(guān)聯(lián)問題，如對戰(zhàn)略坐標(biāo)宏觀結(jié)構(gòu)的內(nèi)部微觀狀況，即每個核心主題在熱點(diǎn)結(jié)構(gòu)中的貢獻(xiàn)度、在熱點(diǎn)結(jié)構(gòu)之間的互通關(guān)系均未能體現(xiàn)。本研究擬將社會網(wǎng)絡(luò)分析嵌入戰(zhàn)略坐標(biāo)分析，揭示學(xué)科領(lǐng)域宏觀結(jié)構(gòu)及微觀分布。

1.4 本研究主要內(nèi)容

將免疫學(xué)科的ESI高被引論文作為數(shù)據(jù)源進(jìn)行共詞分析、可視化分析。從方法上，一方面，突破傳統(tǒng)的以高頻詞對為研究對象的共詞聚類分析，擬對高頻詞-來源文獻(xiàn)的詞篇矩陣進(jìn)行雙向聚類；另一方面，突破社會網(wǎng)絡(luò)分析和戰(zhàn)略坐標(biāo)的單一圖譜分析，擬將社會網(wǎng)絡(luò)分析嵌入戰(zhàn)略坐標(biāo)分析，捕捉內(nèi)部潛在知識內(nèi)容，分析免疫學(xué)科的宏觀結(jié)構(gòu)及其內(nèi)部主要貢獻(xiàn)的核心主題構(gòu)成。

2 資料與方法

2.1 數(shù)據(jù)源選擇與數(shù)據(jù)收集

在探索學(xué)科結(jié)構(gòu)及趨勢演變計量分析中，數(shù)據(jù)選擇對分析結(jié)果至關(guān)重要。通常情況下原始數(shù)據(jù)選擇有以下幾種情況：全面選擇數(shù)據(jù)[9]、核心數(shù)據(jù)[10]、熱點(diǎn)數(shù)據(jù)[11]等。目前對熱點(diǎn)數(shù)據(jù)隱藏知識的挖掘受到廣泛關(guān)注。ESI高被引論文是被引用量排在前1%的研究論文，反映近年來某學(xué)科高質(zhì)量、高水平的重要科研成果。針對高被引論文的統(tǒng)計分析，相關(guān)文獻(xiàn)[12-15]分別對高被引論文進(jìn)行學(xué)術(shù)特征、國際合作情況、文獻(xiàn)計量及知識圖譜研究。未見對ESI高被引論文高頻詞對和來源文獻(xiàn)同時進(jìn)行聚類分析熱點(diǎn)結(jié)構(gòu)和前沿內(nèi)容的文獻(xiàn)。本文選擇Web of Science核心合集數(shù)據(jù)庫，檢索式為WC=immunology，再通過“ESI精煉”，發(fā)表年份限定為2015-2018年，文獻(xiàn)類型限定為article和review，即該領(lǐng)域4年來的ESI高被引論文824篇，在PubMed下載xml格式文件作為數(shù)據(jù)源。

2.2 數(shù)據(jù)處理

利用書目共現(xiàn)分析系統(tǒng)(Bibliographic Item Co-Occurrence, BICOMB)分析PubMed數(shù)據(jù)庫下載的免疫學(xué)文獻(xiàn)，統(tǒng)計其主要主題詞出現(xiàn)頻次，抽取頻次≥8的48個高頻主題詞并生成這些高頻詞與來源文獻(xiàn)的詞篇矩陣。利用gCLUTO軟件完成對詞篇矩陣的雙向聚類，生成聚類圖譜和山丘圖譜。通過聚類結(jié)果和共詞矩陣在Excel中繪制共詞戰(zhàn)略坐標(biāo)。利用Ucinet和Netdraw繪制社會網(wǎng)絡(luò)分析圖譜，最終將社會網(wǎng)絡(luò)分析結(jié)果嵌入戰(zhàn)略坐標(biāo)圖中，實(shí)現(xiàn)共詞可視化圖譜整合。

3 結(jié)果與討論

3.1 雙聚類結(jié)果

3.1.1 可視化山丘 根據(jù)每個類內(nèi)數(shù)據(jù)分布得到山峰圖，見圖1。其高度與類內(nèi)相似度成正比，類內(nèi)相似度大則山丘陡峭。其體積與類內(nèi)對象數(shù)量成正比。紅色代表低類內(nèi)相似度標(biāo)準(zhǔn)差，藍(lán)色代表高類內(nèi)相似度標(biāo)準(zhǔn)差。圖1中cluster 0類內(nèi)高頻詞相似度最高，表明類內(nèi)高頻詞具有高度一致性。圖中7個山峰各自獨(dú)立，高度與體積適中，聚類效果較理想。

圖1 可視化山丘

3.1.2 雙聚類可視化矩陣 可視化矩陣分別從行和列兩個維度展示高頻詞和來源文獻(xiàn)的聚類結(jié)果，見圖2。聚類圖形的行聚類(圖的左側(cè))表示高頻詞分類，圖的右側(cè)列出相對應(yīng)的高頻詞，橫線將每個類隔開，一共分為7類；聚類樹圖的列聚類(圖的上方)表示來源文獻(xiàn)的聚類，圖的下方對應(yīng)列出所代表的來源文獻(xiàn)?？梢暬仃囍蓄伾砭仃囋紨?shù)據(jù)值，白色表示近零值，紅色表示較大的值，圖2中顏色的深淺表示高頻詞出現(xiàn)的頻次。矩陣的行重新排序使得同一組的行聚在一起。

圖2 ESI高被引論文可視化矩陣

3.1.3 熱點(diǎn)結(jié)構(gòu)分析 通過對ESI免疫學(xué)領(lǐng)域高被引論文的二分法聚類得到聚類樹圖。圖1顯示該學(xué)科領(lǐng)域的熱點(diǎn)結(jié)構(gòu)分為7類。根據(jù)主題詞構(gòu)成，見表1，結(jié)合7類代表性文章總結(jié)出7個熱點(diǎn)結(jié)構(gòu)。(1)腫瘤免疫治療。免疫學(xué)的一個重要分支，免疫療法已成為腫瘤治療的重要手段。PD-1是免疫檢查點(diǎn)研究熱點(diǎn)。該類主要涵蓋探索新的腫瘤免疫檢查點(diǎn)、T細(xì)胞耗竭、新的腫瘤免疫抑制細(xì)胞亞群以及腫瘤免疫治療新策略等方面內(nèi)容[16-17]。(2)艾滋病疫苗的免疫學(xué)。艾滋病疫苗開發(fā)從體液免疫到細(xì)胞免疫再到兩者結(jié)合不斷推進(jìn)。Abbott R K、Lee J H和 Menis S等[18]將具有種系VRC01 B細(xì)胞受體的B細(xì)胞轉(zhuǎn)移到同類受體中，闡明前體頻率、抗原親和力和親合力對免疫后B細(xì)胞應(yīng)答的作用。Vinuesa C G、Linterman M A和Yu D等[19]介紹濾泡輔助T細(xì)胞引發(fā)B細(xì)胞啟動卵泡外和生發(fā)中心抗體反應(yīng)，對親和力成熟和體液記憶的維持至關(guān)重要。(3)B7-H1/程序性細(xì)胞死亡1受體抑制途徑與效應(yīng)T細(xì)胞功能關(guān)系，治療人類免疫缺陷病毒(Human Immunodeficiency Virus,HIV)感染的機(jī)制。B7-H1與其受體PD-1結(jié)合降低腫瘤細(xì)胞免疫原性，誘導(dǎo)細(xì)胞毒性T淋巴細(xì)胞(Cytotoxic T Lymphocyte，CTL)凋亡，促使免疫細(xì)胞發(fā)生逃逸。PD-1是腫瘤免疫抑制的明星分子，也有其與HIV感染的免疫機(jī)制研究。Philips G K和Atkins M[20]介紹兩者抗腫瘤的治療用途。未來研究將傾向于此方法的生物標(biāo)志物，以及如何單獨(dú)或與其他免疫療法、放射療法、化學(xué)療法和小分子抑制劑聯(lián)合使用。(4)脫敏方法及免疫學(xué)機(jī)理。脫敏療法能通過改變過度活躍的固有免疫應(yīng)答產(chǎn)生免疫特異性的記憶性Th2細(xì)胞，使外周血中高表達(dá)的細(xì)胞因子水平恢復(fù)至正常，降低高敏反應(yīng)和炎性反應(yīng)，達(dá)到緩解和治療的目的[21]。(5)寨卡病毒感染致中樞神經(jīng)系統(tǒng)損傷的免疫機(jī)制。寨卡病毒感染相關(guān)神經(jīng)系統(tǒng)損傷主要有吉蘭-巴雷綜合征和小頭畸形。通過逆轉(zhuǎn)錄-聚合酶鏈反應(yīng)可診斷寨卡病毒感染，影像學(xué)檢查可提高合并中樞神經(jīng)系統(tǒng)(Central Nervous System，CNS)并發(fā)癥診斷的準(zhǔn)確率。然而目前尚無針對寨卡病毒感染的特效藥物及疫苗。(6)自身免疫性疾病、腫瘤的免疫學(xué)機(jī)理以及炎癥和感染的免疫學(xué)。炎性小體和細(xì)胞因子參與炎癥和自身免疫相關(guān)的許多先天免疫過程。從研究自然殺傷細(xì)胞(Natural Killer Cell，NK)記憶中獲得基本概念，提供關(guān)于先天免疫的新見解，可能為傳染病和癌癥治療提供新策略[22]。(7)免疫調(diào)控中的細(xì)胞分化與信號轉(zhuǎn)導(dǎo)過程。免疫細(xì)胞的發(fā)育涉及轉(zhuǎn)錄因子、細(xì)胞信號傳導(dǎo)蛋白和生長因子的復(fù)雜相互作用。研究發(fā)現(xiàn)microRNA是先天免疫細(xì)胞發(fā)育、功能以及免疫穩(wěn)態(tài)維持的關(guān)鍵調(diào)節(jié)因子[23]。

表1 免疫學(xué)熱點(diǎn)結(jié)構(gòu)及其主題詞構(gòu)成

續(xù)表1

3.2 戰(zhàn)略坐標(biāo)分析

本研究得到共詞戰(zhàn)略坐標(biāo)：位于第1象限的有詞團(tuán)5和詞團(tuán)0，位于第2象限為詞團(tuán)3，位于第3象限的是詞團(tuán)4、6與2，位于第4象限的是詞團(tuán)1，見圖3。

圖3 共詞網(wǎng)絡(luò)的戰(zhàn)略坐標(biāo)

3.3 社會網(wǎng)絡(luò)分析

3.3.1 原始共詞矩陣圖譜 原始共詞矩陣圖譜展現(xiàn)了高頻主題詞的共現(xiàn)關(guān)系：每個節(jié)點(diǎn)代表高頻主題詞，大小與其在共詞網(wǎng)絡(luò)中出現(xiàn)的頻次成正比；主題詞之間連線表示有共現(xiàn)關(guān)系，粗細(xì)表示聯(lián)系的緊密程度，直觀體現(xiàn)出詞對之間的關(guān)系，見圖4。節(jié)點(diǎn)1最大，說明腫瘤免疫出現(xiàn)的次數(shù)最多，節(jié)點(diǎn)5、節(jié)點(diǎn)7、節(jié)點(diǎn)16之間連線粗，說明其共同出現(xiàn)的頻率大。

圖4 原始共現(xiàn)網(wǎng)絡(luò)

3.3.2 K-core分析 圖5中展現(xiàn)了免疫學(xué)高被引論文共詞網(wǎng)絡(luò)的核心邊緣主題。得到8個K核等級，K的最高級數(shù)為8，即在K=8的核中每個詞都最少和同一個核中其他詞共同出現(xiàn)的次數(shù)≥8，是整個共詞網(wǎng)絡(luò)中連接最強(qiáng)、關(guān)系最緊密的部分，包括位于中間的紅色節(jié)點(diǎn)，代表最核心的主題。K<8時,按降序依次代表次核心、中間主題和邊緣主題，用藍(lán)色、灰色、黑色、湖藍(lán)、粉色、草綠色和翠綠色表示。

3.4 兩種可視化方法的相互嵌入融合

3.4.1 原始共詞網(wǎng)絡(luò)與戰(zhàn)略坐標(biāo)相互嵌入 將每個節(jié)點(diǎn)賦值(標(biāo)上類號)，按照戰(zhàn)略坐標(biāo)分布，在社會網(wǎng)絡(luò)圖中加入坐標(biāo)軸，將相同類別的詞放置到一起，得到高頻主題詞原始共詞矩陣。戰(zhàn)略坐標(biāo)排列的網(wǎng)絡(luò)圖可以清晰地顯示出戰(zhàn)略坐標(biāo)中類間與類內(nèi)各主題之間的關(guān)系，見圖6。

圖6 原始共詞網(wǎng)絡(luò)與戰(zhàn)略坐標(biāo)相互嵌入

3.4.2 K-core共詞網(wǎng)絡(luò)與戰(zhàn)略坐標(biāo)相互嵌入 用不同顏色標(biāo)識核心邊緣程度，在戰(zhàn)略坐標(biāo)中的位置標(biāo)識核心成熟程度，將戰(zhàn)略坐標(biāo)結(jié)果(成熟度-核心度)與社會網(wǎng)絡(luò)分析中的K核分析結(jié)果(核心-邊緣)相結(jié)合，見圖7。結(jié)合后的K核分析可以看到核心邊緣主題詞在每個聚類的類別中，而每個類別的成熟程度在戰(zhàn)略坐標(biāo)中已經(jīng)體現(xiàn)出來。

圖7 K-core共詞網(wǎng)絡(luò)與戰(zhàn)略坐標(biāo)相互嵌入

4 討論

4.1 戰(zhàn)略坐標(biāo)分析

圖3顯示第1象限中的詞團(tuán)5密度高，表明炎癥和感染免疫機(jī)理內(nèi)部聯(lián)系最緊密；詞團(tuán)0向心度最高，表明腫瘤免疫治療與其他詞團(tuán)聯(lián)系較廣，處于研究主題核心。第2象限中的詞團(tuán)3處于近原點(diǎn)位置，表明致敏與脫敏雖位于邊緣位置但已經(jīng)受到關(guān)注，有望進(jìn)入第1象限。第3象限的詞團(tuán)密度和向心度都較低，處于研究領(lǐng)域邊緣，研究尚不成熟。第4象限的詞團(tuán)1中心度高但密度低，說明腫瘤免疫治療構(gòu)成的主題領(lǐng)域也是核心，但不成熟。

4.2 免疫學(xué)領(lǐng)域?qū)W科結(jié)構(gòu)類間與類內(nèi)各主題之間的關(guān)系

原始矩陣的共詞網(wǎng)絡(luò)圖與聚類及戰(zhàn)略坐標(biāo)相結(jié)合后，清晰展現(xiàn)出免疫學(xué)領(lǐng)域?qū)W科結(jié)構(gòu)類間與類內(nèi)各主題之間的關(guān)系。第1象限中類團(tuán)5和類團(tuán)0內(nèi)的各類內(nèi)、類間的連線明顯比第3象限中類內(nèi)、類間的連線多且粗，說明炎癥與感染免疫機(jī)理及腫瘤免疫治療內(nèi)部鏈接和外部鏈接均多于其他類團(tuán)。戰(zhàn)略坐標(biāo)中的向心度越高的類別，在社會網(wǎng)絡(luò)圖譜中與其他類別連線越多、越粗；戰(zhàn)略坐標(biāo)中密度越高的類別，類內(nèi)各個主題間的連線越多、越粗。例如圖6中的第5類，主要由1號主題詞貢獻(xiàn)了向心度，同時1號主題詞與本類中其他主題詞連線最粗，貢獻(xiàn)了密度，腫瘤免疫是整個領(lǐng)域中最為關(guān)鍵的方向；第0類，主要由5號主題詞貢獻(xiàn)了向心度，其與7號、16號主題詞最密切、連線最粗，貢獻(xiàn)了此類的密度。整合結(jié)果更有利于解讀，能夠直觀地看出類內(nèi)、類間每個詞的關(guān)系及其對向心度、密度所起的作用。

4.3 學(xué)科研究熱點(diǎn)層次及熱點(diǎn)詞的關(guān)系

戰(zhàn)略坐標(biāo)結(jié)果(成熟度-核心度)與社會網(wǎng)絡(luò)分析中的K核分析結(jié)果(核心-邊緣)相結(jié)合后，可以明顯展示出核心領(lǐng)域宏觀結(jié)構(gòu)中微觀主題的分布情況，挖掘出每個核心-非核心結(jié)構(gòu)中的關(guān)鍵因素，清晰展現(xiàn)出該學(xué)科研究熱點(diǎn)的層次及熱點(diǎn)詞的關(guān)系，見圖7，聚類第5類的1、2、14、39主題詞，聚類第0類的5、6號主題詞為核心研究熱點(diǎn)，顯示出每個詞的地位及與其他詞的關(guān)系。

5 結(jié)語

雙聚類分析可以反映出高頻詞與來源文獻(xiàn)的對應(yīng)關(guān)系，用于某學(xué)科領(lǐng)域的學(xué)科熱點(diǎn)結(jié)構(gòu)和近期前沿研究?；谝悦庖邔W(xué)為樣本的共詞分析，繪制聚類樹圖展現(xiàn)某學(xué)科領(lǐng)域的主題結(jié)構(gòu)、戰(zhàn)略坐標(biāo)，描繪各個研究主題在整個學(xué)科結(jié)構(gòu)上的重要性或特性、社會網(wǎng)絡(luò)圖譜以進(jìn)一步展現(xiàn)出主題內(nèi)部關(guān)系。不同可視化結(jié)果的相互嵌入可多方位展現(xiàn)學(xué)科結(jié)構(gòu)的發(fā)展過程，宏觀結(jié)構(gòu)與微觀分布一目了然，增強(qiáng)可視化圖譜的易讀性，各種方法相互補(bǔ)充可以指導(dǎo)專業(yè)人員了解學(xué)科結(jié)構(gòu)及前沿分布，幫助決策層規(guī)劃學(xué)科布局，調(diào)整學(xué)科方向，促進(jìn)學(xué)科發(fā)展。