周春雷 楊昭 王巖

關鍵詞：關注度；學者；研究熱點；研究前沿；評價指標；被引頻次

研究熱點與前沿的識別有利于學者把握特定領域的現(xiàn)狀及未來一段時間的發(fā)展方向。羅瑞等[1]的研究顯示國內外“研究前沿”相關主題發(fā)文自2007年以來步入快速增長期科學文獻是學術界研究成果的重要載體和傳播媒介，是學界進行研究熱點與前沿識別的基礎，例如從特定視域內的期刊發(fā)文數(shù)據(jù)[2-5]、期刊或學科領域的高被引論文數(shù)據(jù)[6-8]、期刊論文的參考文獻數(shù)據(jù)[9]、基金項目論文[10-12]、會議論文[13-15]等角度進行識別，但鮮有研究圍繞領域內學者群體進行探究。周琳等[16]認為精準定位具有高學術影響力的學者可以幫助科研人員迅速了解研究領域的前沿知識以及研究趨勢，但并未對此進行實證研究。張麗華和曲建升[17，18]的研究表明基于核心期刊編委發(fā)文進行研究前沿探測具有一定的價值。此外，Daud等[19]證實了通過探測熱點主題來尋找學術新星的可行性，也說明特定學者群體在推動領域研究前進過程中的作用。綜上，筆者認為借助重要學者群體識別研究熱點與前沿具有一定的理論意義與現(xiàn)實價值，可以豐富識別研究熱點與前沿的方法，也可以觀察主流群體主動篩選學術信息的行為及其在學術研究中的引領作用。

1 研究思路與設計

筆者嘗試根據(jù)學者的h指數(shù)和階段性被引情況構建新評價指標，挖掘特定時期、特定領域內得到較多關注者，即本文所稱的高關注度學者。然后，基于高關注度學者群體被引、施引文獻中的關鍵詞詞頻及共現(xiàn)情況，進行研究前沿與熱點識別，具體流程見圖1。

1.1 量化學者所獲關注度。當前國內相較于國外缺乏Altmetrics數(shù)據(jù)整合分析平臺，另外數(shù)據(jù)量較大時，利用學術網絡圖譜方法進行評價可能會產生較多的信息遮蔽，因此本文僅利用數(shù)據(jù)庫平臺提供的引文數(shù)據(jù)進行學者關注度評價。公式（1）為筆者構建的關注度指數(shù)FL（FocusLevel），TC即學者的所有文章在特定時間窗口內獲得的被引量。鑒于很難集齊全部樣本學者的所有被引數(shù)據(jù)，本研究以Dh指數(shù)（領域內h指數(shù)）來代替h指數(shù)，該指數(shù)由筆者于2012年提出并經多年實證檢驗，可用于表征特定領域內絕大多數(shù)研究者的相對學術地位。[20]Dh指數(shù)的值隨TC的時間窗口的右邊界改變，如計算TC所選時間窗口分別為2011 ～2015年、2016～2020年，則利用學者在2016年和2021年之前的所有文章的被引記錄得到其Dh指數(shù)。單從公式（1）來看，F(xiàn)L指數(shù)與Dh指數(shù)成反比，但科學家的地位和聲譽本身就能帶來額外的關注和認可，[21]高Dh指數(shù)學者在學界的影響力更有利于TC值的增長，因此FL指標在一定程度上降低了Dh指數(shù)對學者TC值的影響，也能夠更容易對相同Dh指數(shù)的學者進行對比評價。

1.2 識別領域研究熱點與前沿。依據(jù)ESI高被引論文的定義，若一篇論文在11 年前被ESI收錄，但在最近一年獲得了極高被引量，這類“睡美人”文獻仍不會被歸于當期的ESI高被引論文，從而導致重要學術信息的遺漏?；诟哧P注度學者的被引數(shù)據(jù)可以有效避免上述情況，本文以受到較高關注度的群體特定時期內的被引文獻為基礎進行研究熱點識別。

Persson[22]利用高頻同被引文獻關聯(lián)的施引文獻來定義研究前沿，是當前研究前沿識別的常用方法之一。張迪等[23]基于ESI核心論文的施引數(shù)據(jù)進行了研究前沿識別。本文利用引用高關注度學者的文獻來探究研究前沿，與前兩者有異曲同工之處，即都以得到學界廣泛關注的對象為基礎。鑒于大數(shù)據(jù)量處理利用可視化聚類容易遮蔽大量信息，本文利用詞頻分析法識別研究前沿。

2 實證分析

2.1 數(shù)據(jù)獲取與處理。本文選取的數(shù)據(jù)來自《2021版中文核心期刊要目總覽》與《CSSCI（2021—2022）收錄來源期刊目錄》中的20種圖情核心期刊。由于CSSCI只收錄1998年以后的論文，筆者團隊另外采集了1979—1997年的數(shù)據(jù)，利用自編程序將合計31萬余條的文本格式數(shù)據(jù)轉換為被引文獻和施引文獻，并結合CNKI、萬方、維普等數(shù)據(jù)庫，擴充了可用于分析的字段，包括施引文獻及被引文獻的關鍵詞、作者機構、摘要等諸多信息。在計算學者的Dh指數(shù)和時間窗口內的被引總量時，剔除掉Dh指數(shù)為1、2的學者后，對可能出現(xiàn)重名的作者，結合其在文獻中公開的教育背景和機構信息進行人工判斷并更正Dh指數(shù)和被引數(shù)據(jù)。選擇Dh指數(shù)為3及以上的學者，以排除大部分新手，留下有一定學術積累、未來可能推動領域前進的年輕學者。在關鍵詞的處理上，對“數(shù)據(jù)開放”和“開放數(shù)據(jù)”“LDA”“LDA模型”“LDA主題模型”等表征相同信息的關鍵詞進行歸并處理。

2.2 學者FL值的計算與分析

2.2.1 2015年高FL值學者分析。筆者認為Dh指數(shù)為1和2的學術群體更多為領域內的入門群體，且未來有很大可能不會繼續(xù)推動領域內的研究發(fā)展，而Dh指數(shù)在3及以上的學者群體是能夠穩(wěn)定在領域內的學者群體，因此本研究以后者為主要研究對象。本節(jié)利用20種核心期刊在2015年及之前產生的被引數(shù)據(jù)，共得到111 6位學者。學者Dh指數(shù)的分布狀況見表1，可以看出Dh指數(shù)在10及以上的學者共有38人，占總人數(shù)的3.40%，而Dh指數(shù)在3～5之間的領域新秀共946人，占比84.77%，高Dh指數(shù)學者更容易得到關注，在低Dh指數(shù)學者群體中發(fā)現(xiàn)優(yōu)秀學者對學界的發(fā)展有重要作用，這也是本研究選取Dh指數(shù)在3及以上學者群體進行研究的原因之一。

2011 —2015年關注度指數(shù)FL值靠前的30位學者見表2，從中可以看出Dh指數(shù)較為分散，除了Dh指數(shù)為6的學者外，覆蓋了表1中的各Dh指數(shù)水平。表1中Dh指數(shù)在10及以上的學者共38位，而表2中共有16人，通過梳理數(shù)據(jù)發(fā)現(xiàn)，這些高Dh指數(shù)學者在時間窗口內的發(fā)文量均在8篇及以上，因此他們的高FL值與其學術研究的活躍程度有一定關系。

從Dh指數(shù)小于10的學者來看，這些學者可以分為以下幾類：（1）發(fā)文量較低的領域內學者，但存在高被引論文。

在2011 —2015年的時間窗口內，鐘偉金2008年發(fā)表的3篇關于共詞分析法的研究獲得了105次引用，該系列文章當前在知網獲得一千余次引用；宋恩梅在該時間窗口內的發(fā)文量雖僅有3篇，但2010年發(fā)表的一篇文章在2011 —2015年被引56次；楊鶴林與二人情況類似，單篇論文在2011 —2015年獲得41次引用。（2）多領域學者，但在圖情領域發(fā)文量較多或被引次數(shù)較高。曾潤喜當前所在單位為重慶大學新聞學院，除在圖情期刊發(fā)文外，還在《電子政務》《中國行政管理》《新聞界》等期刊發(fā)文；張一文的研究方向為決策理論與決策支持系統(tǒng)，2010—2012年與齊佳音等人合作在圖情期刊發(fā)表4篇關于非常規(guī)突發(fā)事件網絡輿情的研究論文，截至2015年篇均被引19.5次，當前已有2篇在知網被引200余次；俞立平的研究領域包括圖書情報與數(shù)字圖書館、企業(yè)經濟、宏觀經濟管理與可持續(xù)發(fā)展等多學科領域，2011 —2015年在圖情領域期刊發(fā)文多達25篇；（3）發(fā)文量較高的領域內學者，整體被引水平較高。婁策群、劉志輝、劉煒、魏瑞斌、李綱、王曉光、唐曉波、何琳等發(fā)文也都在8篇以上，且獲得的引用量相對同Dh指數(shù)水平的學者更高。另外，通過對FL值前100位的學者Dh指數(shù)分布進行統(tǒng)計，結果見圖2，有44位學者Dh指數(shù)為3—5，30位學者Dh指數(shù)為6—9，Dh指數(shù)在10及以上者共有26人。

筆者對Dh指數(shù)在10及以上但并未出現(xiàn)在表2中的22位學者進行分析，發(fā)現(xiàn)6位學者在2011 —2015年的被引用次數(shù)大都在100以下，發(fā)文1—3篇，在同Dh指數(shù)水平學者群體中被引水平和活躍度較低。有6位學者在2011 —2015年獲得的被引量大于145，年均發(fā)文在一篇以上，因此FL值相對較高，排在前75位。剩余10位學者的FL得分排在111 6位學者中前25%，有9位發(fā)文量為5—9篇，在此期間獲得的引用量在88—11 0之間，1位學者發(fā)文23篇，在2011 —2015年獲得的被引量有121次。

從本節(jié)可以看出通過FL值可以較好地評價單個學者在特定時期內的學術表現(xiàn)，排除了一部分高Dh學者“吃老本”的現(xiàn)象，除了可以篩選出活躍度和被引量均較高的學者外，還能篩選出在特定時間段內產生較大影響的高被引文獻的低Dh指數(shù)學者和跨學科背景的學者。

2.2.2 2020年高FL值學者分析。從2.2.1部分看出FL值對于高關注度學者和熱點文獻的發(fā)現(xiàn)有較好效果。據(jù)此，筆者利用2016—2020年20種圖情期刊被引數(shù)據(jù)共得到Dh指數(shù)在3及以上的2976位學者，結合被引數(shù)據(jù)計算學者的FL值，通過對高FL值學者的分析，對FL值有效性進行驗證。2020年FL值TOP30的學者見表3。

表3中僅有9位學者與表2相同，有7位學者在2015年時FL值排在35～100之間，5位學者排在101～300之間，4位學者排在300之后，3位學者當時Dh值小于3，表2中李綱、俞立平、王世偉等在2016～2020年也得到了更多關注。根據(jù)2020年的數(shù)據(jù)，所有學者中Dh值在10及以上的有76人，結合表2和表3中高FL值學者的變化來看，相較2015年時，圖情界的主要研究力量發(fā)生了較大變動。從表3中低Dh指數(shù)學者來看，吳晨生2015年提出了“情報3.0”概念，由慶斌在2013～2014年較早關注到Altmetrics研究并率先采用“補充計量學”這種譯法，兩人的相關文獻在此階段獲得了較多引用，安璐關于突發(fā)事件下的網絡輿情研究獲得了較高關注，張一文和鐘偉金關于網絡輿情、共詞分析法的研究在這一階段仍得到較多引用。由于較高Dh指數(shù)的學者研究更為廣博，此處不展開分析。但結合兩階段的分析來看，F(xiàn)L值在學者發(fā)現(xiàn)方面有良好效果，高FL值學者的研究具有明顯的前沿性與代表性。

2.2.3 指標相關性分析。兩階段三個指標之間的相關性判斷見表4，可以看出三個指標之間存在顯著正相關關系。Dh與TC相關系數(shù)在0.8左右，二者相關性極強，這也說明了高Dh指數(shù)學者更容易獲得引用。單純依據(jù)FL值的計算公式，Dh與FL本應呈現(xiàn)負相關，表4中Dh與FL相關系數(shù)在0.4～0.6，中等程度正相關，表明FL值并不會對高Dh指數(shù)學者造成較大遮蔽。TC與FL呈強正相關關系，這也與事實相符。

綜合兩階段的學者分析及相關性驗證結果可知，依據(jù)FL值可以有效篩選出領域內的高關注度學者，同時在平衡Dh指數(shù)方面的效果較為良好，容易發(fā)掘領域內的新秀或處于上升期的學者，這為下一步基于高關注度學者的數(shù)據(jù)進行研究熱點與前沿探測打下了良好基礎。

2.3 研究熱點與前沿的識別發(fā)現(xiàn)

筆者選取2020年FL值在10及以上的學者共345位，將此群體認定為高FL值學者群體，結合時間因素對其被引文獻關鍵詞和引證其文獻的關鍵詞進行詞頻分析，對2016—2020年這一階段的研究熱點進行呈現(xiàn)。

2.3.1 基于高被引關鍵詞的研究熱點分析。2016—2020年內高FL值學者6811 篇被引文獻的部分高被引關鍵詞見表5。

由表5可以看出各類圖書館及相關服務等依然是學界關注的熱點?！爸腔蹐D書館”“數(shù)字人文”等作為2011 年之后開始出現(xiàn)的新興研究主題在這一時期得到了極大關注；“情報學”“競爭情報”“圖書情報學”“情報”“圖書館學”等主題也得到較高關注度，表明圖情界這一時期在積極關注并探索學科發(fā)展的方向；“網絡輿情”“突發(fā)事件”“微博”等關鍵詞的出現(xiàn)，說明突發(fā)事件網絡輿情研究也是這一時期的熱點；2015年大數(shù)據(jù)發(fā)展提升到國家戰(zhàn)略層面，“大數(shù)據(jù)”也成為圖情界重點關注的研究方向之一，“開放數(shù)據(jù)”“關聯(lián)數(shù)據(jù)”“科學數(shù)據(jù)”等表明圖情界不再局限于知識或文獻等的組織和利用，數(shù)據(jù)思維得到極大發(fā)展；另外，“共詞分析”“引文分析”“研究熱點”的識別、“可視化”等在情報學領域的研究方法得到較高關注。

基于345位學者2016—2020年內被引文獻中的高被引關鍵詞，筆者利用Pajek和VOSviewer軟件繪制了共現(xiàn)圖（見圖3）。根據(jù)聚類結果，可以看出高FL值學者群體的高被引關鍵詞可以分為10類：（1）文獻計量與學術評價；（2）信息素養(yǎng)教育；（3）信息生態(tài)及虛擬學術社區(qū)視角下的知識管理或服務等；（4）科學計量學研究方法及工具；（5）圖情學科發(fā)展及人才培養(yǎng)等；（6）圖書館建設與服務等；（7）大數(shù)據(jù)相關理念和技術的運用；（8）網絡環(huán)境下的輿情研究和技術利用等；（9）數(shù)據(jù)開放管理及數(shù)據(jù)素養(yǎng)教育等；（10）網絡用戶信息服務與行為研究等。趙蓉英等[24]的研究顯示，“十三五”時期中文期刊論文研究熱點主要包括圖書館資源建設及服務、圖情學科理論研究、方法與應用研究及技術發(fā)展的結合、網絡信息資源相關研究、文獻計量與科學評價等方面，本研究與其基本上可相互印證。

2.3.2 基于施引文獻的研究前沿探測。本節(jié)中筆者通過在2016—2020年引用高FL值學者的文獻關鍵詞進行詞頻變化分析，識別在特定時期的新興研究前沿和熱點研究前沿?？紤]到一類研究主題或研究方法能夠被領域內學術群體關注到，相關關鍵詞在領域內的提及次數(shù)需要有一定的積累，筆者選擇詞頻在20及以上的關鍵詞進行分析，即這些關鍵詞至少出現(xiàn)在20篇文章的關鍵詞中，共321個關鍵詞，統(tǒng)計了各個關鍵詞在2015年及之前的長時期內在20種核心期刊文章中出現(xiàn)的次數(shù)（FC1）以及2016—2020年（FC2）和2018—2020年（FC3）兩個時間段內在引用高FL值學者的文獻中出現(xiàn)的次數(shù)，并通過各個時間段內的關鍵詞比例變化來識別出的新興研究前沿和熱點研究前沿，比例變化的計算見公式（2）、

由于2016—2020年共5年，時間跨度較長，足夠一個研究主題在這期間快速興起又快速衰落，因此NF指標除了考慮到關鍵詞在領域內長時間跨度的熱度外，也考慮到了5年時間窗口內的熱度變化。公式（2）中之所以選擇計算關鍵詞在2018—2020年的次數(shù)FC3，主要是考察關鍵詞在2016—2020年的中后期的熱度。研究前沿不一定是研究熱點，一個主題的研究熱度主要受到研究頻次的影響，NF指標主要反映單個關鍵詞的熱度變化，而HF指標更加考慮到關鍵詞在領域內的熱度，如“新冠肺炎”的NF值最高，但頻次僅有27次，很難將其認定為圖情領域熱點，“高校圖書館”的NF值雖低，但其在2016—2020年內出現(xiàn)頻次很高，說明其必然是學界關注的熱點。

從表6來看，“新冠肺炎”“突發(fā)公共衛(wèi)生事件”“雙一流”等有鮮明的時間背景，筆者以其余詞語為檢索詞在知網進行關鍵詞檢索，限定學科為“圖書情報與數(shù)字圖書館”，來源類別勾選CSSCI，發(fā)現(xiàn)包含表6這些關鍵詞的研究在2015年前后逐漸興起，可見NF指標識別新興研究主題或方法效果較好。

高熱度研究前沿識別結果見表7，與榮國陽、李長玲等[25]識別的2016—2020年內的30個熱點關鍵詞對比來看，共有14個關鍵詞與表7重合，有6個關鍵詞在筆者計算結果的31～70之內，也較為靠前，且其識別的8個前沿型研究熱點中，除“情報工作”，其余關鍵詞均在表7中?！罢_放數(shù)據(jù)”“知識圖譜”“深度學習”“社交媒體”“智慧圖書館”“用戶畫像”“LDA主題模型”“Altmetrics”等未在榮國陽的研究中列出的關鍵詞，通過知網進行主題檢索，這些研究主題或方法等在近年來都保持著較高熱度。總體來看，通過HF值計算出來的2016—2020年的研究熱點與實際基本相符。

基于321個關鍵詞的HF、NF值所繪研究前沿趨勢判斷見圖4，關鍵詞越靠近右上方，表明該主題或方法會是領域內未來一段時間的高熱度研究前沿，此處僅以少數(shù)關鍵詞為例進行說明。近些年來，國內外部分知名高校如中國人民大學、英國倫敦大學學院等新開設了數(shù)字人文專業(yè)，該領域的關注度在可見的未來還會維持在較高水平。大數(shù)據(jù)作為國家戰(zhàn)略發(fā)展方向之一，在學界和企業(yè)界都保持著極高熱度。處在左下方的“知識服務”“社會網絡分析”“高校圖書館”等屬于圖情界較為成熟的研究主題或方法，HF值均在20以上，明顯高于大多數(shù)關鍵詞，未來仍將保持一定的熱度。結合HF、NF值可以看出關鍵詞在時間窗口內的相對熱度，也可為學術界研判領域發(fā)展趨勢提供參考。

3 總結與展望

本文從學術群體的關注與選擇出發(fā)，圍繞高關注度學者的被引和施引情況，利用詞頻分析、關鍵詞共現(xiàn)分析識別2016—2020年研究熱點與前沿，識別結果與利用其他方法進行識別的已有研究相比，有多個主題或方法重合，與實際也較為符合，驗證了本方法的可行性，為熱點與前沿識別研究提供了新的嘗試。另外，提出的新關注度指數(shù)FL計算簡便、理念簡潔，可對不同h指數(shù)的學者同時進行關注度評價。本研究仍存在一些局限性，計算關注度指數(shù)時僅考慮了第一作者的被引數(shù)據(jù)，實證研究時僅利用了圖情領域的20種CSSCI核心期刊，將在后續(xù)研究中對此加以完善。