基于时间序列分析的潜在学科交叉前沿主题识别研究

[目的/意义]识别学科交叉前沿主题并预测其发展趋势,有助于了解学科内部结构,挖掘领域重点部署方向,为未来创新性、突破性研究提供参考。[方法/过程]以美国国家自然科学基金项目及其产出论文分别作为前端、后端数据,首先,从三个维度测度项目学科交叉度,遴选领域学科交叉项目;其次,从主题关注度、新颖度等方面构建研究前沿主题识别指标体系,对学科交叉主题进行二次遴选,满足阈值的即为学科交叉前沿主题;再次,对比时间序列分析模型ARIMA和LSTM主题拟合效果并选择误差最小模型对学科交叉前沿主题进行趋势预测分析;最后,以生物科学领域为例对方法的有效性和可行性进行实例验证。[结果/结论]生物科学领域在纳米生物学技术、全球变化和海洋环境生物学、生物信息学及壶菌病与两栖动物多样性方面有较好发展前景。经专家咨询和已有研究对比分析,该方法可有效识别领域学科交叉前沿主题,并对其未来研究趋势走向有一定参考借鉴。     

基于机器学习算法的研究热点趋势预测模型对比与分析——BP神经网络、支持向量机与LSTM模型

[目的/意义]细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行准确预测研究。[方法/过程]提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领域为例利用主题概率模型识别WOS核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取BP神经网络、支持向量机及LSTM模型等3种典型机器学习算法进行预测分析，最后利用RE指标和精准度指标评价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。[结果/结论]实验表明基于LSTM模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP神经网络预测效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋势，可为我国学科领域大势研判和架构调整提供决策支持和参考。     

学科研究热点识别新视角：主题动能——以图书情报领域为例

[目的/意义]从研究主题的知识生产与扩散两方面识别学科研究热点,有利于明确学科重点,把握学科发展动向,为预测未来研究趋势提供研究基础。[方法/过程]提出主题动能概念,基于研究主题的生产与扩散指标构建主题动能模型,综合分析某时间段某主题的研究质量(横向热度)与速度(纵向变化),识别学科研究热点;并根据多时间段的动能变化情况划分不同类型的研究热点,描述其动态变化。[结果/结论]选择图书情报领域2017—2021年研究文献与引证文献为例进行实证分析,发现主题动能模型能够有效识别当前阶段的学科研究热点;选择2012—2016年和2017—2021年两个时间段的相关数据分析主题动能变化,能够划分学科“前沿型”“稳定型”“衰退型”三种类型研究热点,实现对学科研究的动态描述。     

基于创新性和学科交叉性的研究前沿探测模型——以智能材料领域研究前沿探测为例

快速发现并科学准确地把握研究前沿不仅是科学研究人员关注的焦点,更是高层管理者乃至各国政府战略决策的需要。为了从客观角度全面准确地探测特定领域的研究前沿,论文首先界定研究前沿的内涵并分析其特征,进而提出从创新性和学科交叉性探测研究前沿的模型,此模型由"三阶段"构成,即创新性特征识别阶段、学科交叉性特征识别阶段以及前沿主题提炼阶段,处理过程分别使用文献引文分析、共现分析和文本挖掘方法,最后以智能材料领域为例,说明模型(方法)的使用过程和效果。实验结果表明由此模型探测的前沿主题与智能材料领域专家的判断相符程度较高。     

基于多源数据知识融合方法的研究前沿识别

[目的/意义]面对科技创新演变的加剧和交叉融合加速的大环境，利用情报研究方法及其他学科方法准确识别科技前沿成为获取科技战略情报的重要任务。研究前沿不仅提供了对当前重点和未来趋势的预见，而且为政府决策提供了关键指标。[方法/过程]通过内容分析对当前研究前沿的识别框架、方法以及多元关系、深入内容层面分析方法的应用等现状进行总结，发现目前在研究前沿识别模型和方法中仍存在不足。[结果/结论]针对不足，结合多源数据进行知识融合初步设计了综合宏观和微观的前沿识别模型，将多实体和多关系融合应用到主题关联，利用图模型的社团结构识别和Clique所含信息进行主题表示；划分研究前沿类型并构建前瞻性指标体系，完成科技前沿的识别，以期更准确、高效、全面地识别科技前沿。     

学科领域主题演化与预测研究：理论、方法与价值

[目的/意义]当前学科领域主题演化与预测研究文献快速增长,适时开展国内外最新研究的梳理与述评,助力研究的价值提升。[方法/过程]首先,归纳现有研究理论基础,构建研究总体框架图;其次,依据研究的内在知识逻辑,刻画了主题演化与主题预测的方法路径;最后,在剖析研究价值的基础上,提出未来研究建议。[结果/结论]后续研究需加强科学演化模型、演化扩散理论以及科学—技术关联模型的完善与应用,积极使用深度语言模型以及深度学习算法以提升主题预测的准确性,同时在宏观、中观以及微观三个层面丰富研究对象颗粒度,并注重研究的科技情报实效。     

基于论文和专利数据的研究前沿挖掘研究——以智能网联汽车领域为例

[目的/意义]对比论文数据和专利数据的特征指标,识别热点、新兴、潜在和消亡研究前沿主题。[方法/过程]利用LDA主题模型,对智能汽车领域相关的论文数据和专利数据进行主题提取,计算两个数据源下各主题的强度和主题新颖度并进行对比分析。[结果/结论]本文识别出路径规划技术等热点研究前沿6个、智能计算等新兴研究前沿2个、安全认证技术等潜在研究前沿6个、车载平台等消亡研究前沿6个。本文在前沿识别方法上进行了创新,有效识别出领域内研究前沿并进行分类,为相关机构和研究人员提供借鉴。     

基于主题扩散演化滞后的研究前沿趋势预测方法研究

[目的/意义]从微观视角把握研究前沿主题在基金项目、论文数据中的关联关系,有助于准确把握科学知识生长中的研究前沿活动机理,对于研究前沿、新兴趋势识别和多源科技文献融合等工作具有一定的实践指导意义。[方法/过程]首先,利用LDA模型进行基金、论文研究主题探测;然后,综合新兴度、关注度指标和战略坐标图进行初始研究前沿判别,在主题扩散演化滞后效应测度结果基础上进行滞后修正的研究前沿识别;最后,利用ARIMA模型和Word2Vec模型进行研究前沿主题趋势预测分析。[结果/结论]以美国纳米农业领域为例进行了实证研究。研究发现,基金和论文在外部数量和内部主题特征两个层面都显示出一定的滞后性。文章对纳米颗粒在农作物代谢过程中诱导应激机制、用于绿色可持续环境及农业应用的纳米气泡技术、农作物吸收不同剂量下纳米材料的反应与机制等7个研究前沿主题发展趋势进行了预测分析。     

科学与技术对比视角下的前沿主题识别与演化分析

[研究目的]基于研究前沿多维特征指标测度识别研究前沿,分析科学前沿主题与技术前沿主题间的联系及其演化。[研究方法]首先,对论文和专利数据进行主题挖掘,从前沿主题特征出发通过新颖度、增长性、影响力和交叉性4个测度指标识别出研究前沿,分析科学前沿主题与技术前沿主题间的联系;其次,通过主题相似度计算、主题过滤等方法识别具有演化关系的主题对,并对前沿主题内容演化过程进行可视化分析。[研究结论]以固体氧化物燃料电池领域为例,识别出了包括固体氧化物燃料电池堆研究等在内的4个科学前沿主题与复合电极材料在内的4个技术前沿主题,科学研究与技术研究互相推进,呈现双螺旋式发展。     

基于语义表示和动态主题模型的社科领域新兴主题预测研究

[目的/意义]预测社科领域在未来有发展潜力的研究主题对于科研工作者寻找新的学科增长点和政府部门优化资源配置至关重要。文章提出一种基于语义表示和动态主题模型的社科领域新兴主题预测框架,以期丰富和完善主题预测研究的方法体系。[方法/过程]首先,使用BERT模型和UMAP算法对文本进行语义表示和向量降维,再通过动态主题模型对嵌入向量进行聚类,从而获得全局主题;其次,构建新兴主题指标计算公式,基于Neural Prophet模型和非参数检验方法预测新兴主题;最后,通过划分时间窗将全局主题细化为多个局部主题,以定位最近时间段的新兴词汇。[结果/结论]选取“人口老龄化”领域的学术论文和报纸进行实证研究,并采用资料验证法进行方法有效性分析,结果表明该方法能够快速准确地预测社科领域中的新兴主题。     

基于Rao-Stirling指数和LDA模型的领域学科交叉主题识别——以纳米科技为例

【目的/意义】基于Rao-Stirling 指数和LDA模型进行领域学科交叉主题识别,并以纳米科技为例验证将 Rao-Stirling 指数和LDA模型用于领域学科交叉主题识别的有效性和适用性。【方法/过程】基于Rao-Stirling 指数 测度领域文献学科交叉程度,设定阈值发现高度学科交叉文献。基于LDA模型对筛选出的学科交叉文献进行主题 识别,发现学科交叉点和学科交叉研究主题。【结果/结论】基于Rao-Stirling 指数从引文的角度进行领域文献学科 交叉测度可以有效地发现与某领域相关的学科交叉文献,且有利于大数据集的学科交叉文献发现研究的实现。基 于LDA模型进行学科交叉主题识别可以有效地发现学科交叉主题。两方法的组合应用为发现某领域学科交叉主 题研究提供一种新视角。     

基于知识流的研究前沿主题演化分析方法研究——以“基因组编辑技术及其在农作物中的应用”研究前沿为例

[目的/意义]从知识流视角揭示研究前沿核心主题与发展主题知识吸收与扩散过程,分析其演变规律及关键节点,以期为研究人员深入开展前沿研究提供新视角和新思路。[方法/过程]首先,基于共被引理论获取研究前沿核心文献和施引文献集合,通过主题聚类识别前沿核心主题和发展主题两类知识节点;其次,对知识节点进行向量化表示,通过计算知识节点间相似度构建知识节点之间的关联关系,依据知识节点类型和节点关联关系识别研究前沿知识流动的6种类型;再次,利用EChart平台对主题演化状态进行可视化;最后,以“基因组编辑技术及其在农作物中的应用”研究前沿为例开展实证研究,并结合近年基因编辑技术研究内容、相关前沿发布情况验证方法的可行性和有效性。[结果/结论]实证结果表明,基于核心主题和发展主题,从知识流的视角对主题演化状态进行分析,能够识别前沿主题演化路径及发展的关键节点,有助于探索研究前沿可能的创新切入点,开展前瞻布局,把握前沿机遇。     

基于可视化学科多样性测度指数和主题模型的领域学科交叉知识图谱构建——以纳米科技领域为例

[目的/意义]基于文献计量学和文本挖掘方法探索与某领域相关的学科交叉知识图谱的新思路。[方法/过程]提出可视化学科多样性测度指数和主题模型的领域学科交叉知识图谱研究框架，基于Science Overlay Map和嵌入领域本体的LDAvis进行领域学科交叉知识图谱的构建，并以纳米科技领域为例，验证学科交叉知识图谱研究框架的有效性和适用性。[结果/结论]基于Science Overlay Map的领域学科交叉科学地图，从全学科的角度展示纳米科技领域与其他学科的交叉情况，基于LDAvis结合领域本体的学科交叉主题交互图则聚焦具体的学科交叉主题和主题之间的相互关系，二者的结合可以从宏观和微观上更清晰地把握纳米科技领域与其他学科的交叉情况。本研究可以弥补学科交叉主题识别结果不容易被解释的局限性，为领域学科交叉知识图谱研究提供了一种解决方案的新视角。     

专利前沿技术主题识别及趋势预测方法——以人工智能领域为例

[目的/意义]产业变革快速演进,技术创新成为驱动社会经济发展、提高国家和企业科技竞争力的关键所在,如何对前沿技术进行识别和预测,成为国家科技政策研究和企业技术创新活动关注的热点。[方法/过程]以人工智能作为重点研究领域,首先以LDA模型进行技术主题抽取,并结合K-means算法进行专利文本聚类;在此基础上,以Z分数表示技术主题创新度,以Sen's斜率估计技术主题授权趋势,两个指标结合形成技术主题前沿度并将二者映射到二维空间,识别前沿技术主题以及划分技术主题类型;再,计算前沿技术主题的新颖度和关注度,二者融合形成技术主题趋势度指标;最后,采用三次指数平滑法对前沿技术主题的发展趋势进行预测。[结果/结论]人工智能领域的前沿技术主题有“智能家居”“电动汽车”和“自动化控制系统”,其中“智能家居”在未来3年的发展呈下降态势,而“电动汽车”和“自动化控制系统”的发展呈明显上升趋势。     

新兴主题识别方法研究综述

[目的/意义]梳理国内外新兴主题识别相关研究，总结不同方法的优缺点，归纳现有研究存在的问题，为新兴主题识别研究提供参考。[方法/过程]首先对新兴主题及其相关概念进行辨析；其次根据新兴主题识别的流程，从数据源及分析对象的选择、识别主题的方法、用于筛选新兴主题的特性与指标3个层面对相关文献集进行梳理与分析；最后，提出现有研究的局限与不足，并对未来发展作出展望。[结果/结论]新兴主题识别研究经过20余年的发展，已经形成了较为规范的研究流程及较为丰富的研究方法，但仍存在一定的不足。在理论层面，新兴主题的定义尚不明确；在数据集构建方面，数据源的选择与融合方式有待完善；在主题识别方面，研究方法时滞性较强，对语义关注和解释不足；在筛选指标方面，缺乏客观完整的评价体系。未来需要针对相关理论和研究方法进行更为深入的研究。     

基于Altmetrics的多指标新兴主题探测方法研究——以计量学领域为例

[目的/意义]探索基于Altmetrics的新兴主题探测方法,有利于弥补目前新兴主题识别的不足、推动知识服务与情报学学科发展。[方法/过程]从新兴主题特征出发,基于AAS(Altmetrics Attention Score)聚合分数设计新兴主题探测过程和指标,并结合第三方结果比较和指标验证等对构建方法进行检验和分析。[结果/结论]提出的新兴主题探测方法识别结果有效,并能较好地识别具有发展潜力的新兴主题。     

基于SSI-GuidedLDA模型的引导式网络敏感信息识别研究

[研究目的]引导式主题模型可以引导生成有倾向性的敏感主题,提高网络敏感信息识别性能,对维护国家安全和社会稳定具有重要意义。[研究方法]针对当前网络敏感信息识别研究构建敏感信息特征不全面和不准确,从而导致识别性能欠佳的问题,提出基于SSI-GuidedLDA模型的引导式网络敏感信息识别方法。首先,从多源网络资源中爬取敏感种子词,并基于词向量模型Word2Vec获得种子词的敏感语义相关词,构建更为完备、准确的敏感特征。其次,将构建的敏感特征融入引导式主题模型,得到改进后的模型SSI-GuidedLDA。最后,基于SSI-GuidedLDA模型获得待识别信息的主题分布,通过主题分布概率判断其是否为网络敏感信息。[研究结论]在新浪微博数据集上的实验结果显示,与已有方法相比,提出的方法在准确率、召回率和F₁值上均有一定提高。     

基于专利文献挖掘的关键共性技术识别研究

[目的/意义]科学准确识别关键共性技术对企业和国家来说都是至关重要的战略议题。[方法/过程]文章提出了一种基于专利文献分析的关键共性技术识别框架,运用文本挖掘和技术演化分析方法,获取特定领域的关键共性技术。首先,使用Viterbi算法识别专利文献中的专业术语,通过LDA算法捕捉专利文献中的技术主题聚类;其次,通过将技术主题的共类特征数值化,作为共性程度的度量;随后,将技术主题节点在技术演化转移网络中的关键程度作为技术关键性的表征,并使用PageRank算法衡量技术主题的关键性。最后,以机器人及数控机床技术为例,验证了该方法的可行性和有效性。[结果/结论]该方法可实现高效、准确的关键共性技术识别,为国家制定创新扶持政策提供支撑。[局限]研究仍需扩大科技文献的收集范围,以实现更全面的关键共性技术识别。     

基于关联规则挖掘的多学科知识融合研究——以新冠肺炎研究领域为例

[目的/意义]挖掘高强度关联学科，揭示多学科知识融合规律，有助于更好地把握和推动多学科知识融合。[方法/过程]从Web of Science核心集获取新冠肺炎主题论文，采用Apriori算法挖掘参考文献所属学科的频繁项集和强关联规则，揭示知识融合特征。以一项强关联规则为例，结合关键词聚类分析，识别该学科组合在知识融合后形成的热门主题。[结果/结论]新冠肺炎研究的知识来源非常广泛，跨学科知识融合十分普遍，关联规则挖掘提供了一种识别和预测强关联学科组合及其知识融合趋势的新方案。     

跨学科引用对知识生长的刺激作用与程度分析——以图书情报学为例

[目的/意义]探究跨学科引用对知识生长的刺激作用,识别跨学科引用有效促进知识生长的研究主题,对把握跨学科研究规律和方向具有重要意义。[方法/过程]文章从跨学科引用率、跨学科引用多样性、跨学科引用集中度3个方面构建跨学科引用度模型反映跨学科引用程度,构建主题研究热度模型反映知识生长,用相关性分析方法测度跨学科引用刺激知识生长的作用与程度,并以2001—2020年图书情报学前沿和稳定型热点研究主题为例进行实证分析。[结果/结论]跨学科引用对知识生长具有积极作用,并根据跨学科引用与主题研究热度相关性大小将研究主题分为有效、能够、不易促进知识生长3类,提出并验证一种估算刺激程度的方法。[局限]仅以图书情报学为例对模型进行检验,是否适用于其他学科尚待进一步验证。