科学文献的引用行为及其对科学评价的影响研究

批准号:
71704035
项目类别:
青年科学基金项目
资助金额:
19.0 万元
负责人:
于田
依托单位:
学科分类:
G0403.科技管理与政策
结题年份:
2020
批准年份:
2017
项目状态:
已结题
项目参与者:
李莘、王维斌、赵梦阳、王馨、王爽
国基评审专家1V1指导 中标率高出同行96.8%
结合最新热点,提供专业选题建议
深度指导申报书撰写,确保创新可行
指导项目中标800+,快速提高中标率
微信扫码咨询
中文摘要
科学评价是科技管理的重要组成部分,对国家科技发展和创新有着重要意义。我国的科学评价体系促进了科技资源的优化配置,提高了科技管理水平,但同时仍存在评价指标不科学、评价结果不客观等突出问题,困扰和阻碍我国的科技发展。为了充分发挥科学评价的效力,本项目以机器学习算法、信息传播理论、复杂网络、科学计量学等作为理论基础,对引用行为背后的知识流动过程进行客观深刻的剖析,构建真实引用行为和虚假引用行为的自动分类模型;在针对引用行为进行不同动机下的情感分类之后,建立更为合理的、综合考虑知识传播强度和速度要素的引用行为模型;并在此基础上,通过加权引文网络的拓扑结构,得到从科学的自身价值来衡量科学研究的定量评估方法。研究成果将为国家科学评价体系的完善和科技管理策略的制定提供科学依据。
英文摘要
Scientific evaluation is a vital part of scientific management. It plays a major role in the innovation of science and technology. China’s scientific assessment system has significantly optimized the allocation of scientific resources. However, some issues, such as the evaluation index not being scientific and assessment results not being objective, have hindered the development of science and technology in China. To fully utilize the effectiveness of scientific evaluation, this project builds a model which can distinguish normalcitations from faked ones to understand the knowledge flow behind the citation behaviors based on the machine learning algorithms, complex network, information theory, and Scientometrics. In addition, a more reasonable model is established based on the intensity and speed of the knowledge flow, after the sentiment classification of the citation behaviors. A quantitative evaluation method is obtained by incorporating the analysis of the topological structure of weighted citation network. The findings will be useful in improving our scientific evaluation system and scientific management strategy.
科学评价是科技管理的重要组成部分,对国家科技发展和创新有着重要意义。我国的科学评价体系促进了科技资源的优化配置,提高了科技管理水平,但同时仍存在评价指标不科学、评价结果不客观等突出问题,困扰和阻碍了我国的科技发展。为了充分发挥科学评价和科技管理的效力,本项目以机器学习、数据挖掘和科学计量学等方法作为理论基础,对引用行为背后的知识流动过程进行剖析,分别以科学文献和期刊为研究对象,建立引用行为的自动识别模型,深入探索不同引用行为产生的原因,在此基础上从引用强度出发,对引用行为进行更加准确的描述和量化,研究引用行为背后的引文分布规律及知识流动特性,为客观评估科学参与主体的成果和价值、进一步丰富科技管理的相关理论以及合理分配科研资源提供理论依据和数据支持,对提高国家科技管理水平和发展国家科技创新体系有着积极意义。.首先,以期刊引证报告中的已知异常期刊作为样本,在与正常期刊进行对比分析的基础上构造了描述期刊引用行为的特征空间,通过特征选择方法选取其中的重要特征并使用深度信念网络构建了期刊分类模型,该模型能够自动识别存在异常引用行为的期刊。.其次,使用卷积神经网络建立了不同引文标记样式下的文献引文识别算法,并在该算法的基础上研究了引文分布规律和引文贡献率。.再次,从引文强度的视角研究文献的引文分布规律及引文背后的知识流动特征。通过统计假设检验来研究引文提及次数的统计特征,验证了基于引文提及次数的引文统计分布跟随广义帕累托分布,揭示了在引用现象背后中存在的80/20规则。在此基础上使用全计数法和分数计数法来分别计算引文强度并进行了比较研究,结果显示,被多次提及的引文均具有较高的引文强度。.最后,研究了文献中的引文未提及现象,通过未提及的参考文献与施引文献之间的相似性分析,深入探讨了该现象产生的原因及其对引用背后知识流动所造成的影响。
期刊论文列表
专著列表
科研奖励列表
会议论文列表
专利列表
DOI:10.22452/mjlis.vol23no2.2
发表时间:2018-07
期刊:Malaysian Journal of Library and Information Science
影响因子:1.3
作者:Yu Tian;Yu Guang;Song Yan;Wang Ming Yang
通讯作者:Wang Ming Yang
DOI:10.1109/access.2019.2958952
发表时间:2019
期刊:IEEE Access
影响因子:3.9
作者:Guang Yu;Weibin Wang;Cholmyong Pak;Tian Yu
通讯作者:Guang Yu;Weibin Wang;Cholmyong Pak;Tian Yu
DOI:10.1080/00987913.2020.1856763
发表时间:2021-01
期刊:Serials Review
影响因子:0.9
作者:Weibin Wang;Guang Yu;Tian Yu;Zheng Wang
通讯作者:Weibin Wang;Guang Yu;Tian Yu;Zheng Wang
DOI:10.1007/s11192-020-03711-2
发表时间:2020-09
期刊:Scientometrics
影响因子:3.9
作者:Wang Weibin;Wang Zheng;Yu Tian;Pak CholMyong;Yu Guang
通讯作者:Yu Guang
DOI:10.1016/j.joi.2020.101070
发表时间:2020
期刊:Journal of Informetrics
影响因子:3.7
作者:Pak Chol Myong;Wang Weibin;Yu Guang
通讯作者:Yu Guang
国内基金
海外基金
