王佳敏 李 信 劉齊進

(1.武漢大學(xué)信息管理學(xué)院,武漢,430072; 2.武漢大學(xué)信息檢索與知識挖掘研究所,武漢, 430072)

1 引言

隨著開放獲取運動的興起，學(xué)術(shù)論文全文本數(shù)據(jù)的獲取變得更加方便，基于全文本的分析和計量成為了文獻計量學(xué)的新趨勢。以章節(jié)結(jié)構(gòu)、引用信息、圖表和致謝等為代表的結(jié)構(gòu)化全文信息及以深度學(xué)習、自然語言處理、機器學(xué)習和可視化等為代表的文本挖掘技術(shù)，為文獻計量學(xué)的研究提供了更加廣闊的空間和可能。近年來，學(xué)術(shù)界在全文引用分析、引用動機分析、實體主題抽取等領(lǐng)域開展了一系列的探索和應(yīng)用[1]。

在此背景下，南京理工大學(xué)經(jīng)濟管理學(xué)院章成志教授與大連理工大學(xué)科學(xué)學(xué)與科技管理研究所胡志剛副教授共同發(fā)起并協(xié)助籌辦“全文本文獻計量分析”學(xué)術(shù)沙龍。該學(xué)術(shù)沙龍于2018年9月20日在成都舉行，作為“2018年科學(xué)計量與科技評價天府論壇”中的一個交流研討環(huán)節(jié)，由中國科學(xué)院成都文獻情報中心主辦。中科院成都文獻情報中心科學(xué)計量與科技評價研究中心(SERC)執(zhí)行主任陳云偉研究員主持，章成志教授、胡志剛副教授、同方知網(wǎng)辦公室主任師慶輝經(jīng)理和南京理工大學(xué)經(jīng)濟管理學(xué)院博士研究生盧超為沙龍嘉賓，來自全國各高校和科研機構(gòu)的科研人員、教師和研究生共60余人參與了本次沙龍的現(xiàn)場討論與交流。

通過對沙龍內(nèi)容的梳理和總結(jié)，本文將從“引用位置與引用程度分析”、“引用行為與引用動機分析”、“引用情感分析與論文評價”、“全文本知識單元與實體抽取”、“數(shù)據(jù)開放、數(shù)據(jù)標注與評測”和“新興研究話題與預(yù)測”等六個主題進行述評，揭示全文本文獻計量分析的研究現(xiàn)狀和發(fā)展趨勢。

2 引用位置與引用程度分析

引用位置分析是語法層面的引用內(nèi)容分析，主要對引用內(nèi)容在施引文獻中的位置分布情況進行統(tǒng)計分析。引用程度分析，也稱引用強度分析，不同于傳統(tǒng)的引文分析中對施引文獻進行計數(shù)的辦法，主要考察在施引文獻的全文或不同篇章結(jié)構(gòu)中引文被提及或標注的次數(shù)，其實質(zhì)是定量層面的引用內(nèi)容分析。引用程度分析與引用位置分析相結(jié)合，能對引用內(nèi)容的語義信息進行更加細粒度的挖掘。

引用位置分析是全文引文分析的一個重要方面。胡志剛副教授指出，全文引文分析主要的研究對象包括引用位置、引用強度和引用語境(引文上下文)，主要的研究內(nèi)容是三個對象之間以及引文特征之間的相互關(guān)系，如高被引和低被引論文出現(xiàn)在論文的不同章節(jié)位置(主要包括引言、方法、結(jié)果和討論等部分)的分布情況；發(fā)表年份不同的論文哪個更容易被引，更容易被論文的哪個位置引用，或者被提及多少次等問題。將引用位置和引用強度在學(xué)術(shù)論文全文本中的分布進行可視化呈現(xiàn)，可以幫助研究者更加全面直觀地對引用行為進行解讀。胡志剛副教授舉例，在其對論文引用位置的研究中，用每個柱體代表一篇論文，柱體中不同顏色的小段代表正文的各個章節(jié)，小圓點代表引用在正文中出現(xiàn)的位置，以此構(gòu)建引用位置可視化圖譜，如圖1所示[2]。在此基礎(chǔ)上，選取了三篇關(guān)于h指數(shù)研究的經(jīng)典論文，利用引用位置的可視化圖譜繪制了這三篇引文的引用位置圖示，發(fā)現(xiàn)發(fā)表較早的開創(chuàng)性論文的引用位置幾乎全部出現(xiàn)在另外兩篇文獻的引用之前。此外，還可以研究線索詞與引用位置的關(guān)系，比如通過第一人稱和第三人稱在論文正文中的位置分布，發(fā)現(xiàn)第三人稱的引用多出現(xiàn)在第一、二章節(jié)，而第一人稱的引用多出現(xiàn)在第三、四章節(jié)中；通過行為動詞在不同位置的引用中的分布，體現(xiàn)不同位置中引用語境在功能上的特點；通過連接詞在文章中的引用位置的分布，表示引用之間的補充、因果、轉(zhuǎn)折關(guān)系等[3]。

引用程度分析是對傳統(tǒng)引用分析(引用頻次簡單統(tǒng)計)的擴展和延伸。傳統(tǒng)的引用分析將所有引用的重要性都視為一樣，而沒有對引用進行分類，是簡單提及還是作為理論或方法基礎(chǔ)，是正面引用還是負面引用，也沒有區(qū)分顯式引用和隱式引用。實際上，不同引文在正文中的引用次數(shù)是不一樣的，不同類別、不同位置的引文在引用分析中應(yīng)加以區(qū)分并給予不同的權(quán)重，從而更加合理地衡量被引文獻的重要程度。胡志剛副教授談到，在其最新一篇關(guān)于多引現(xiàn)象的論文中，對于什么樣的引文更容易被多次引用、什么樣的施引文獻更傾向于進行多引進行了比較系統(tǒng)的回答[4]。一般來說，自引論文、新論文具有更高的引用強度，即更容易被多次引用；篇幅較長的施引論文更容易多引，但施引論文是否高被引則與多引傾向無關(guān)。

3 引用行為與引用動機分析

胡志剛副教授在談到全文引文分析時，指出全文引文分析回答的其實是兩個問題，一個是引用行為，一個是引用動機，也就是“howtocite”和“whytocite”，其中“howtocite”對應(yīng)“引用行為是怎樣的？”，而“whytocite”對應(yīng)“引用動機是什么？”。引用行為是科研人員基本的學(xué)術(shù)行為，在學(xué)術(shù)論文中以引用內(nèi)容的形式記錄下來，是可測度的；引用動機是語義層面的引用內(nèi)容分析，不可直接測度，是復(fù)雜的和不確定的。

圖1 論文引用位置分布[2]

北京師范大學(xué)吳金閃教授也提出更應(yīng)該關(guān)注文章中的“真引用”[5]，在進行引文分析的時候，研究者需要去關(guān)注哪些引用是“真引用”、哪些引用是“假引用”。根據(jù)不同學(xué)者的觀點，引用動機被分為不同的類別，例如，加菲爾德將引用動機歸納為15類，包含對科學(xué)開創(chuàng)者表示敬意、對同行的尊重、方法和工具的鑒別、提供知識背景、對自己或他人之前研究的修正以及對早期著作的批評等[6]。胡志剛副教授指出，當研究引用動機和引用行為的時候，數(shù)據(jù)的來源可以分為兩類：第一類是基于引用內(nèi)容的數(shù)據(jù)來源，例如，印第安納大學(xué)的丁穎教授提出的content-basedcitationanalysis[7]，主要關(guān)注文內(nèi)引用(引文句)以及其引文上下文(引用語境)。目前，一些學(xué)術(shù)數(shù)據(jù)庫可以給研究者直接提供文獻中每篇引文的引文語境，比如NEC研究院在自動引文索引(AutonomousCitationIndexing)機制基礎(chǔ)上建設(shè)的一個學(xué)術(shù)數(shù)字圖書館CiteSeerX[注]https://en.wikipedia.org/wiki/CiteSeerX。此外，加菲爾德在50年代創(chuàng)建科學(xué)引文索引(SCI)的時候，其初衷并不是僅僅統(tǒng)計每篇文章的被引頻次，而是還要提取相應(yīng)的引文句，但是由于當時的條件限制，被他的一位物理學(xué)家朋友勸阻了[8]。半個多世紀過去了，直到科學(xué)計量學(xué)界的這位巨擘仙逝，其意愿也沒能實現(xiàn)。試想如果科學(xué)引文索引中，除了能看到文章的引用次數(shù)，還能看到其相應(yīng)的引用句，那么科學(xué)計量學(xué)可能可以做更多事情。第二類是基于全文引文分析的數(shù)據(jù)來源，這類研究基于學(xué)術(shù)論文的全文文本。隨著數(shù)據(jù)開放獲取的發(fā)展，PubMed生物醫(yī)學(xué)數(shù)據(jù)庫[注]https://www.ncbi.nlm.nih.gov/pubmed/、美國物理學(xué)會APS數(shù)據(jù)集[注]https://www.aps.org/、計算機文獻數(shù)據(jù)庫DBLP[注]https://dblp.uni-trier.de/、開放獲取出版物PLoS[注]https://www.plos.org/、Frontier系列期刊數(shù)據(jù)庫[注]http://hep.calis.edu.cn/等免費向研究者開放了一部分或全部的高質(zhì)量學(xué)術(shù)論文全文數(shù)據(jù)，這些結(jié)構(gòu)化的論文全文，使得引用位置、引用強度、引用情感等引文內(nèi)容分析成為可能。

在談到引用行為與引用動機之間關(guān)系的時候，胡志剛指出，對引用行為的研究實際上是要揭示作者的引用動機，由于很難了解作者引用某篇文章的真實動機，所以假設(shè)是利用行為來猜測動機。但是利用引用行為真的可以推測引用動機嗎？古人云“孝字論心不論事，論事千年無孝子；淫字論事不論心，論心萬年無完人”，就是說有時候你想的(動機)和你所做的事情(行為)是不一樣的，因此，引用行為不一定能真實地反映引用動機。關(guān)于引用行為與引用動機的關(guān)系還有待更深入的研究。

4 引用情感分析與論文評價

除了前文提到的引用位置分析和引用動機分析外，基于文本的引文內(nèi)容分析還可以進行引用內(nèi)容主題分析的研究。引文上下文的內(nèi)容包含了論文作者對被引文獻自己的理解與思考，蘊含著大量與論文主題密切相關(guān)的語義信息，對傳統(tǒng)的通過標題、關(guān)鍵詞和摘要信息研究論文主題的方法是很好的補充[9]。引文內(nèi)容分析與傳統(tǒng)引文分析的主要不同之處在于，傳統(tǒng)的引文分析一般通過對論文的引證與被引證現(xiàn)象進行分析，揭示其中的數(shù)量特征和內(nèi)在規(guī)律；而引文內(nèi)容分析更多的是從引文內(nèi)容本身出發(fā)進行分析與挖掘，研究引文內(nèi)容中包含的情感、線索詞、作者動機等問題，探索單篇論文新的評價方法和機制[10-11]。隨著引文內(nèi)容分析與自然語言處理領(lǐng)域的不斷融合，基于引文內(nèi)容的論文主題自動分析成為可能，該領(lǐng)域也將引起更多學(xué)者的關(guān)注。

引用情感分析是引文內(nèi)容分析研究中的一個重要分支，也是面向論文評價中的一個有益嘗試。引用是論文作者的主觀行為，作者對被引文獻的描述也會包含一定的主觀情感，這些情感可能是正面的、負面的或者中立的，作者的引用情感也值得進一步分析和挖掘。在談及引文內(nèi)容的情感分析時，章成志教授首先肯定了引用情感分析的研究意義，指出引用情感分析能更準確地計算出有效引用，而引文數(shù)據(jù)的有效性則影響到整個文獻計量學(xué)的科學(xué)性。研究者可以利用引用情感分析檢測出負面引用而不記入有效引用中，讓引文數(shù)據(jù)更加準確有效，從而讓文獻計量學(xué)的根基更為牢固。章成志教授還指出目前在計算機領(lǐng)域已經(jīng)有許多關(guān)于情感分析的研究，但大部分主要是針對新聞社交媒體以及電商評論進行挖掘，與學(xué)術(shù)文本引用情感分析有較大不同。一方面社交媒體或電商評論數(shù)據(jù)往往具有明顯的極性甚至評分信息，而論文作者在撰寫論文時經(jīng)常避免使用直接的批評語句，有時通過暗示來隱晦地表達他們對引文的負面態(tài)度；另一方面，引文內(nèi)容中的負面引用所占的比例非常小[12-13]，因此，他也呼吁學(xué)術(shù)界應(yīng)該與論文全文服務(wù)提供商等單位聯(lián)合起來，進行大規(guī)模數(shù)據(jù)集的標注，從而為學(xué)術(shù)研究提供支持。對于學(xué)術(shù)文本情感表達較為隱晦的問題，章成志教授指出可以通過人工標注來解決，但該方法費時費力，因而現(xiàn)在也有利用自然語言處理技術(shù)進行引用情感自動識別的研究。

5 全文本知識單元與實體抽取

在當今的信息環(huán)境下，用戶對知識的需求已經(jīng)不能滿足于以整篇文獻為粒度的知識組織方式，文獻中所包含的細粒度知識單元抽取與分析成為文獻計量、信息檢索等領(lǐng)域的研究熱點之一[14-23]。目前對于知識單元的概念還沒有形成統(tǒng)一認識，但是大部分學(xué)者認為知識單元是構(gòu)成知識結(jié)構(gòu)的基本單元[24-25]。對于如何確定知識單元的概念和顆粒度的問題，章成志教授表示實體的形式是多種多樣的，既可以用傳統(tǒng)的本體中實例的概念，也可以用知識圖譜中實體的概念，在科學(xué)計量學(xué)的研究與實踐中，知識的最小表示單元可以理解為需要抽取的實體[26]。

師慶輝經(jīng)理也表示對于實體抽取應(yīng)該關(guān)注其具體的用途及與應(yīng)用場景的相關(guān)性。關(guān)于實體抽取的主要方法，師慶輝經(jīng)理指出主要包括基于規(guī)則的抽取方法和基于統(tǒng)計的抽取方法以及基于混合策略的抽取方法?；谝?guī)則的抽取方法，規(guī)則包括正則表達式規(guī)則、產(chǎn)生式規(guī)則、關(guān)聯(lián)規(guī)則等，單獨使用基于規(guī)則的方法召回率不夠高?；诮y(tǒng)計的抽取方法主要包括頻率統(tǒng)計、信息熵、互信息、似然度統(tǒng)計等方法，但利用統(tǒng)計學(xué)方法提取術(shù)語會存在無意義的組合、普通常用詞語(非所需要的實體)等噪音，準確率不夠高。因此，可以使用基于混合策略的抽取方法，交叉驗證，以提高召回率和準確率。除此之外，還有基于機器學(xué)習的方法，根據(jù)訓(xùn)練集學(xué)習后抽取新的實體，經(jīng)過交叉驗證和消歧工作后擴展出普適性更強的知識圖譜。師慶輝經(jīng)理表示，全文本實體抽取研究意義重大，可以為信息檢索提供更加豐富的元數(shù)據(jù)，極大地提高信息檢索的效率等。

盧超博士在談到全文本知識單元與實體抽取研究時，舉了一個關(guān)于學(xué)術(shù)論文寫作風格與作者母語之間關(guān)系研究的例子[27]。他通過全文本分析的方式對英文文獻進行探測，構(gòu)建了一個語言學(xué)復(fù)雜度評估框架，通過對論文中名詞、動詞等知識單元的抽取和句子長度的計算，分別從詞匯復(fù)雜性、句法復(fù)雜性的語法層面去分析英文母語者和非英文母語者在論文寫作的時候存在哪些差異，研究發(fā)現(xiàn)英文母語者在撰寫學(xué)術(shù)文獻時傾向于使用更長的句子、更多的長短句結(jié)合以及更大比例的動詞。在此基礎(chǔ)上，他研究了語言學(xué)特征與學(xué)術(shù)影響力的關(guān)系，發(fā)現(xiàn)語言特征與被引量并沒有顯著關(guān)系，論文主要用來闡述學(xué)者研究工作的內(nèi)容，因此，學(xué)術(shù)影響力更多地體現(xiàn)在文獻的內(nèi)容上，而不是語言學(xué)特征中。

6 數(shù)據(jù)開放、數(shù)據(jù)標注與評測

學(xué)術(shù)論文全文數(shù)據(jù)集是開展全文本文獻計量分析的前提和基礎(chǔ)。隨著開放獲取運動的興起和信息技術(shù)的發(fā)展，越來越多的數(shù)據(jù)庫提供學(xué)術(shù)論文全文數(shù)據(jù)集的開放下載，如世界三大科學(xué)期刊論文數(shù)據(jù)庫Springer、Elsevier和Wiley開始提供全部或部分HTML格式的全文閱讀和下載，尤其是2012年開放的ElsevierConSyn數(shù)據(jù)平臺[注]https://consyn.elsevier.com，提供XML全文數(shù)據(jù)的檢索和下載；此外，生物醫(yī)學(xué)數(shù)據(jù)庫PubMedCentral[注]https://www.ncbi.nlm.nih.gov/pmc/，知名開放獲取出版物PLoS[注]https://www.plos.org/、PeerJ[注]https://peerj.com/、Frontier[注]http://hep.calis.edu.cn/等也支持XML格式論文的全文下載[28-29]。關(guān)于國內(nèi)的數(shù)據(jù)開放現(xiàn)狀，師慶輝經(jīng)理談到中國知網(wǎng)為用戶提供了中文學(xué)術(shù)論文的檢索和下載權(quán)限，為一些合作單位、研究機構(gòu)開放了部分全文本數(shù)據(jù)，但對于普通用戶的全文本數(shù)據(jù)集的開放權(quán)限目前還在討論階段，其中涉及到國內(nèi)數(shù)千家學(xué)術(shù)出版機構(gòu)的版權(quán)保護問題。章成志教授認為目前開放的中文學(xué)術(shù)論文全文數(shù)據(jù)集比較少，尤其是缺少XML格式的中文論文集，這也是研究人員更傾向選擇外文數(shù)據(jù)集而非中文數(shù)據(jù)集的原因之一。

數(shù)據(jù)標注是進行引用情感識別、引文動機分析等全文本文獻計量分析任務(wù)的基礎(chǔ)，一般通過人工的方式按照一定的規(guī)則對數(shù)據(jù)打上標簽[30]。章成志教授指出數(shù)據(jù)標注是一項很重要的工作，但同時這項工作又非常耗費時間和精力，因此，當前很多研究往往都是在特定任務(wù)下的小規(guī)模的標注數(shù)據(jù)集上進行，且標注質(zhì)量難以得到控制。盧超博士也認為數(shù)據(jù)標注工作是一項很復(fù)雜、專業(yè)和系統(tǒng)的工作，從概念體系的制定到重復(fù)試驗的進行，每一個步驟都需要小組人員不斷討論和改進，直到整個方法體系的完善，這個過程需要耗費較長的周期，而最擅長數(shù)據(jù)標注工作的是社會學(xué)領(lǐng)域的研究人員[31-33]。因此，他提出文獻計量學(xué)的研究應(yīng)該加強與其他領(lǐng)域研究人員的合作，這樣才能發(fā)揮各學(xué)科的優(yōu)勢，促進科學(xué)研究的創(chuàng)新和發(fā)展。

評測也是目前全文本文獻計量分析研究中的一個重要問題，主要體現(xiàn)在評測數(shù)據(jù)集和評測機制兩個方面。章成志教授認為公開的評測數(shù)據(jù)集對文獻計量和自然語言處理領(lǐng)域的研究非常重要，統(tǒng)一標準的評測數(shù)據(jù)集是進行相關(guān)研究和方法對比的基礎(chǔ)。盡管目前公開的一些評測數(shù)據(jù)集較少并且領(lǐng)域局限性較大，但是很多評測會議和機構(gòu)逐漸開放了評測數(shù)據(jù)集，對相關(guān)領(lǐng)域的研究起到很大的推動作用。師慶輝經(jīng)理指出目前缺少對研究模型、研究結(jié)果進行評測的統(tǒng)一機制，例如在引用情感分析任務(wù)中，如何對情感評價的標準進行評價；在一個領(lǐng)域中表現(xiàn)較好的模型在其他領(lǐng)域是否能獲得同樣的效果等，都是需要解決的問題。當有了標注數(shù)據(jù)集后，評測就是推動學(xué)術(shù)研究和行業(yè)發(fā)展的一個重要方面。

7 新興研究話題發(fā)現(xiàn)與預(yù)測

對學(xué)科前沿發(fā)展態(tài)勢的認識和探索以及對學(xué)科未來發(fā)展的預(yù)測一直是科學(xué)計量學(xué)領(lǐng)域關(guān)注的熱點問題，尤其是隨著學(xué)術(shù)文獻全文本數(shù)據(jù)獲取的便利，新興研究話題的發(fā)現(xiàn)和基于全文本內(nèi)容的預(yù)測也獲得了更廣闊的空間。盧超博士談到目前學(xué)術(shù)界對新興研究話題的定義尚未形成統(tǒng)一的標準，導(dǎo)致研究和評估方法多種多樣。數(shù)據(jù)主要來自科技文獻和技術(shù)專利，采用文本挖掘和計量分析的方法對新興話題進行探測，但現(xiàn)有的方法更多停留在對研究話題的外部特征的描述上，而利用學(xué)術(shù)論文全文數(shù)據(jù)和其中的引文內(nèi)容能夠提供更早和更細節(jié)的影響力監(jiān)測[7,34-35]。因此，從學(xué)術(shù)論文全文本信息出發(fā)進行新興研究話題發(fā)現(xiàn)是一個值得關(guān)注的研究趨勢。

基于全文本的預(yù)測，師慶輝經(jīng)理談到了兩個方面：一是基于文本內(nèi)容的論文影響力的預(yù)測，目前他們在做的一項工作就是將文章的引用量分成了幾個層級，從全文本計量的角度對文章質(zhì)量進行預(yù)測，準確率能夠達到80%左右，這項工作將有助于早期發(fā)現(xiàn)有價值的文獻，為科學(xué)決策和科技評價提供參考；二是對新興學(xué)科發(fā)現(xiàn)的預(yù)測，通過對學(xué)術(shù)文本內(nèi)容的挖掘，預(yù)測新興學(xué)科特別是新興交叉學(xué)科的產(chǎn)生和發(fā)展趨勢，可以為學(xué)科指明新的研究方向，豐富學(xué)科研究領(lǐng)域。

8 總結(jié)

隨著學(xué)術(shù)論文全文本數(shù)據(jù)集的開放和相關(guān)文本挖掘技術(shù)的發(fā)展，文獻計量學(xué)的研究對象和理論方法也在不斷擴展，尤其是與自然語言處理、機器學(xué)習、信息檢索等領(lǐng)域的交叉研究不斷深入。值此重要時機，“全文本文獻計量分析”學(xué)術(shù)沙龍，圍繞全文引用分析、知識實體抽取、新興研究話題等主題，對全文本文獻計量分析研究與應(yīng)用實踐的研究現(xiàn)狀、前沿熱點、發(fā)展趨勢以及存在的瓶頸等展開了討論，力求讓更多的研究者了解并參與到全文本文獻計量分析的研究中來。

總的來看，目前全文本文獻計量的研究熱點主要集中在引用位置與引用程度分析、引用行為與引用動機分析、引用情感分析與論文評價等基于全文本內(nèi)容的引用分析相關(guān)研究中。存在的瓶頸主要包括開放的領(lǐng)域全文本數(shù)據(jù)集較少，數(shù)據(jù)標注工作耗時耗力，缺少統(tǒng)一的評測機制等。未來的一些研究趨勢可以從基于全文本的新興研究話題發(fā)現(xiàn)、新興學(xué)科發(fā)現(xiàn)、交叉學(xué)科熱點預(yù)測、論文影響力預(yù)測等方向展開。