利用雙聚類和突發(fā)檢測算法探測學科前沿及知識基礎的比較分析——以h指數(shù)研究領域為例.pdf

1、目的:
　　 雙聚類算法和突發(fā)檢測算法在探測學科前沿和知識基礎方面都體現(xiàn)出了一定的可行性，本課題擬通過對兩種算法得到的研究前沿和知識基礎的比較，總結雙聚類算法和突發(fā)檢測算法的不同思路及優(yōu)缺點，以便在今后的研究中揚長避短，更好的發(fā)揮各算法的作用，為以后學科前沿和知識基礎的探測提供有益參考，并提出觀測科學活動特征的新角度，將雙聚類算法推廣到各領域的學科發(fā)展評價中。
　　 方法:
　　 利用“h-index”為主題字段

2、在Web of Science中檢索2005-2013年間的數(shù)據(jù)，獲得相關文獻記錄。將數(shù)據(jù)記錄全部下載后，首先對h指數(shù)研究領域進行雙聚類分析，即利用BICOMB軟件對數(shù)據(jù)進行引文抽取，構建高被引-來源文獻共現(xiàn)矩陣，并通過gCLUTO軟件對數(shù)據(jù)進行雙聚類分析，獲取知識基礎和學科前沿。再利用CiteSpace軟件對h指數(shù)研究領域進行突發(fā)算法檢測，探測h指數(shù)研究領域的研究前沿和知識基礎。最后比較兩種方法得到的結果并進行評價。
　　 結

3、果:
　　 在探測h指數(shù)研究領域前沿方面，兩種算法存在著一定的一致性，均發(fā)現(xiàn)“利用‘ISI Web of Knowledge’等引文數(shù)據(jù)庫研究h指數(shù)”和“利用h指數(shù)評價科學出版物及科學產出”的研究前沿。在對聚類進行自動標注方面，雙聚類算法提供的描述性特征與聚類內容更為相關，突發(fā)檢測算法利用突發(fā)詞標注聚類，由于存在著噪音文獻，不能很好地與前沿和熱點聯(lián)系起來。在探測h指數(shù)研究領域知識基礎方面，雙聚類對高被引文獻的聚類更為結構化和清晰

4、。在識別h指數(shù)研究領域動態(tài)發(fā)展，突發(fā)檢測算法表現(xiàn)出了優(yōu)越性。
　　 結論:
　　 通過對兩種算法得到的研究前沿和知識基礎的比較，我們發(fā)現(xiàn)雙聚類的聚類標簽更具有相關性，突發(fā)檢測算法在探測學科動態(tài)發(fā)展方面更有優(yōu)勢，兩種算法有著各自的優(yōu)勢，并在一定程度上互補。在今后的研究中研究者可以揚長避短，根據(jù)研究目的不同，選擇不同的算法以揭示學科前沿和知識基礎，也可以結合兩種算法對學科結構及發(fā)展做出更全面的詮釋。本研究為以后學科前沿和知識