宋艷輝　魏新星　邱均平

關(guān)鍵詞： 高產(chǎn)學(xué)者； 學(xué)者影響力； Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)； 評價指標(biāo)

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０１．０１４

〔中圖分類號〕Ｇ２５０.２５２ 〔文獻標(biāo)識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０１－０１５３－１５

２０２０ 年《中共中央關(guān)于制定國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和二0三五年遠(yuǎn)景目標(biāo)的建議》中指出， 要激發(fā)人才創(chuàng)新活力， 貫徹尊重勞動、尊重知識、尊重人才、尊重創(chuàng)造方針， 深化人才發(fā)展體制機制改革， 全方位培養(yǎng)、引進、用好人才， 造就更多國際一流的科技領(lǐng)軍人才和創(chuàng)新團隊， 培養(yǎng)具有國際競爭力的青年科技人才后備軍?，F(xiàn)今， 論文發(fā)表的數(shù)量已經(jīng)成為衡量學(xué)者和機構(gòu)對科學(xué)研究作出貢獻的一個重要依據(jù)［１］ 。并且隨著研究的深入和擴展， 科研人員為促進彼此之間資源共享、提高科研攻關(guān)能力而越來越多地采取合作科研的方式［２］ ， 因此論文合著現(xiàn)象越來越普遍， 這有效提高了學(xué)者的科研產(chǎn)出量， 在領(lǐng)域內(nèi)也逐漸形成了高產(chǎn)學(xué)者群。各個不同研究領(lǐng)域匯集著不同的學(xué)者群體， 而高產(chǎn)學(xué)者群是其中的骨干力量， 在科研工作中發(fā)揮著關(guān)鍵的導(dǎo)向作用， 能夠推動該領(lǐng)域研究的繁榮與進步。普賴斯最早注意到高產(chǎn)作者研究的重要性， 他在１９６９ 年發(fā)表的《小科學(xué)， 大科學(xué)》一書中指出： 撰寫全部論文一半的高產(chǎn)作者的數(shù)量等于全部科學(xué)作者總數(shù)的平方根， 這就是著名的普賴斯定律［３］ ， 該定律是文獻計量學(xué)領(lǐng)域獲取主要學(xué)者分布數(shù)據(jù)的理論基礎(chǔ)［４］ ， 并被學(xué)者們在甄別高產(chǎn)學(xué)者時廣泛使用。評估高產(chǎn)學(xué)者的影響力有利于推動學(xué)者研究的積極性， 也可為上級引進優(yōu)秀人才提供參考［５］ 。普賴斯定律對高產(chǎn)學(xué)者的定義已經(jīng)通過科研產(chǎn)出量這一單一指標(biāo)對學(xué)者的影響力進行了一定的評判， 但合理的學(xué)者影響力評價方法在評價學(xué)者科研產(chǎn)出絕對數(shù)量的基礎(chǔ)上還應(yīng)考慮科研成果的質(zhì)量， 對學(xué)者進行多維度的綜合影響力評價研究。學(xué)者綜合影響力是學(xué)者獲得學(xué)術(shù)界和社會大眾的重視及影響他們的作用力， 包括科研影響力和社會影響力， 對高產(chǎn)學(xué)者的綜合影響力展開評價， 可以甄別領(lǐng)域內(nèi)真正高質(zhì)量的高產(chǎn)學(xué)者， 幫助學(xué)者摒棄唯發(fā)文量至上的觀念， 促進領(lǐng)域研究的進步， 切實提升論文質(zhì)量， 也能為政府引進優(yōu)秀人才， 打造領(lǐng)先科研團隊， 從而推動地區(qū)領(lǐng)域研究攀上新高度提供有效參考。

以往對于學(xué)者的影響力評價大多以傳統(tǒng)文獻計量指標(biāo)為主。而近些年來， 越來越多研究采用Ａｌｔ?ｍｅｔｒｉｃｓ 指標(biāo)來評價學(xué)者的影響力， Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)用于學(xué)者影響力評價的科學(xué)性和有效性已經(jīng)基本得到證實， 并且大部分學(xué)者認(rèn)為Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)主要適用于學(xué)者的社會影響力評價［６］ 。Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ 是Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)數(shù)據(jù)的主要搜集來源之一， Ａｌｔｍｅｔ?ｒｉｃｓ．ｃｏｍ 會追蹤記錄包括Ｎｅｗｓ、Ｂｌｏｇ、Ｐｏｌｉｃｙ Ｄｏｃｕ?ｍｅｎｔ 等約２０ 項指標(biāo)， 并給這些指標(biāo)賦予一定的權(quán)重， 從而計算加權(quán)的Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ。自２０１２ 年１０月， Ｎａｔｕｒｅ 雜志及其子刊開始對其２０１２ 年１ 月１日及之后發(fā)表的論文開始實時在線統(tǒng)計， ＮａｔｕｒｅＭｅｔｒｉｃｓ 為Ｎａｔｕｒｅ 的每一篇研究論文提供ＣｒｏｓｓＲｅｆ 數(shù)據(jù)（ＤＯＩ 文獻的被引用情況）、Ｗｅｂ ｏｆ Ｓｃｉｅｎｃｅ 引用數(shù)據(jù)和在線關(guān)注數(shù)據(jù)（Ａｌｔｍｅｔｒｉｃｓ）［７］ ， 并提供Ｏｎｌｉｎｅ Ａｔｔｅｎｔｉｏｎ Ｓｃｏｒｅ（Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ）。由于Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ的評分標(biāo)準(zhǔn)歷史上發(fā)生過幾次變更， 并且官網(wǎng)也存在很多不夠透明的信息， 所以僅根據(jù)Ｏｎｌｉｎｅ Ａｔｔｅｎ?ｔｉｏｎ Ｓｃｏｒｅ 不足以判斷某篇論文的社會影響力或水平， 需要對各項Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)做進一步分析。

本文以Ｎａｔｕｒｅ 生物科技子刊為例， 為深入了解該領(lǐng)域高產(chǎn)學(xué)者的綜合影響力， 選取了反映學(xué)者學(xué)術(shù)水平和科研合作程度的一系列傳統(tǒng)指標(biāo)作為待選指標(biāo)， 同時融合Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)， 以３ 本Ｎａｔｕｒｅ生物科技子刊的官網(wǎng)為數(shù)據(jù)源， 試圖從高產(chǎn)學(xué)者的科研影響力和社會影響力兩個維度構(gòu)建其綜合影響力評價指標(biāo)體系。通過相關(guān)性分析、因子分析、主成分分析等方法分別對高產(chǎn)學(xué)者的科研影響力和社會影響力進行評價， 并分析兩個維度間的相互關(guān)系，最后得到高產(chǎn)學(xué)者影響力的二維評價結(jié)果。

１ 國內(nèi)外研究現(xiàn)狀

１.１ 基于傳統(tǒng)文獻計量指標(biāo)的學(xué)者影響力研究

目前， 較多研究側(cè)重從學(xué)者的學(xué)術(shù)、科研水平角度， 基于傳統(tǒng)的文獻計量指標(biāo)對學(xué)者的影響力進行研究。２００５ 年， 美國物理學(xué)家Ｈｉｒｓｃｈ Ｊ Ｅ［８］ 基于學(xué)者與其文獻間的內(nèi)在關(guān)聯(lián)， 率先提出一項旨在評價科研學(xué)者科研績效的新指標(biāo)———ｈ 指數(shù)（ｈ－ｉｎ?ｄｅｘ）。ｈ 指數(shù)隨即風(fēng)靡世界的學(xué)術(shù)圈， 成為學(xué)術(shù)界被廣泛應(yīng)用的計量指標(biāo)， 并催生出一些新的ｈ 型指數(shù)。２００６ 年， 比利時計量學(xué)家Ｅｇｇｈｅ Ｌ［９］ 在分析ｈ指數(shù)評價效果時， 提出了一種基于學(xué)者以往累積貢獻的ｇ 指數(shù)（ｇ－ｉｎｄｅｘ）； 同年， 金碧輝等［１０］ 提出了Ｒ 指數(shù)和ＡＲ 指數(shù)， 作為ｈ 指數(shù)的補充指標(biāo)。隨著對學(xué)者影響力的研究越來越全面， 學(xué)術(shù)文獻測度指標(biāo)也逐漸完善。葉鷹［１１］ 圍繞發(fā)文量和引用量這兩個基本的學(xué)術(shù)文獻評價指標(biāo)， 將學(xué)術(shù)文獻評價指標(biāo)歸納為均值測度指標(biāo)（篇均被引頻次、期刊影響因子、皇冠指數(shù)［１２］ 、活動指數(shù)［１３］ 、相對特化指數(shù)［１１］ 、引發(fā)距［１１］ 、ｈ 指數(shù)）、高影響特征測度（Ｒ 指數(shù)［１０］ 、ｅ 指數(shù)［１４］ 、ＡＲ 指數(shù)［１０］ 、調(diào)和ｈ 指數(shù)［１５］ ）、整體綜合測度（調(diào)和Ｒ 指數(shù)［１５］ 、學(xué)術(shù)跡［１１］ 、集成影響因子［１６］ ）３ 類。學(xué)者們采用這些傳統(tǒng)的文獻計量指標(biāo)對學(xué)者的影響力進行了眾多實證分析。邱均平等［１７］認(rèn)為， 將核心期刊的發(fā)文量和ｈ 指數(shù)相結(jié)合的方法在篩選高影響力作者時具有優(yōu)勢， 并通過對圖書情報學(xué)領(lǐng)域的實證研究證明了該方法的有效性。劉萍等［１８］ 則在考慮傳統(tǒng)引文指標(biāo)的同時， 基于構(gòu)建的加權(quán)文獻引文網(wǎng)絡(luò)模型， 收集圖書情報學(xué)領(lǐng)域的１６ 種重要期刊文獻數(shù)據(jù)， 利用引文對該領(lǐng)域的學(xué)者文獻影響以及學(xué)者學(xué)術(shù)影響力分別進行了綜合測度。

由于科研合作和跨學(xué)科研究的流行， 測度學(xué)者科研合作行為的計量指標(biāo)也不斷涌現(xiàn)， 如合作度［１９］ 、合作率［２０］ 、合作系數(shù)［２１］ 這些常用指標(biāo)。進一步地，Ａｎｄｒáｓ Ｓ［２２］ 參照ｈ 指數(shù)的設(shè)計思想， 同時考慮合作學(xué)者的數(shù)量及合作頻次， 提出了評價學(xué)者科研合作水平的新指標(biāo)： 合作能力指數(shù)， Ｇｕｉｌｌａｕｍｅ Ｃ［２３］ 驗證了該指數(shù)在計算機領(lǐng)域的適用性。不少學(xué)者也研究了合作能力指數(shù)與傳統(tǒng)文獻計量指標(biāo)之間可能存在的關(guān)系。Ｒｏｎａｌｄ Ｒ［２４］ 指出“合作能力指數(shù)及其衍生指標(biāo)在計量學(xué)領(lǐng)域、社會科學(xué)領(lǐng)域中具有潛在研究價值”。國內(nèi)學(xué)者王衛(wèi)等［２］ 通過對圖書情報領(lǐng)域５２２ 位作者的實證分析， 得到合作能力指數(shù)與作者科研績效指標(biāo)（發(fā)文量、總被引、ｈ 指數(shù)）存在正相關(guān)關(guān)系， 而合作度、合作率、合作系數(shù)這些指標(biāo)卻不具備上述特征的結(jié)論。

還有一部分研究在傳統(tǒng)文獻計量指標(biāo)的基礎(chǔ)上， 引入了社會網(wǎng)絡(luò)分析的觀點對學(xué)者的影響力進行研究。余波等［２５］ 選取了社會網(wǎng)絡(luò)分析方法的點度中心度、中介中心度、接近中心度的測度指標(biāo)，同被引頻次、學(xué)者發(fā)文數(shù)等傳統(tǒng)文獻計量指標(biāo)作為二級評價指標(biāo)測度中國學(xué)術(shù)話語權(quán)。范如霞等［２６］則結(jié)合發(fā)文量和度數(shù)中心度兩個指標(biāo)分別測度學(xué)者在不同時間維度下的個人影響力和在團隊的影響力，以補充學(xué)者的動態(tài)學(xué)術(shù)影響力測評。

根據(jù)以上回顧總結(jié)， 梳理的評價學(xué)者影響力傳統(tǒng)指標(biāo)如表１ 所示。

１.２ 基于Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)的學(xué)者影響力研究

開放科學(xué)背景下， 在線學(xué)術(shù)交流日益盛行， 傳統(tǒng)的學(xué)術(shù)評價方式已不能全面反映學(xué)術(shù)成果的多維度影響。美國學(xué)者Ｊａｓｏｎ Ｐｒｉｅｍ 在２０１０ 年首次于Ｔｗｉｔｔｅｒ 上使用“Ａｌｔｍｅｔｒｉｃｓ” 一詞， 并將其視為對傳統(tǒng)文獻計量指標(biāo)的補充。經(jīng)歷了兩年熱議后，Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)因其客觀性、時效性和開放性得到驗證而逐漸受到學(xué)者們的廣泛關(guān)注［２８］ 。

應(yīng)用Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)評價學(xué)者影響力的研究越來越多。Ｌｉ Ｘ 等［２９］ 以Ｎａｔｕｒｅ 和Ｓｃｉｅｎｃｅ 雜志上的論文為樣本， 將ＷｏＳ、Ｇｏｏｇｌｅ 的被引數(shù)據(jù)與ＣｉｔｅＵ?Ｌｉｋｅ、Ｍｅｎｄｅｌｅｙ 兩個平臺上的讀者數(shù)據(jù)進行相關(guān)性分析， 結(jié)果表明讀者數(shù)指標(biāo)適用于論文學(xué)術(shù)影響力評價。郭穎等［６］ 在分析國外Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)來源平臺的基礎(chǔ)上， 從國內(nèi)相似平臺的代表性平臺： 知網(wǎng)、科學(xué)網(wǎng)、微信公眾號、微博、百度百科以及新聞提及中選?。粒欤簦恚澹簦颍椋悖?指標(biāo)， 構(gòu)建評價指標(biāo)體系，用于我國學(xué)者的影響力評價。楊柳等［３０］ 則以機構(gòu)知識庫為數(shù)據(jù)源， 分別基于標(biāo)準(zhǔn)化Ａｌｔｍｅｔｒｉｃｓ 得分、Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ、標(biāo)準(zhǔn)化被引得分３ 種方法進行學(xué)者影響力評價。

目前， Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)的研究工具主要有Ａｌｔ?ｍｅｔｒｉｃｓ． ｃｏｍ、ＩｍｐａｃｔＳｔｏｒｙ、Ｐｌｕｍ Ａｎａｌｙｔｉｃｓ 和ＰＬｏＳＡＬＭｓ， 各種研究工具在評價對象、面向用戶、獲取方式和服務(wù)形式上都存在著異同［３１］ 。本研究使用最常用的Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ 作為Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)的研究工具， 依靠點擊每篇Ｎａｔｕｒｅ 論文的簡介網(wǎng)頁中的“Ｍｅｔｒｉｃ” 按鈕從而跳轉(zhuǎn)至Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ。

１.３ 結(jié)合傳統(tǒng)計量指標(biāo)和Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)的學(xué)者影響力研究

隨著對學(xué)者影響力的研究日益深入， 學(xué)者影響力的評價從單一指標(biāo)向多維指標(biāo)轉(zhuǎn)變， 許多學(xué)者采用傳統(tǒng)計量指標(biāo)和Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)相結(jié)合的方法對學(xué)者的綜合影響力進行探究。王妍［３２］ 從學(xué)術(shù)維度和社會維度兩方面測度學(xué)者影響力， 選取傳統(tǒng)引文指標(biāo)和Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)為待選指標(biāo)， 通過因子分析法得到分別代表學(xué)術(shù)影響力和社會影響力的兩個公因子， 將這兩個因子投射到二維直角坐標(biāo)系中， 以反映學(xué)者的科研角色。王菲菲等［３３］ 為研究基因編輯領(lǐng)域?qū)W者的綜合影響力， 分別選取調(diào)和ｈ 指數(shù)、調(diào)和Ｒ 指數(shù)等作為學(xué)術(shù)文獻影響力的二級指標(biāo)，選取Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ 均值、Ａｌｔｍｅｔｒｉｃ－ｈ 指數(shù)、Ａｌｔ?ｍｅｔｒｉｃ 各項均值作為社會影響力的二級指標(biāo)， 探究多類指標(biāo)對各維度影響力的作用程度。

通過實證分析學(xué)者們也證實了Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)對傳統(tǒng)計量指標(biāo)的有效補充作用。Ｔｏｒｒｅｓ－Ｓａｌｉｎａｓ Ｄ等［３４］ 比較了傳統(tǒng)計量指標(biāo)引文量和Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)的關(guān)系， 研究表明被引量最高的論文Ａｌｔｍｅｔｒｉｃｓ 得分也最高， 得到被引量和Ａｌｔｍｅｔｒｉｃｓ 得分之間具有正相關(guān)關(guān)系的結(jié)論。劉曉娟等［３５］ ， 獲得Ｍｅｎｄｅｌｅｙ與Ｗｅｂ ｏｆ Ｓｃｉｅｎｃｅ 兩平臺的交叉文獻集合， 通過具體分析證實了以閱讀數(shù)和標(biāo)簽數(shù)為代表的選擇性計量指標(biāo)可以在一定程度上評估文獻的影響力。范少萍等［３６］ 對比僅使用學(xué)術(shù)跡進行學(xué)者學(xué)術(shù)影響力的評價結(jié)果發(fā)現(xiàn)， 學(xué)術(shù)跡與Ｆ１０００ 因子的綜合方法可彌補傳統(tǒng)評價方式的不足。

根據(jù)前人的研究可知， 學(xué)者影響力評價的發(fā)展方向應(yīng)為傳統(tǒng)計量方法與Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)計量方法的結(jié)合。雖然在對學(xué)者的綜合影響力進行評價研究時， 有學(xué)者考慮了多維度的影響力因素， 但都是對所有水平的學(xué)者進行的一貫評價。因此， 本文選定高產(chǎn)學(xué)者為樣本學(xué)者， 預(yù)先界定了學(xué)者的水平， 作為一個新的角度， 融合傳統(tǒng)指標(biāo)和Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)對他們的綜合影響力進行評價， 分析領(lǐng)域內(nèi)不同發(fā)文量的高產(chǎn)學(xué)者的綜合影響力差異， 探究學(xué)者的科研成果的高產(chǎn)量是否就同時意味著高質(zhì)量。

２ 高產(chǎn)學(xué)者綜合影響力評價指標(biāo)體系構(gòu)建

構(gòu)建高產(chǎn)學(xué)者綜合影響力評價指標(biāo)體系， 須初步采集科研影響力和社會影響力這兩個維度的待選傳統(tǒng)指標(biāo)和Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)及其數(shù)據(jù)， 再通過一系列分析篩選可用指標(biāo)， 最終完成評價指標(biāo)體系構(gòu)建。

２.１ 高產(chǎn)學(xué)者綜合影響力的評價指標(biāo)選取

２.１.１ 傳統(tǒng)指標(biāo)的選取

針對傳統(tǒng)指標(biāo)， 根據(jù)表１， 考慮從學(xué)者學(xué)術(shù)文獻水平、科研合作行為及社會網(wǎng)絡(luò)地位３ 個評價角度分別篩選指標(biāo)。

１） 學(xué)者學(xué)術(shù)文獻水平角度

由于大部分論文的合著作者較多， 因此在前人研究的基礎(chǔ)上， 同時考慮指標(biāo)的代表性和學(xué)者署名次序， 經(jīng)過謹(jǐn)慎遴選， 確定發(fā)文量、總被引頻次、調(diào)和被引頻次、調(diào)和ｈ 指數(shù)、調(diào)和Ｒ 指數(shù)這５ 個指標(biāo)為待選指標(biāo)。前兩個指標(biāo)為最基本的文獻計量指標(biāo)。由于學(xué)者的署名次序差異大， 采用簡單的均值測度指標(biāo)可能對研究結(jié)果產(chǎn)生影響， 因此用調(diào)和被引頻次指標(biāo)代替均值測度指標(biāo)中的篇均被引頻次。調(diào)和ｈ 指數(shù)與調(diào)和Ｒ 指數(shù)分別為高影響特征測度和整體綜合測度指標(biāo)。

其中， 調(diào)和ｈ 指數(shù)是指學(xué)者發(fā)表的Ｎ 篇論文中， 有ｈ 篇論文的調(diào)和被引頻次大于或等于ｈ 次，而其余Ｎ－ｈ 篇論文的調(diào)和被引頻次均小于ｈ 次［１５］ 。調(diào)和ｈ 指數(shù)（ｈａｒｍｏｎｉｃ ｈ－ｃｏｒｅ）中的調(diào)和被引次數(shù)（ｈａｒｍｏｎｉｃ ｃｉｔａｔｉｏｎｓ）考慮學(xué)者的署名次序進而分配不同的權(quán)重， 用ｃ 表示作者第ｊ 篇文獻的被引頻次，ｉ 表示作者的署名次序， ｎ 為作者人數(shù)［３３］ ， 其計算公式如下：

２） 學(xué)者科研合作行為角度

確定合作能力指數(shù)為待選指標(biāo)。主要考慮到合作度、合作率、合作系數(shù)這３ 項指標(biāo)通常作為一組整體指標(biāo)對學(xué)者的科研合作行為進行測度， 而合作能力指數(shù)可作為一個單獨的指標(biāo)， 以不同的角度，在揭示作者的科研績效方面更有優(yōu)勢。

合作能力指數(shù)的計算方法可表述為： 將某一作者的合作者按照其與該作者的合作頻次降序排列，當(dāng)合作者序號首次大于對應(yīng)合作頻次時， 該序號減１ 即為該作者的合作能力指數(shù)［３７］ 。

３） 學(xué)者社會網(wǎng)絡(luò)地位角度

確定點度中心度、中介中心度作為待選指標(biāo)。點度中心度和中介中心度關(guān)注的都是某個節(jié)點與網(wǎng)絡(luò)中其他節(jié)點的直接關(guān)系， 而接近中心度關(guān)注的是捷徑［２５］ 。簡單來說， 中介中心度表現(xiàn)控制能力，而接近中心度表現(xiàn)不被控制的能力， 為了對學(xué)者的影響力進行最直接的評價， 本文沒有選取接近中心度這個指標(biāo)。

點度中心度是在網(wǎng)絡(luò)分析中刻畫節(jié)點中心性的最直接度量指標(biāo)。一個節(jié)點的節(jié)點度越大就意味著這個節(jié)點的點度中心性越高， 該節(jié)點在網(wǎng)絡(luò)中就越重要［３８］ 。用Ｃ（Ｎ ）表示節(jié)點ｉ 的點度中心度， 用于計算節(jié)點ｉ 與其他ｇ－１ 個ｊ 節(jié)點（ｉ≠ｊ）， 其計算公式如下：

２.１.２ Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)的選取

針對Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)， 為保證所有指標(biāo)的時序一致性， 將Ｗｅｉｂｏ、Ｇｏｏｇｌｅ＋、ＬｉｎｋｅｄＩｎ 和Ｐｉｎｔｅｒｅｓｔ這４ 項分別于２０１５ 年、２０１９ 年、２０１４ 年、２０１３ 年不再被追蹤記錄的指標(biāo)剔除， 將剩余１９ 個Ａｌｔｍｅｔ?ｒｉｃ．ｃｏｍ 會記錄的指標(biāo)都納入評價學(xué)者社會影響力的待選指標(biāo)。

初步選取的高產(chǎn)學(xué)者綜合影響力的所有評價指標(biāo)如表２ 所示。

２.２ 數(shù)據(jù)來源及說明

作為科研創(chuàng)新的核心力量， 活躍高產(chǎn)的頂尖學(xué)者群體在引領(lǐng)學(xué)術(shù)發(fā)展和推動科學(xué)革命過程中發(fā)揮著關(guān)鍵作用［４０］ 。本文在Ｓｃｏｐｕｓ 數(shù)據(jù)庫中選擇Ｂｉｏ?ｔｅｃｈｎｏｌｏｇｙ 學(xué)科類別， 選?。玻埃玻?年ＣｉｔｅＳｃｏｒｅ 前３ 位的期刊： Ｎａｔｕｒｅ Ｂｉｏｔｅｃｈｎｏｌｏｇｙ、Ｎａｔｕｒｅ Ｍｅｔｈｏｄｓ 和Ｎａ?ｔｕｒｅ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ 作為數(shù)據(jù)源， 在３ 本期刊的官網(wǎng)中采集所需數(shù)據(jù)。這３ 本期刊中的論文是生物科技領(lǐng)域高被引的高水平論文， 論文質(zhì)量與頂尖學(xué)者比例較高， 因此選擇它們有助于采集到理想的指標(biāo)數(shù)據(jù)， 得到更科學(xué)合理的研究結(jié)果。分別選?。?本期刊Ｒｅｓｅａｒｃｈ Ａｒｔｉｃｌｅｓ 目錄下類別為Ａｒｔｉｃｌｅ的文章， 綜合考慮高產(chǎn)學(xué)者的活躍度、時效性， 與論文被引高峰因素， 將發(fā)表年份設(shè)置為２０１９—２０２１年， 數(shù)據(jù)采集時間為２０２３ 年３ 月。共檢索得到７２７篇論文， 涉及８ ６７５名不同的學(xué)者。根據(jù)普賴斯定律計算得出高產(chǎn)學(xué)者人數(shù)為√8675， 向上取整即為９４ 名。統(tǒng)計８ ６７５名學(xué)者的發(fā)文數(shù)量并從大到小排序， 發(fā)現(xiàn)發(fā)文量大于等于３ 篇的學(xué)者共９５ 名， 因此將這９５ 名學(xué)者全部納入樣本， 樣本數(shù)量為９５ 個。

針對Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)， 由于Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ 顯示的指標(biāo)相比Ｎａｔｕｒｅ Ｍｅｔｒｉｃｓ 更為完整， 因此以每篇文章為單位， 記錄每篇文章下由“Ｍｅｔｒｉｃ” 按鈕跳轉(zhuǎn)至Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ 詳情頁中的各項Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)值。發(fā)文量、總被引頻次、調(diào)和被引頻次、調(diào)和ｈ指數(shù)、調(diào)和Ｒ 指數(shù)以及合作能力指數(shù)的計算是通過統(tǒng)計的期刊官網(wǎng)提供的各文章的ＣｒｏｓｓＲｅｆ（ＤＯＩ文獻的被引用情況）數(shù)據(jù)， 以及每篇文章的作者總數(shù)及樣本學(xué)者的署名次序、合作關(guān)系簡單計算得出。點度中心度和中介中心度則利用Ｕｃｉｎｅｔ 軟件計算得出。為了避免各項指標(biāo)值在短時間內(nèi)發(fā)生變動而對研究結(jié)果產(chǎn)生影響， 所有數(shù)據(jù)均在連續(xù)的３ 天內(nèi)采集完成。在全部指標(biāo)計算完成后， 發(fā)現(xiàn)有１２ 名學(xué)者的重要指標(biāo)值缺失， 因此將這１２ 名學(xué)者從樣本中整體剔除， 得到有效樣本學(xué)者８３ 名， 最終的作者合作網(wǎng)絡(luò)也由這８３ 名學(xué)者所構(gòu)建?？紤]同一論文由８３名學(xué)者中的多名學(xué)者共著的情況， ２０１９—２０２１ 年８３名學(xué)者共計發(fā)表不重復(fù)的論文３１０ 篇， 具體發(fā)文量情況如表３ 所示。

２.３ 評價指標(biāo)的描述性統(tǒng)計分析

為進一步了解樣本數(shù)據(jù)的分布情況， 初步剔除表２ 中表征能力較弱的評價指標(biāo)， 利用ＳＰＳＳ 軟件分別對Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)和傳統(tǒng)指標(biāo)進行描述性統(tǒng)計分析， 得到如表４ 所示的結(jié)果。繪制Ｐ－Ｐ 圖， 發(fā)現(xiàn)樣本數(shù)據(jù)點均不在明顯的一條直線上， 因此指標(biāo)數(shù)據(jù)都不符合正態(tài)分布。觀察表４ 的指標(biāo)覆蓋率結(jié)果， 發(fā)現(xiàn)Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)中出現(xiàn)較多０ 值， 共有５項， 為Ｓｙｌｌａｂｉ、Ｑ＆Ａ、Ｙｏｕｔｕｂｅ、Ｃｉｔｅｕｌｉｋｅ Ｒｅａｄｅｒｓ 和Ｃｏｎｎｏｔｅａ Ｒｅａｄｅｒｓ。覆蓋率低的Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)還包括Ｒｅｄｄｉｔ（１１.６１％）、Ｒｅｓｅａｒｃｈ Ｈｉｇｈｌｉｇｈｔｓ （１１.２９％）、Ｗｉｋｉｐｅｄｉａ（１０.６５％）、Ｖｉｄｅｏ Ｕｐｌｏａｄｅｒ（４.１９％）、Ｐｏｌｉ?ｃｙ Ｄｏｃｕｍｅｎｔ （ ２.２６％）、Ｐｅｅｒ Ｒｅｖｉｅｗ （０.６５％） 和Ｆ１０００（０.３２％）?？紤]到覆蓋率低的指標(biāo)表征能力較弱， 本文借鑒王凱利等［４１］ 的做法， 剔除覆蓋率值取整后低于２５％的Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)， 剩余８ 個Ａｌｔｍｅｔ?ｒｉｃｓ 指標(biāo)， 分別為： ①Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ、②Ｎｅｗｓ、③Ｂｌｏｇ、④Ｐａｔｅｎｔ、⑤Ｔｗｉｔｔｅｒ、⑥Ｆａｃｅｂｏｏｋ、⑦ＭｅｎｄｅｌｅｙＲｅａｄｅｒｓ、⑧Ｄｉｍｅｎｓｉｏｎｓ ＆ ＷｏＳ Ｃｉｔａｔｉｏｎｓ。所有８ 個傳統(tǒng)指標(biāo)均采集到數(shù)據(jù)， 指標(biāo)覆蓋率１００％。從表４ 可知， 初步篩選后的兩部分指標(biāo)數(shù)值的最大值與最小值差異顯著， 說明指標(biāo)數(shù)值的波動范圍極大。兩個維度指標(biāo)數(shù)值的均值差異顯著， 標(biāo)準(zhǔn)差也較大， 表明指標(biāo)數(shù)值整體上具有離散程度較高的特征。最后，從分布形態(tài)上看， 高產(chǎn)學(xué)者綜合影響力評價指標(biāo)數(shù)值的偏度、峰度均為正值， 表明數(shù)值的分布均呈長尾偏右的尖頂曲線特征。因此這１６ 個評價指標(biāo)在各自的維度內(nèi)整體上差異顯著， 表征能力較強， 保留這兩部分共１６ 個指標(biāo)以做下一步分析。

２.４ 科研影響力評價

２.４?.１ 指標(biāo)相關(guān)性及信效度檢驗

樣本數(shù)據(jù)都不符合正態(tài)分布， 因此采用Ｓｐｅａｒｍａｎ相關(guān)性分析方法。將８ 個傳統(tǒng)指標(biāo)依次用Ｔ１ ～ Ｔ８表示， 得到的Ｓｐｅａｒｍａｎ 相關(guān)系數(shù)如表５ 所示。分析表５ 結(jié)果可知， 各指標(biāo)間均存在顯著相關(guān)的指標(biāo)對， 故保留所有傳統(tǒng)指標(biāo)。

為保證所有數(shù)據(jù)可比， 運用ＳＰＳＳ 軟件對８ 個傳統(tǒng)指標(biāo)進行Ｚ－ｓｃｏｒｅ 標(biāo)準(zhǔn)化處理， 并對指標(biāo)的信效度進行檢驗， 結(jié)果如表６ 所示。通常， 可以通過Ｃｒｏｎｂａｃｈ Ａｌｐｈａ 系數(shù)的大小評價內(nèi)在的信度的高低［４２］ ， 分析檢驗結(jié)果可知， 傳統(tǒng)指標(biāo)的ＣｒｏｎｂａｃｈＡｌｐｈａ 值為０.８４４， 指標(biāo)信度較高， 對全部傳統(tǒng)指標(biāo)進行保留， 指標(biāo)篩選結(jié)束。

一般認(rèn)為， 當(dāng)ＫＭＯ 值小于０.５ 時， 不適合進行因子分析， 而ＫＭＯ 值大于０.９ 時， 則非常適合進行因子分析［４３］ 。由表６ 可知， ＫＭＯ 值為０.７７１， 大于０.５， Ｂａｒｔｌｅｔｔ 檢驗的顯著水平為０.０００， 達(dá)到顯著水平。因此， 本文的樣本數(shù)據(jù)適合進行因子分析。

２.４.２ 因子分析與主成分分析

在多指標(biāo)綜合評價中很多指標(biāo)信息重復(fù)， 會增加計算工作量從而影響評價的準(zhǔn)確性。主成分分析法就是通過降維將原來眾多具有一定相關(guān)性的指標(biāo)重新組合成一組新的互相無關(guān)、盡量少的綜合指標(biāo)來代替原來的指標(biāo)， 這些新的綜合指標(biāo)保留了原始變量的主要信息， 同時彼此之間又不相關(guān)， 比原始變量具有更優(yōu)越的性質(zhì)， 從而更能反映問題的實質(zhì)。確定主成分以及相應(yīng)的權(quán)數(shù)一般可以用特征根大于１ 作為納入標(biāo)準(zhǔn)［４４］ 。根據(jù)表７ 的總方差解釋表， 實驗對傳統(tǒng)指標(biāo)共提取出兩個公共因子， 特征值均大于１， 累計方差貢獻率為６８.５６８％， 說明前兩個因子可以揭示大部分變量的特征。

由因子分析得到成分矩陣， 通過最大方差法進行因子旋轉(zhuǎn)后， 得到旋轉(zhuǎn)成分矩陣表， 如表８ 所示。因子載荷是變量與公共因子的相關(guān)系數(shù)， 當(dāng)變量在某公共因子中的載荷絕對值越大， 表明該變量與該公共因子更密切［４５］ 。表中只顯示了因子載荷大于０.５ 的值， 因子載荷小于０.５ 值已被隱去。觀察表８ 可知， 各指標(biāo)間不存在交叉載荷， 說明篩選出的可用指標(biāo)均有意義。

因子１ 主要解釋發(fā)文量、總被引頻次、調(diào)和被引頻次、調(diào)和ｈ 指數(shù)、調(diào)和Ｒ 指數(shù)和中介中心度６個變量。其中， 一個學(xué)者發(fā)文量的多少會對論文的總被引頻次產(chǎn)生影響， 基本上呈促進作用。而調(diào)和被引頻次的計算需要依據(jù)單篇論文被引頻次的數(shù)據(jù)最后得出一個加總數(shù)， 依托調(diào)和被引頻次數(shù)據(jù)才能計算調(diào)和ｈ 指數(shù)， 接著計算調(diào)和ｈ 指數(shù)的平方根才可得到調(diào)和Ｒ 指數(shù)。因此這５ 個變量環(huán)環(huán)相扣，同時在因子１ 下顯現(xiàn)。“中心性” 是社會網(wǎng)絡(luò)分析的重點之一， 個人或組織在社會網(wǎng)絡(luò)中具有怎樣的權(quán)力， 或者說居于怎樣的中心地位， 對于信息在整個網(wǎng)絡(luò)中如何傳播， 及其傳播效果如何都有著十分重要的意義［４６］ ， 點度中心度和中介中心度都是社會網(wǎng)絡(luò)中心性分析的方法。生物科技領(lǐng)域高產(chǎn)學(xué)者的論文合著現(xiàn)象極多， 也就是說該領(lǐng)域的高產(chǎn)學(xué)者之間普遍存在科研合作的關(guān)系， 而社會網(wǎng)絡(luò)分析方法正是以研究關(guān)系見長的一種方法［４７］ 。所謂“社會網(wǎng)絡(luò)” 指的是社會行動者及其間的關(guān)系的集合［４８］ ， 社會網(wǎng)絡(luò)分析就是要對社會網(wǎng)絡(luò)中行為者之間的關(guān)系進行量化研究［４９］ 。而發(fā)文量的多少就會影響論文作者（社會行動者）數(shù)量的多少， 即某一學(xué)者發(fā)文量越多， 涉及與其合作的作者就越多， 因此中介中心性同另外５ 個傳統(tǒng)文獻計量指標(biāo)共用一個公因子便有據(jù)可依了。這與李亮等［４７］ 的研究結(jié)論也是一致的： 發(fā)表文獻比較多的作者同他人的合作也比較頻繁。

因子２ 解釋合作能力指數(shù)和點度中心度兩個變量。中介中心性著重刻畫行動者對資源的控制程度， 而網(wǎng)絡(luò)中某個節(jié)點的點度中心度則是根據(jù)網(wǎng)絡(luò)中與該點有連接的點的數(shù)目來衡量， 即節(jié)點的連接數(shù)越多， 就代表該節(jié)點的社會關(guān)系越多， 其影響力就越強。合作能力指數(shù)也融有網(wǎng)絡(luò)概念， 從考察學(xué)者的嵌入自我網(wǎng)絡(luò)方式出發(fā)， 著重研究學(xué)者的合作行為是否穩(wěn)定， 測度其高頻合作水平如何?？傮w上， 合作能力指數(shù)和點度中心度都是度量科研合作網(wǎng)絡(luò)中的一個節(jié)點（一位學(xué)者）與其他節(jié)點（其他學(xué)者）的聯(lián)系密切程度， 所以兩個變量同時在因子２下顯現(xiàn)。

根據(jù)表７， 把進行因子旋轉(zhuǎn)后的各因子方差貢獻率占總方差貢獻率的比重作為權(quán)重， 并進一步加權(quán)匯總， 得出生物科技領(lǐng)域高產(chǎn)學(xué)者的科研影響力得分計算公式如下：

根據(jù)上述公式計算得出每位樣本學(xué)者的科研影響力得分， 得分排名前３０ 位的學(xué)者如表１０ 所示。

２.５ 社會影響力評價

２.５.１ 指標(biāo)相關(guān)性分析及信效度檢驗

同樣用ＳＰＳＳ 軟件對樣本數(shù)據(jù)進行Ｓｐｅａｒｍａｎ 相關(guān)性分析。根據(jù)檢驗結(jié)果， 各Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)之間均存在顯著的相關(guān)關(guān)系， 故保留所有指標(biāo)。

接著對８ 個Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)進行數(shù)據(jù)標(biāo)準(zhǔn)化處理， 進行信效度檢驗。剔除同時在兩個因子中負(fù)荷較高的指標(biāo)——Ｍｅｎｄｅｌｅｙ Ｒｅａｄｅｒｓ 后， 得到表１１ 的檢驗結(jié)果。指標(biāo)整體的Ｃｒｏｎｂａｃｈ Ａｌｐｈａ 值為０.９１，表明指標(biāo)的信度很高； ＫＭＯ 值為０.６７１， 因此樣本數(shù)據(jù)適合進行因子分析。

２.５.２ 因子分析與主成分分析

根據(jù)表１２ 的總方差解釋表， 實驗對Ａｌｔｍｅｔｒｉｃｓ指標(biāo)提取出兩個公共因子， 特征值均大于１， 累計方差貢獻率達(dá)到８３.８４７％， 說明前兩個因子可以揭示大部分變量的特征。

由因子分析得到成分矩陣， 通過最大方差法進行因子旋轉(zhuǎn)后， 得到旋轉(zhuǎn)成分矩陣表如表１３ 所示。結(jié)果顯示各指標(biāo)間不存在交叉載荷， 證明篩選出的Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)均有意義。

因子１ 解釋Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ、Ｎｅｗｓ、Ｂｌｏｇ、Ｔｗｉｔ?ｔｅｒ 和Ｆａｃｅｂｏｏｋ ５ 個變量。Ｎｅｗｓ、Ｂｌｏｇ、Ｔｗｉｔｔｅｒ 和Ｆａｃｅｂｏｏｋ 是最具代表性的幾個Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)。其中， Ｎｅｗｓ 指示有幾條新聞中提到了某篇論文； Ｂｌｏｇ指示一篇論文所引發(fā)的在線學(xué)術(shù)討論的次數(shù)，Ｔｗｉｔｔｅｒ 和Ｆａｃｅｂｏｏｋ 顯示了由出版物引發(fā)的一般公眾在社交媒體平臺上發(fā)帖的次數(shù)［５０］ 。這４ 個變量注重新聞、百科及社交媒體上這些學(xué)術(shù)界外的廣泛影響力， 也是Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ 計分的主要來源。

因子２ 解釋Ｐａｔｅｎｔ 與Ｄｉｍｅｎｓｉｏｎｓ ＆ ＷｏＳ Ｃｉｔａ?ｔｉｏｎｓ 兩個變量。Ｐａｔｅｎｔ 指示論文被專利文件引用的次數(shù)， 即實體文件的引用次數(shù)， 已經(jīng)脫離了互聯(lián)網(wǎng)和媒體的范疇， 而Ｄｉｍｅｎｓｉｏｎｓ ＆ ＷｏＳ Ｃｉｔａｔｉｏｎｓ 指標(biāo)由于包含論文在Ｄｉｍｅｎｓｉｏｎｓ 和ＷｏＳ 網(wǎng)站上的引用量數(shù)據(jù)， 因此兩個變量共用一個公因子。

２.５.３ 社會影響力評價指標(biāo)函數(shù)的構(gòu)建及結(jié)果評價

Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)各成分得分系數(shù)矩陣如表１４ 所示， 將表中的變量依次表示為Ｙ、Ｙ、…、Ｙ， 兩個成分分別表示為Ｆ３ 和Ｆ４， 則可以得到以下因子得分函數(shù)：

根據(jù)上述公式計算得出樣本學(xué)者的社會影響力得分， 分值排名前３０ 位的學(xué)者如表１５ 所示。表中同時顯示了各學(xué)者的社會影響力得分排名與科研影響力得分排名相比的變化情況， 正數(shù)表示和科研影響力相比， 該學(xué)者的社會影響力排名有所上升， 負(fù)數(shù)表示排名下降。觀察排名變動可知， 表中大部分的學(xué)者在兩個維度的影響力排名變化較大。說明兩個評價維度的結(jié)果差異明顯， 單獨使用任一維度的指標(biāo)體系對高產(chǎn)學(xué)者的影響力進行評價都是不全面的。

３ 高產(chǎn)學(xué)者的影響力二維測度

３.１ 科研影響力及社會影響力相關(guān)性分析

對樣本學(xué)者的科研影響力及社會影響力得分值結(jié)果進行Ｓｐｅａｒｍａｎ 相關(guān)分析， 得到如表１６ 所示的相關(guān)系數(shù)表。根據(jù)相關(guān)分析結(jié)果， 兩者的相關(guān)系數(shù)為０.６２９， 表明兩者呈較強的正相關(guān)關(guān)系。因此，本文將科研影響力和社會影響力二者結(jié)合進行高產(chǎn)學(xué)者影響力評價具有一定的意義， 將兩個維度結(jié)合得到的高產(chǎn)學(xué)者綜合影響力結(jié)果更具合理性。本文故借鑒王妍［３２］ 的二維評價方法對高產(chǎn)學(xué)者的影響力進行測度。

３.２ 二維測度

本文將樣本學(xué)者的科研影響力得分值繪制于Ｘ軸， 社會影響力得分值繪制于Ｙ 軸， 以代表平均水平的（０，０）點為原點， 并依據(jù)原點設(shè)置標(biāo)準(zhǔn)分界線，繪制的高產(chǎn)學(xué)者影響力的二維評價散點圖如圖１ 所示。根據(jù)王妍［３２］ 的評價思想， 可將樣本學(xué)者劃分為以下４ 類。

１） “名家學(xué)者”： 得分點落于第一象限， 共有１４ 位高產(chǎn)學(xué)者， 占比１６.８７％。他們同時具有高科研影響力和高社會影響力， 是其所在研究領(lǐng)域的關(guān)鍵人物。“名家學(xué)者” 中最突出的得分點來自美國康涅狄格大學(xué)病理生物學(xué)與獸醫(yī)科學(xué)系（Ｄｅｐａｒｔ?ｍｅｎｔ ｏｆ Ｐａｔｈｏｂｉｏｌｏｇｙ ａｎｄ Ｖｅｔｅｒｉｎａｒｙ Ｓｃｉｅｎｃｅ， Ｕｎｉｖｅｒ?ｓｉｔｙ ｏｆ Ｃｏｎｎｅｃｔｉｃｕｔ， Ｓｔｏｒｒｓ） 的學(xué)者Ｔｙｌｅｒ Ｄ.Ｇａｖｉｔｔ，其３ 年的發(fā)文量為５３ 篇， 并且于每篇論文中均是署名第二的作者。該學(xué)者的科研影響力與社會影響力排名都是第一名， 說明他為生物科技領(lǐng)域的研究做出了卓越的貢獻。

２） “明星學(xué)者”： 得分點落于第二象限， 共有５位高產(chǎn)學(xué)者， 占比６.０２％。這部分學(xué)者獲得了較高的社會關(guān)注度， 但科研貢獻度相對較低。以該區(qū)域的學(xué)者Ｊｏｎａｔｈａｎ Ｓ. Ｗｅｉｓｓｍａｎ 為例， 他來自美國加州大學(xué)舊金山分校細(xì)胞與分子藥理學(xué)研究中心（Ｄｅｐａｒｔ?ｍｅｎｔ ｏｆ Ｃｅｌｌｕｌａｒ ａｎｄ Ｍｏｌｅｃｕｌａｒ Ｐｈａｒｍａｃｏｌｏｇｙ， Ｕｎｉｖｅｒ?ｓｉｔｙ ｏｆ Ｃａｌｉｆｏｒｎｉａ， Ｓａｎ Ｆｒａｎｃｉｓｃｏ）， ３ 年間共發(fā)表４ 篇論文， 論文Ｎｅｗｓ 累積提及量就有３４ 次， Ｔｗｉｔｔｅｒ 累計提及量更是高達(dá)７８１ 次， 被專利文件引用的次數(shù)也多達(dá)１９ 次， 因此其社會影響力排名較高， 為１４名。相較之下， 該學(xué)者發(fā)表的４ 篇論文的總被引頻次為３００ 次， 而調(diào)和被引頻次只有１９.５５ 次， 其科研影響力排名僅為５９ 名， 兩份排名結(jié)果懸殊。

３） “普通學(xué)者”： 得分點落于第三象限， 這個區(qū)域共有５２ 位高產(chǎn)學(xué)者， 占比６２.６５％， 是占全體樣本學(xué)者比重最大的部分。這部分學(xué)者在科研貢獻度和社會關(guān)注度方面都表現(xiàn)平平， 并且這個區(qū)域的大部分學(xué)者與坐標(biāo)軸都有一定距離， 因此這部分學(xué)者無論是在提高科研水平還是獲得社會關(guān)注度方面都應(yīng)持續(xù)努力。

４） “專業(yè)學(xué)者”： 得分點落于第四象限， 共有１２ 位高產(chǎn)學(xué)者， 占比１４.４６％。“專業(yè)學(xué)者” 有著較強的科研能力， 卻沒能贏得大眾的廣泛關(guān)注。以該區(qū)域來自美國斯坦福大學(xué)病理學(xué)系（Ｄｅｐａｒｔｍｅｎｔｓ ｏｆＰａｔｈｏｌｏｇｙ， Ｓｔａｎｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ）的學(xué)者Ｃａｌｅｂ Ａ.Ｌａｒｅａｕ為例， 其在３ 年間所發(fā)表的５ 篇論文中就有４ 篇署名第一或第二， 調(diào)和被引頻次高達(dá)１０３.８７ 次。但這幾篇論文的Ｂｌｏｇ 累計提及量僅為３ 次， Ｆａｃｅｂｏｏｋ累計提及量僅為６ 次， 顯示出其發(fā)表的論文的較低社會關(guān)注度。因此“專業(yè)學(xué)者” 可以適當(dāng)提高自身在社交媒體的活躍度［５１］ ， 以期提升大眾熟知度及其科研成果的社會影響力。

４ 結(jié)論

本文為構(gòu)建融合Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)和傳統(tǒng)指標(biāo)的高產(chǎn)學(xué)者綜合影響力評價指標(biāo)體系， 在前人的研究基礎(chǔ)上， 初步遴選傳統(tǒng)指標(biāo)和Ａｌｔｍｅｔｒｉｃｓ 指標(biāo)， 以Ｎａｔｕｒｅ 生物科技子刊雜志官網(wǎng)為數(shù)據(jù)源， 采集相關(guān)指標(biāo)數(shù)據(jù)。分別從科研影響力和社會影響力兩個維度， 對樣本學(xué)者的影響力開展評價并進行排序， 同時比較了兩份排名的結(jié)果。結(jié)果發(fā)現(xiàn)， 大部分學(xué)者在兩個維度的影響力排名結(jié)果差別較大， 即單獨使用任一維度的評價指標(biāo)體系對高產(chǎn)學(xué)者的影響力進行評價都是有局限性的。遂進一步對樣本學(xué)者的科研影響力及社會影響力的得分結(jié)果進行Ｓｐｅａｒｍａｎ相關(guān)分析， 得到兩者呈較強的正相關(guān)關(guān)系， 說明本文將科研影響力即傳統(tǒng)指標(biāo)與社會影響力即Ａｌｔ?ｍｅｔｒｉｃｓ 指標(biāo)二者結(jié)合進行高產(chǎn)學(xué)者的綜合影響力評價具有合理性。最后本文得出高產(chǎn)學(xué)者影響力的二維測度結(jié)果。

同時， 觀察高產(chǎn)學(xué)者的影響力排名與發(fā)文量關(guān)系可知， 在高產(chǎn)學(xué)者群體中， 部分發(fā)文數(shù)量較多的學(xué)者和發(fā)文量相對較少的學(xué)者相比， 其科研影響力和社會影響力卻并不如后者。以３ 年發(fā)文量為７ 篇的學(xué)者Ｒｏｂｅｒｔ Ｌａｎｇｅｒ 和發(fā)文量為３ 篇的學(xué)者ＭｉｋｈａｉｌＫｏｌｍｏｇｏｒｏｖ 為例作對比， 前者的科研和社會影響力排名分別為２２ 名和１５ 名， 而后者的排名為８ 名和１２ 名， 即發(fā)文量少的這名學(xué)者的排名都比這名發(fā)文量多的學(xué)者靠前。說明高產(chǎn)學(xué)者科研成果的“高產(chǎn)出量” 并不完全意味著“高質(zhì)量”。生物技術(shù)是促進經(jīng)濟社會可持續(xù)發(fā)展的有效途徑， 各國（地區(qū)）在生物科技領(lǐng)域的競爭也日益加?。郏担玻?。領(lǐng)域內(nèi)的科研學(xué)者應(yīng)摒棄唯發(fā)文量至上的觀念， 不能單純關(guān)注科研產(chǎn)出的絕對數(shù)量， 在保證科研產(chǎn)出量的同時， 學(xué)者們還應(yīng)切實提高成果的質(zhì)量， 努力形成一支高質(zhì)量的高產(chǎn)作者隊伍， 不僅帶領(lǐng)領(lǐng)域研究攀上新的高度， 也能促進經(jīng)濟社會的可持續(xù)發(fā)展，使研究成果成功轉(zhuǎn)化為社會效益。

本文研究的不足之處在于僅選定了３ 本Ｎａｔｕｒｅ生物科技子刊的高產(chǎn)學(xué)者作為樣本進行研究， 存在一定的局限性， 對于其他領(lǐng)域是否適用還有待進一步考證； 對傳統(tǒng)指標(biāo)的選擇可能也不盡完善。未來的研究中， 會進一步擴大數(shù)據(jù)源， 增加樣本的多樣性， 同時選擇更多具有代表性的傳統(tǒng)指標(biāo)， 使研究結(jié)果更具說服力， 以期對不同領(lǐng)域高產(chǎn)學(xué)者的影響力進行更加深入的評價研究。