开放科学传播研究新纪元：EurekAlert!新闻稿数据集的构建与应用

《Scientific Data》：An open dataset of EurekAlert! press releases for science communication research

为突破学术新闻稿大规模研究的瓶颈，研究团队系统采集并构建了EurekAlert!平台566,566条新闻稿的开放数据集。该数据集通过关系型数据库整合新闻稿元数据、科学出版物信息及全文链接，支持科学传播、替代计量学等领域的定量分析，推动科学传播研究的可重复性与跨学科融合。

　　

科学新闻在向公众传播科研成果中扮演着关键角色。随着互联网技术的发展，科学传播的渠道日益多元，但新闻媒体仍是公众获取科学信息的主要来源。学术机构与出版商通过公共信息官（Public Information Officers, PIOs）发布新闻稿，以通俗语言介绍最新研究成果。然而，大规模量化研究长期受限于新闻稿数据的可获取性与系统性缺失。EurekAlert!作为美国科学促进会（AAAS）运营的非营利科学新闻平台，汇集了全球数千家科研机构的新闻稿，成为研究学术新闻稿的理想数据源。

为填补这一空白，研究团队构建了首个覆盖EurekAlert!自1996年上线至2025年的全面开放数据集。该研究发表于《Scientific Data》，旨在通过结构化数据支持科学传播、替代计量学（altmetrics）等领域的量化分析，促进科学传播研究的透明性与可重复性。

研究采用分阶段数据采集策略，结合网络爬虫与数据清洗技术，分两次（2023年与2025年）从EurekAlert!官网抓取新闻稿页面。通过解析HTML结构，提取新闻稿元数据（如标题、发布时间、机构、关键词）、关联科学出版物信息（期刊、会议、资助方、DOI）及全文中的超链接。为优化数据可用性，团队构建了关系型数据库模型，通过唯一标识符（euid）关联主表与关键词、机构等多值字段的副表，减少数据冗余。

数据记录与结构

数据集以JSON格式存储，包含三个核心模块：新闻稿元数据、科学出版物元数据及全文链接数据。关系型数据库设计通过euid连接各表，支持高效查询与扩展。例如，新闻稿可关联多个关键词或机构，通过序列号（keywords_seq_1）反映层级关系。

技术验证

通过对比2021、2023与2025三个版本的数据集，研究验证了数据采集方法的稳健性。尽管EurekAlert!网站在2023年更新了URL结构与页面布局，导致部分旧链接失效，但2025年数据集仍成功捕获495,179条可访问记录，新增71,368条新闻稿，覆盖时间跨度为1996年1月至2025年3月。

科学出版物元数据的完整性随时间显著提升：2015年后，DOI字段的覆盖率持续增长，2018年起超50%的新闻稿包含DOI，为链接学术论文与传播效果分析奠定基础。

关键词分析与应用潜力

关键词聚类揭示新闻稿的主题分布特征。健康与医学（Health and medicine）、生命科学（Life sciences）为最常出现的领域，与社会科学的关注度相当。关键词层级结构（最高达11层）支持主题建模与趋势分析，例如通过共现网络可识别健康科学、物理工程等聚类主题。

讨论与意义

本研究首次系统构建了EurekAlert!新闻稿的开放数据集，突破了科学传播研究的数据壁垒。数据集支持多维度分析，如科学新闻的准确性、机构代表性偏差、跨学科传播差异等。通过链接Crossref、OpenAlex等开放数据源，可进一步构建以新闻稿为核心的知识图谱，推动科学传播研究融入开放科学基础设施。

研究亦指出局限性：部分新闻稿因链接失效而缺失；机构名称未进行消歧；全文文本因版权限制未包含；多语言新闻稿尚未整合。未来工作可结合ROR（Research Organization Registry）、ORCID等标识符提升数据 interoperability，并扩展非英语新闻稿的采集。

该数据集的开放共享遵循CC BY-NC 4.0协议，可通过DataverseNL与Google BigQuery公开访问，为科学传播研究提供基础性资源，助力跨学科合作与政策分析。