科史哲类英文期刊研究分析(2007~2016)北大核心CSSCI

介绍WOS数据库内有关SSCI收录的科史哲英文期刊的基本概况,在此基础上做多方面的定量分析,一方面意在协助国内科史哲期刊扩大认识思路,了解最新研究前沿;另一方面有利于识别并衡量这些期刊在本学科中的作用,对科技史和科技哲学学科在期刊建设、学者投稿和研究热点分析等方面提供有益的借鉴。以2007～2016年间被WOS数据库内SSCI收录的科技史类和科技哲学类的英文期刊发表的论文为研究对象,综合运用图形学、信息可视化技术学、信息科学等学科的理论与计量学引文分析、社交网络分析、共现分析等方法,综合分析科史哲英文期刊。     

2004—2016年互联网档案学研究论文计量学分析

随着互联网的普及,互联网档案学逐渐进入学者视野,成为档案学学科体系建设的新生长点。但由于这一研究领域的起步时间不长,目前仍处于探索期,因此存在很多不完善之处,同时也有很大的发展空间。通过检索和整理2004—2016年间中国知网收录的互联网档案学研究论文数据,分别从年度、作者、期刊、主题分布、作者地区分布等角度进行文献计量学分析,运用ROSTCM6软件对论文的关键词进行词频统计,得出互联网档案研究的一些规律。研究发现,目前我国互联网档案学存在以下问题:术语不统一和不规范,研究成果少,发展缓慢,主题分布不均衡以及跨领域合作不足等。     

中华人民共和国成立后农业科学译著的书目计量学分析

本文将书目计量学理论引入学术译著出版研究。以农业科学学科为例,在农业科学译著书目数据采集和学科分类的基础上,利用Excel软件对农业科学译著的书名、作者、作者国别、译者、出版者、出版时间进行数据统计。而后,对农业科学译著的学科特征、国别特征、出版时间特征进行了分析。     

科学计量学在技术预见研究中的应用——以新材料研究为例

以新材料领域为例,将科学计量学方法应用于技术预见研究,通过国家、机构、作者、高被引、关键词等分析,得出该领域的关键前沿研究为自主装、纳米线及太阳能电池的相关研究,石墨烯的研究呈现明显的上升趋势,美国是新材料研究的领先者,中国在高质量论文的发文和研究机构等方面取得显著进步,跻身领先行列。     

利用GoWeb、PubMed及ISIS系统评价医学期刊对研究热点的把握度

以哮喘机制研究为例,使用GoWeb生物医学专业搜索引擎搜索学科领域研究热点,以PubMed文献检索服务系统来源的国外权威期刊和ISIS系统检索获得的国家自然科学基金项目为评价标准,比较国内权威医学期刊对学科领域研究热点及其发展趋势的把握度.结果发现,免疫学、气道重塑、表观遗传学为哮喘机制研究3大热点,三者发文量或项目数占比之和由高到低排列分别为《中华医学杂志》(96.0％)、国家自然科学基金项目(89.5％)、国外权威期刊(87.0％)、《中华结核与呼吸杂志》(75.7％).与国外权威期刊及国家自然科学基金项目相比较,国内权威期刊中免疫学机制比例较高,而气道重建比例较低,表观遗传学研究见于国外权威期刊、国家自然科学基金项目及《中华医学杂志》中,发文量或项目数占比基本相当;在国内期刊中,《中华医学杂志》对哮喘机制研究热点的把握度较好.基于GoWeb对科技期刊研究领域进行对比分析有利于医学期刊及其编辑把握有关领域的研究热点及其发展趋势,组织发表紧跟国际研究热点的高水平的医学科研论文.     

基于文献计量学的科技期刊评价指标的定量分析——以《安全与环境工程》为例

为定量分析科技期刊的相关评价指标,掌握科技期刊的发展趋势和学术质量,以《安全与环境工程》2002-2016年载文数据和被引数据作为研究样本,采用文献计量学的研究方法,对期刊的载文和被引情况、关键词、高被引论文等进行统计分析,客观评价该刊的质量和学术水平,并提出相关建议,为提高科技期刊的办刊质量提供一定参考。     

教育网站评价的网络计量模式初探

目前,教育网站评价中普遍存在主观多客观少、静态多动态少的问题,因此,引入新的评价模式增强教育网站评价的动态性和客观性成为必然的选择.Alexa排名在网站评价中的广泛应用,使得教育网站评价的网络计量模式开始走进实践和理论研究的视野.本文从网络计量模式的内涵、各种网络计量指标及其评价意义、网络计量模式的实施方法等三个方面详细阐述了网络计量模式在教育网站评价中的应用框架,文章最后还讨论了实施教育网站网络计量评价可能遇到的问题以及后续研究工作.     

力量训练后大鼠心肌超微结构的形态学研究

本文探讨力量训练后大鼠心肌超微结构的变化,研究结果表明:与对照组相比,训练组心肌超微结构,尤其是线粒体发生了变化。     

支持向量分类算法在5-HT3受体拮抗剂的构效关系研究中的应用

In this work, support vector classification （SVC） algorithm was used to build structure-activity relationship （SAR） model of the 5-hydroxytryptamine type 3 （5-HT3 ） receptor antagonists with 26 compounds. In a benchmark test, SVC was compared with several techniques of machine learning currently used in the field. The prediction performance of the model was discussed on the basis of the leave-one-out cross-validation. The results show that the accuracy of prediction of SVC model was higher than those of back propagation artificial neural network （BP ANN）, K-nearest neighbor （KNN） and Fisher methods.