基於參考文獻重新分類的新型逐項分類系統的文獻計量學效應

核心概念

與基於期刊的傳統分類系統相比，基於參考文獻重新分類的新型逐項分類系統（U1-F-0.8）通過減少每個文檔分配的類別數量和更均勻地分配標準化影響，提供了更準確和有用的科學文獻分類。

摘要

研究論文摘要

書目信息

Peña-Rocha, M., Gómez-Crisóstomo, M. R., Guerrero-Bote, V. P., & de Moya-Anegón, F. (2024). 基於參考文獻重新分類的新型逐項分類系統的文獻計量學效應。

研究目標

本研究旨在比較兩種科學文獻分類系統：基於 Scopus 期刊的分配方法（ASJC）和基於參考文獻重新分類的逐項系統（U1-F-0.8）。研究旨在探討新系統如何改變跨領域和類別的文獻分佈、標準化影響和卓越文獻的識別。

方法

該研究使用了 2012 年至 2023 年期間從 Scopus 數據庫中提取的 35,183,738 篇文獻樣本。研究人員分析了各個指標，包括標準化影響、卓越性分佈以及各系統中分配給單一領域或類別的文獻百分比。

主要發現

• 與 ASJC 相比，U1-F-0.8 系統減少了分配給每個文檔的類別數量，導致單一類別分配的值更高。
• U1-F-0.8 系統傾向於強調極端值的差異，增加最大類別的大小，減少最小類別的大小。
• U1-F-0.8 系統提供了更均勻的標準化影響分佈，並更一致地調整了與卓越性相關的值。

主要結論

與傳統的基於期刊的分類系統相比，U1-F-0.8 系統為科學文獻提供了更準確和有用的分類。減少每個文檔的類別數量和更均勻地分配標準化影響，使其成為文獻計量學研究的寶貴工具。

局限性和未來研究

該研究僅限於 Scopus 數據庫中的出版物。未來的研究可以探討將 U1-F-0.8 系統應用於其他數據庫以及評估其對其他文獻計量學指標影響的影響。

統計資料

與傳統的 ASJC 系統相比，U1-F-0.8 系統的平均標準化影響差異為 22%。
在 ASJC 分類中，計算機科學、藝術與人文以及數學領域的標準化影響標準差值較高。
在 U1-F-0.8 分類中，計算機科學、商業、管理和會計以及數學領域的標準化影響標準差值較高。
8.72% 的文獻在兩種分類系統中都被認為是屬於前 10% 的卓越文獻。
0.79% 的文獻在兩種分類系統中都被認為是屬於前 1% 的卓越文獻。

引述

“減少每篇論文的類別數量是一個非常理想的特徵” (Álvarez-Llorente et al., 2024b)。

從以下內容提煉的關鍵洞見

Bibliometrics effects of a new item-by-item classification system based on reference reclassification

by Marcos Pena-... 於 arxiv.org 11-01-2024

https://arxiv.org/pdf/2410.23792.pdf

深入探究

U1-F-0.8 系統如何適應科學出版和引文實踐的未來變化？

U1-F-0.8 系統基於參考文獻重新分類，並根據引用者的來源進行分類。此系統的適應性取決於其處理科學出版和引文實踐變化的能力。以下是一些可能的適應方式：

新興領域的整合： 科學出版不斷發展，新興領域和跨學科研究不斷湧現。U1-F-0.8 系統需要靈活地將這些新興領域納入其分類結構中。這可能涉及創建新的類別或調整現有類別以適應新的研究主題。
引文實踐的演變： 隨著開放科學的興起和新的學術交流平台的出現，引文實踐正在發生變化。U1-F-0.8 系統需要考慮這些變化，並調整其演算法以準確反映研究論文之間的關係。例如，系統可能需要納入來自預印本伺服器、數據存儲庫或其他非傳統出版物來源的引用。
演算法更新和改進： 為了與科學出版和引文實踐的變化保持同步，U1-F-0.8 系統需要定期更新和改進其演算法。這可能包括完善用於識別引用論文和分配類別的方法，以及提高系統的整體準確性和效率。
社群參與和回饋： 為了確保 U1-F-0.8 系統的相關性和有效性，開發人員應積極尋求科學社群的參與和回饋。這可以通過建立回饋機制、組織研討會或與領域專家合作來實現。
總之，U1-F-0.8 系統需要不斷發展和適應，以應對科學出版和引文實踐的未來變化。通過整合新興領域、調整引文實踐的演變、更新演算法並與科學社群合作，該系統可以繼續為研究人員和學者提供有價值的服務。

基於參考文獻的分類系統是否存在固有的偏差，可能會無意中使某些研究領域或群體受益？

是的，基於參考文獻的分類系統，如同 U1-F-0.8，確實存在潛在偏差，可能無意中使某些研究領域或群體受益，而犧牲其他領域或群體。這些偏差可能源於以下因素：

引文偏倚： 某些領域或群體可能比其他領域或群體更容易被引用。例如，英語出版物、來自高收入國家的研究或屬於特定學術流派的研究，可能會獲得不成比例的引用。這種偏見會影響基於參考文獻的分類系統，導致某些領域或群體被過度代表。
學科差異： 不同學科的引文實踐差異很大。某些領域，例如生物醫學，往往具有較高的引文率和較短的引文半衰期，而其他領域，例如人文學科，則引文率較低，半衰期較長。基於參考文獻的分類系統可能無法完全捕捉到這些差異，從而導致某些領域的影響力被高估或低估。
數據偏差： U1-F-0.8 系統所依賴的 Scopus 資料庫本身可能存在偏差。資料庫的收錄範圍和索引標準可能會影響某些領域或群體的代表性。例如，Scopus 資料庫對英語出版物的覆蓋面更廣，這可能會導致非英語出版物的影響力被低估。
為了減輕這些潛在偏差，開發人員應：

提高透明度： 公開演算法和資料集，讓研究人員能夠識別和分析潛在偏差。
開發偏差校正方法： 探索校正引文偏倚和學科差異的方法，例如使用領域正規化指標或加權方案。
納入多樣化的資料來源： 考慮納入來自多個資料庫和出版物類型的資料，以減少資料偏差並提高代表性。
持續監控和評估： 定期監控系統的效能，並評估其對不同領域和群體的影響，以便及時發現和解決潛在偏差。
通過採取這些措施，可以最大程度地減少基於參考文獻的分類系統中的偏差，並確保其公平、客觀地反映全球研究格局。

如果我們將知識視為一個相互關聯的網絡，而不是一個由不同學科組成的網絡，那麼我們如何重新構想科學文獻的分類？

將知識視為相互關聯的網絡，而非由不同學科組成的網絡，為科學文獻分類提供了新的视角。以下是一些重新構想分類的方法：
1. 基於關聯性的動態分類：

概念網絡： 利用自然語言處理和機器學習技術，分析文獻中的關鍵字、主題和概念，構建一個龐大的概念網絡。每個節點代表一個概念，節點之間的連接強度代表概念之間的關聯性。
動態聚類： 根據概念網絡的結構和連接強度，動態地將文獻聚集成不同的群集。這些群集並非預先定義的學科，而是根據研究主題和趨勢自然形成的知識領域。
可視化和探索： 利用網絡可視化工具，將知識網絡以互動式圖形的方式呈現給使用者。使用者可以探索不同概念之間的關係，發現新的研究領域，並追蹤知識的演變。
2. 以問題為導向的分類：

聚焦於研究問題： 不再以學科為中心，而是以研究問題為核心組織文獻。建立一個以問題為導向的資料庫，使用者可以根據他們感興趣的研究問題搜尋和瀏覽相關文獻。
跨學科的解決方案： 鼓勵跨學科合作，將來自不同領域的研究成果整合到一起，共同解決複雜的科學問題。
知識轉化： 促進研究成果向實際應用的轉化，將科學知識應用於解決社會、經濟和環境等方面的挑戰。
3. 以貢獻為中心的分類：

追蹤知識貢獻： 記錄每篇文獻對知識網絡的貢獻，例如提出新的概念、方法、數據或見解。
建立貢獻網絡： 將文獻與其所引用的文獻以及引用其的文獻聯繫起來，形成一個貢獻網絡。使用者可以追蹤特定概念或方法的起源、發展和影響。
評估研究影響力： 基於貢獻網絡的結構和文獻的貢獻程度，更全面地評估研究影響力，而不僅僅依賴於傳統的引文指標。
總之，將知識視為相互關聯的網絡，要求我們重新思考科學文獻的分類方式。基於關聯性的動態分類、以問題為導向的分類以及以貢獻為中心的分類，為我們提供了新的思路，有助於我們更有效地組織、獲取和利用科學知識。