用于识别高创新性论文的多维度指标体系:从知识吸收、创造与传播的角度出发

《Journal of Informetrics》:A multi-dimensional indicator system for identifying highly innovative papers: a knowledge absorption, creation, and diffusion perspective

【字体: 大 中 小 】 时间:2026年02月03日 来源:Journal of Informetrics 3.9

编辑推荐:

  魏成|郑晓敏|郑德军|李明|丛天石 中国南京,南京农业大学信息管理学院,210095 摘要 传统评价指标往往只关注学术创新的某一方面,如引文数量、主题新颖性或颠覆性,因而无法体现学术创新产生与传播的多机制过程。本研究基于知识演化视角构建了一个多维度指标体系,将创新过

  魏成|郑晓敏|郑德军|李明|丛天石
中国南京,南京农业大学信息管理学院,210095

摘要
传统评价指标往往只关注学术创新的某一方面,如引文数量、主题新颖性或颠覆性,因而无法体现学术创新产生与传播的多机制过程。本研究基于知识演化视角构建了一个多维度指标体系,将创新过程划分为三个阶段:知识吸收、知识创造和知识扩散。每个阶段在引文网络和文本语义中都对应着可测量的特征。该框架整合了基于引文和内容的指标,并通过语义和时间建模优化主题新颖性和知识颠覆性指标,以降低粒度偏差和聚合偏差。研究以1940篇普赖斯奖得主的研究成果及其被引和引用记录(共54,045篇独特文献)作为实证数据,还通过指标间相关性分析、与引文影响力的比较、对洛特·莱德斯多夫的代表性作品的案例验证以及跨领域验证实验来检验框架的稳健性。结果表明,所提出的体系能够有效识别高创新性研究,捕捉知识生成与传播的领域特定模式,为学术创新评价提供了一种全面且可扩展的方法。

1. 引言
学术创新评估是科学计量学和科学政策的核心,它有助于我们理解科学进展、研究资金的分配以及激励高质量学术研究的措施。然而,创新具有多维度特征,不能简化为新颖性、独创性或颠覆性等单一属性。新颖性涉及问题或方法的新颖程度;独创性强调思想的独特性;颠覆性则表明某项成果在多大程度上重构了既有的知识结构(Huang, Cai, Yuan, Wang, 2025a; Liu, Wang, Yang, 2025; Marchiori, Scharp, 2024)。尽管这些方面能反映创新的重要特征,但它们往往是孤立且静态的,无法体现一项研究对科学知识发展历程的动态贡献。因此,需要一种更为全面和动态的评估框架。本文将学术创新置于知识演化的宏观进程中加以探讨。科学知识是一个动态的、自我组织的、持续演变的整体,而非一组静态的事实(Fu, Cao, Zhao, 2024; Yang, Cheng, Ye, Zhang, 2024a)。任何一篇研究论文都是这个网络中的一个节点,其创新价值体现在它在知识传递与转化中的作用。这种基于过程的视角将注意力从孤立的属性转向了论文在知识流动中的功能作用与影响。尤其是,一篇论文的创新性在于它如何在现有研究基础上进行拓展、影响后续研究,并带来核心的智力贡献(Yang, Wu, Lyu, 2024b; Yang, Hu, 2025)。因此,分析知识演化过程中出现的各种特征对于把握创新的动态性与多维度本质至关重要。从这个视角来看,一项学术成果的生命周期包含三个逻辑上相互关联的阶段:知识吸收、知识创造和知识扩散。这三个阶段共同构成了用于系统评估创新的输入-过程-输出模型。知识吸收是输入阶段,反映论文整合和综合引用文献中已有知识的能力;高度创新性的研究既建立在他人成果之上,又能跨越学科界限整合不同领域的知识(Cheng et al., 2025)。知识创造是核心处理阶段,体现为论文带来的知识增量,包括新的概念、变革性的方法或新的范式,这些都能在知识网络中形成独特的节点(Yang et al., 2024b)。知识扩散则是输出与价值实现阶段,体现为论文通过被引文献对后续研究产生的影响范围、深度和持久性;创新只有在得到传播并被学术界应用后才能真正发挥作用(Wu and Shi, 2025)。这些阶段彼此关联,共同展现了从研究构思到产生影响的完整过程;忽略任何一个阶段都会导致对创新的片面理解。

目前,学术创新评估方法可分为定性方法和定量方法两类。定性方法旨在识别并梳理文献中的创新知识,例如通过自动提取创新点(Zhang and Chen, 2024)、检测新的问题-方法组合(Akinseloyin, Jiang, Palade, 2024; Huang, Huang, Liu, Luo, Lu, 2025b),或构建以创新为中心的知识网络(Wang, Zhang, Song, Kim, Ko, Lee, 2024a; Xiang, Jiang, Liu, Huang, Tian, Ma, 2025)。定量方法则利用颠覆性、引文距离和语义相似度等指标来量化特定的创新维度(Jiang, Liu, 2024; Li, Siddharth, Luo, 2023; Wang, Zhang, Chen, Chen, 2024b)。然而,这类方法的局限性在于依赖单一或关联较窄的指标,缺乏一个能够整合知识吸收、创造和扩散过程的统一框架(Hengel et al., 2024),从而限制了评估的全面性。

为弥补这一缺陷,本研究提出了一种基于知识演化理论的多维度定量评估框架。我们构建了一个多层次指标体系,用于全面衡量知识吸收、创造和扩散过程中的创新表现。在知识吸收方面,我们评估论文整合跨学科知识的能力以及其与引用文献的差异程度。在知识创造方面,我们重点关注主题新颖性和知识颠覆性,并通过语义分析和时间动态优化相关指标的计算方式。在知识扩散方面,我们评估论文影响的广度、持久性以及随时间发展的跨学科传播能力。为验证该框架的有效性,我们分析了30位普赖斯奖得主所撰写的1940篇研究成果,以及这些成果的被引和引用文献,共计54,045篇独特文献。我们运用所提出的多指标体系来评估其可行性和评估能力,并通过五种互补的方法来检验其稳健性:指标间相关性分析、与引文数量的比较、对高影响力创新论文的内容分析、对洛特·莱德斯多夫代表性作品的案例研究,以及跨领域实验验证。

本研究的主要贡献在于:(i)通过知识演化视角深化了对学术创新的概念理解;(ii)提出了一种结构化、可扩展的框架,能够整合多个评估维度;(iii)通过引入语义和时间动态元素提升了关键指标的准确性;(iv)通过科学计量学领域的实证验证,证明了一种适用于各科学领域的稳健且具有普遍适用性的创新评估方法。

2. 相关研究
专家同行评审仍是判断学术创新的主要依据,而定量指标则逐渐被用作辅助决策的工具。在定量评估视角下,现有研究可大致分为三类:基于引文的测量方法、基于知识的测量方法,以及基于网络的多维度方法。本研究旨在构建一种更为全面且具有理论基础的定量评估框架,为专家评估提供更有力的支持。

2.1 基于引文的测量方法
基于引文的测量方法是通过分析单个研究论文的引文表现和引文模式来推断其创新性。在实际应用中,专家同行评审仍是评估决策的主要依据,而引文指标则起到补充作用(Kaltenbrunner et al., 2022)。颠覆性指数及相关基于引文的指标用于分析某篇论文是否改变了其后继文献对其前身的引用方式(Jiang, Liu, 2024; Leibel, Bornmann, 2024; Wu, Wang, Evans, 2019)。那些同时考虑影响力和新颖性的综合指标能够为专家评估提供更为平衡的引文相关信息,不过它们仍将创新视为一个单一的、静态的属性(Yan and Fan, 2024)。

2.2 基于知识的测量方法
以内容为导向的方法通过分析研究论文内部的知识结构来识别其中的创新贡献。在句子或段落层面,监督学习和半监督学习模型被用来识别包含创新内容的句子或关键的问题-方法单元,从而确定文档中出现新思想的位置(Akinseloyin, Jiang, Palade, 2024; Zhang, Chen, 2024)。最近的研究还探索了多模态和知识增强架构,以便更好地捕捉科学文本中的复杂实体和关系(Huang et al., 2025b)。基于主题和关键词的方法则通过分析主题之间的非典型组合或语义距离来量化新颖性,这类方法通常利用词向量或文档嵌入来超越表面词汇的局限(Jeon, Lee, Ahn, Lee, 2023; Ruan, Ao, Lyu, Cheng, Li, 2023; Yang, Wang, Zhang, 2024c)。还有一些研究使用基于嵌入的表示方法来衡量某篇论文与现有主题结构的偏离程度(Liu, Bu, Chen, Xu, Li, Leng, et al., 2022; Shibayama, Yin, Matsumoto, 2021)。大型语言模型则进一步实现了从全文自动评估原创性和概念独特性,从而支持大规模筛选和辅助评审工作(Huang, Cai, Yuan, Wang, 2025a; Wu, Zhang, Bao, Zhao, 2025)。这些方法主要侧重于识别和评分研究成果的新颖性,而对创新的其他维度关注相对较少。

2.3 基于网络的多维度测量方法
基于网络的方法将创新视为源于引文网络和知识网络的演化过程。通过引文分析、共引分析以及共词网络和主题网络,可以追踪思想如何在不同的研究群体和研究领域之间传播和重组(Mejia, Wu, Zhang, Kajikawa, 2021; Tang, Du, Wang, Wu, 2024)。其他研究则利用网络嵌入和图模型来衡量知识接近度和探索距离,将结构位置与创新成果联系起来(Choi, Yoon, 2022; Li, Siddharth, Luo, 2023; Zhang, Xie, Song, 2021)。针对更高阶和跨领域配置的研究则进一步将网络结构与颠覆性和跨学科性联系起来(Saeidnia, Hosseini, Abdoli, Ausloos, 2024; Shi, Evans, 2023; Zhao, Wang, 2024)。协作网络和时间图模型则揭示了团队结构和主题动态如何影响创新研究的产生和传播(Guo, Lu, Han, 2025; Liu, Wang, Yang, 2025)。这些研究强调了知识的传播、重组和结构重构,但通常只关注被引方或引用方。

总体而言,现有研究在文档层面、内容层面以及网络层面的学术创新评估方面已经取得了重要进展,但大多数方法仅侧重于创新过程的某一两个方面。本研究在这些研究基础上,提出了一种基于知识演化的框架,将该过程明确分解为知识吸收、知识创造和知识扩散三个环节,并设计了一个多指标体系,将文档层面、内容层面和网络层面的信息整合为一个综合的学术创新评价指标。

3. 指标体系的构建

3.1 高创新性论文的特征
要识别出高创新性论文,首先需要准确理解那些使其区别于传统研究成果的独特特征。尽管这类论文在形式上可能各有不同,但它们通常都具有某些内在和外在特征,这些特征能够体现其创新潜力与学术影响力。识别这些特征是构建稳健评估框架的基础。只有将评估指标与创新研究的核心特征相契合,评估体系才能有效把握知识生产与转化的底层动态,从而提升其解释力和可信度。

本章基于研究评估、创新研究以及标志性成果识别方面的现有研究,总结了高创新性学术作品通常具备的六项核心特征。这些特征见表1,也为后续章节中指标的构建提供了理论基础。

表1. 高创新性论文的特征总结

特征 描述
跨学科性 跨领域知识整合,从而产生新的视角和方法
偏离度 与现有知识基础的显著差异
独创性 相比同一领域内的现有研究具有独特性
颠覆性 对现有科学框架具有挑战性影响
影响深度 在核心学科内产生持久影响,推动基础研究发展
影响广度 对多个学科和研究群体产生影响

3.1.1 跨学科性
跨学科整合是推动科学创新的核心动力。高创新性论文往往诞生于学科交叉点,正是这种交叉促进了新概念、新方法以及新问题框架的产生,进而挑战现有的学科边界(Thelwall, Kousha, Stuart, Makita, Abdoli, Wilson, Levitt, 2023; Wang, Qiao, Chen, Li, Zhang, Ding, Chen, 2024c)。因此,评估这种整合的程度对于识别具有强大创新潜力的研究至关重要。

3.1.2 偏离度
偏离度体现了一篇论文与其基础知识体系的差距。与那种逐步延伸现有研究的做法不同,创新性研究会选择性地吸收和重构现有知识,从而带来实质性的认知变革(Zhao and Zhang, 2025)。较大的偏离度意味着该研究更有可能带来全新的理论或方法论贡献。

3.1.3 独创性
独创性指的是一篇论文在当前研究语境中的独特性。与偏离现有知识相比,它更强调相对于现有研究的新型主题、方法或理论取向,预示着该研究有望开辟新的研究方向(Wu et al., 2025)。因此,独创性依然是识别开创性贡献的核心标准之一。

3.1.4 颠覆性
颠覆性描述的是那些挑战或彻底打破现有范式的贡献,而非只是逐步推进现有发展。受库恩理论的影响,这类研究往往利用尚未解决的矛盾来重新构建人们的认知和实践方式(Ruan, Ao, Lyu, Cheng, Li, 2023; Wang, Wang, Zhang, Wang, Wang, Ding, Chen, 2025)。尽管这类贡献较为罕见,但其影响力极大,往往能定义一个领域的发展方向。影响深度影响深度指的是某项成果在其所在领域内产生的持久且集中的影响力。它与影响广度不同,侧重于衡量一篇论文在多大程度上成为塑造长期辩论、方法与概念的关键参考文献(Wang等人,2024a)。持续的深度是那些成为领域知识基础的创新性贡献的典型特征。

3.1.6 影响广度具有高度创新性的论文往往能产生跨越学科界限的广泛影响(Zhang等人,2024)。它们的研究结果与方法被不同研究群体广泛采用,从而推动知识传播并拓展学术边界。广泛的影响力表明论文具有多功能性与普遍适用性,这有助于其不仅在自身领域内取得进展,还能为更广泛的科学生态体系做出贡献。

3.2 指标设计与计算要识别出高度创新的论文,需要建立一个基于学术创新内在特征的系统性、多维度框架。本研究借鉴创新过程理论,构建了一个与知识演进的三个基本阶段相对应的指标体系:知识吸收、知识创造以及知识传播(见图1)。这三个阶段被视为以时间和信息流为导向的过程,而非相互排斥的类别;诸如跨学科性及颠覆性等特性可能出现在多个阶段中,但会由不同的证据支撑,并以各阶段特定的方式加以解读。在每个阶段,都会确定创新的代表性特征,为指标的设计与计算提供概念基础。各阶段与属性之间的关联会在证据和解读层面进行明确,以确保逻辑上的连贯性。

下载:下载高分辨率图像(638KB)
下载:下载全尺寸图像
图1. 基于知识演进的指标体系。

据此,共选择了六个指标:用于知识吸收的Rao-Stirling多样性指数(RS)与引文距离指数(CD);用于知识创造的课题创新指数(TI)与知识颠覆指数(KD);以及用于知识传播的知识传播深度指数(KDD)与知识传播广度指数(KDB)。RS和CD属于事前、从引文角度出发的指标,用于衡量先前知识整合的异质性;TI和KD用于衡量知识创造,其中TI反映概念上的新颖性,而KD则侧重于该论文所带来的结构重构;KDD和KDB属于事后、从引文角度出发的指标,用于衡量时间上的持久性以及跨领域的传播范围,以此区分下游的传播效应与上游的来源多样性。其中,TI和KD是本研究新提出的指标,它们是在现有文献计量学指标的基础上经过改进与扩展而形成的,旨在更精准地捕捉创新研究在语义与结构层面的特点。

3.2.1 Rao-Stirling多样性指数(RS)知识吸收是学术创新的初始阶段,涉及在论文撰写过程中对外部知识的选择性吸收与修正。参考文献反映了支撑一篇论文的理论基础与知识来源。通过RS指数来衡量参考文献的跨学科程度,能够体现知识来源的丰富性、均衡性及多样性(Stirling,2007)。这一指标能够有效量化跨学科融合的程度,且已被证明与研究创造力呈正相关。某篇目标论文的RS指数可通过公式(1)计算得出。

(1) RS = ∑i,j (i≠j) p_i p_j d_{ij}, 其中 d_{ij} = 1 ? S_{ij}
其中,p_i和p_j分别表示学科i和学科j在参考文献中的比例;d_{ij}表示学科i与学科j之间的距离,S_{ij}则表示这两个学科之间的相似度。当参考文献来自同一学科时(即i=j),则参考文献的多样性为0,说明缺乏学科多样性。该学科相似度矩阵是基于Leydesdorff的研究构建的,他利用2019年的JCR SCI-E和SSCI期刊构建了共引矩阵,再通过计算学科向量的余弦值来得出相似度矩阵。相关数据可从Leydesdorff的网站下载(http://www.leydesdorff.net/wc15/wc19/index.htm)。

3.2.2 引文距离指数(CD)为衡量创新变革的程度,CD指数通过全文语义嵌入技术来评估一篇论文与其参考文献之间的语义差异(Matsumoto等人,2021)。这种方法超越了表面的文本差异,能够捕捉更深层次的概念创新,进而体现一篇论文在多大程度上偏离了现有的知识基础。某篇目标论文的CD指数可通过公式(2)和公式(3)计算得出。

(2) CD = 1/n ∑i=1^n d(V_p, V_{Ri})
(3) d(V_p, V_{Ri}) = 1 ? cos(V_p, V_{Ri})
其中,P表示一篇学术论文,其参考文献集合记为R={R1,R2,…Rn},n为参考文献的总数。同样,论文的文本内容也被转化为向量形式,每篇参考文献则对应一个文本向量V_{Ri}。两篇文本向量之间的语义距离记为d(V_p, V_{Ri}),其计算方式为1减去两个向量之间的余弦相似度。

3.2.3 课题创新指数(TI)TI从两个互补的角度来评估课题的新颖性。从时间维度来看,它关注某一研究课题的出现时间;例如首次出现的时间以及该课题群内的平均发表年份等指标,有助于识别具有开创性的主题(Li等人,2021)。从语义维度来看,它通过课题群之间的语义距离来量化差异,通常借助基于嵌入的相似度分析或共词网络,从而判断某一课题在多大程度上脱离了现有文献,进而体现其在问题选择上的原创性。为更准确地识别那些能够定义某一研究领域的重要贡献,本研究针对那些仅依赖时间新近性或主题独特性来判断的方法所存在的局限进行了改进(Huang等人,2024)。以往基于发表时间与语义差异的方法可能会忽视那些早期出现的、后来却成为领域基石的突破性成果,尤其是在那些历史悠久的领域中。例如,引文分析起源于20世纪60年代,尽管历经较长时间且与诸多相关主题存在重叠,但其早期的研究成果依然具有很高的创新性。因此,我们引入了基于时间戳的调整机制,以减轻时间累积效应,更准确地表征那些在长期存在的课题中具有重大影响力的早期研究成果的 novelty(Kim等人,2022)。

其计算流程分为三个步骤:第一步:数据预处理。利用目标论文、其参考文献以及引用这些文献的论文的标题、关键词和摘要,去除缺失的条目,对记录进行标准化与对齐,消除重复内容,并对语料库进行清洗。之后对文本进行分词处理,去除停用词及其他无信息价值的词汇。第二步:主题提取。我们采用BERTopic方法,该方法将BERT嵌入模型与c-TF-IDF算法相结合,从而形成能够捕捉语义结构同时保留关键术语的密集主题群。这样就可以得到主题分配结果以及对应的论文编号,进而获得清晰且易于理解的主题表征。第三步:TI值的计算。课题的新颖性从两个角度进行评估:时间新颖性(TI(t))与内容新颖性(TI(c))。此外,我们还为每篇论文赋予发表日期的时间戳,并通过时间序列分析来追踪不同发展阶段中的课题新颖性。TI(t)与TI(c)的计算公式分别为公式(4)和公式(5)。

(4) TI(t) = 1/M_t ∑i=1^{M_t} (t ? t_i)
(5) TI(c) = 1/(T_t ? 1) ∑i≠j CosineSimilarity(T_i, T_j)
其中,TI(t)表示某个课题的时间新颖性,是通过计算该课题内所有论文的平均发表年龄来确定的,数值越小表示时间新颖性越高。M_t表示在目标论文发表时,该课题内已经发表的论文数量,t为目标论文的发表年份,t_i为该课题的首次发表年份。TI(c)则表示该课题的内容新颖性,是通过计算目标论文所在课题的语义向量与该领域其他课题的语义向量之间的平均余弦相似度来确定的,数值越小表示内容新颖性越高。N_t表示此时该领域内的主题总数。由于这两种指标的取值范围不同,因此需要对TI(t)进行归一化处理,确保最终结果与该论文的课题新颖性呈正相关。TI的最终计算公式为公式(6)。

(6) TI = 1 ? TI(t)_norm × TI(c)

3.2.4 知识颠覆指数(KD)KD源自“颠覆指数”概念,用于量化一篇论文在多大程度上改变了后续研究的引文结构(Lin等人,2023)。较高的KD值意味着原有的研究范式已被重新定义或取代,这预示着该论文具有突破性的贡献。为克服传统颠覆指数仅依赖直接引文、忽视知识的实际流动与语义内容的缺陷,我们采用了一种细致且基于语义的影响追踪方法来对KD进行改进(Leibel和Bornmann,2024)。我们识别出目标论文知识流中的正向节点与反向节点,并对所有加权路径上的影响进行汇总,从而同时捕捉直接与间接的影响效应(Runhui等人,2025)。此外,我们还通过无监督的关键词提取方法来纳入文本层面的信号,以反映核心概念的转变。通过结合结构重构与内容变革,改进后的KD能够更准确、更细致地评估一项研究具备的颠覆潜力。

整个流程包含五个步骤:第一步:数据预处理。选取目标领域过去n年内的各类论文,以及这些论文的参考文献和引用文献的标题、关键词和摘要,去除不完整的条目,对记录进行标准化与对齐,消除重复内容,对文本进行清洗、分词处理,同时过滤掉停用词或填充词。第二步:构建引文-语义混合网络(见图2)。对于每一个主题,我们从入度为零的层(第1层)开始,逐步追踪到出度为零的层(第-1层),在存在多个可能路径时优先考虑距离目标论文更近的路径。之后,我们根据成对嵌入之间的相似度来添加语义边:对于每篇论文,将其与相似度最高的20%的论文之间建立连接,边的权重等于两者之间的相似度值;而引文边则保持权重为1。语义边虽然能够补充引文层次结构,但不会改变原有的引文层级关系。

下载:下载高分辨率图像(353KB)
下载:下载全尺寸图像
图2. 基于语义互补的层次引文网络。

第三步:影响强度计算与演化路径识别。我们通过计算从目标论文出发及指向目标论文的所有路径上的边权重,然后对所有路径的结果取平均值,从而识别出正向节点(对目标论文有贡献的节点)与反向节点(受目标论文影响的节点)。处于前四分位的节点构成了正向知识库与反向影响集。第四步:知识元素识别。论文的关键词可作为微观层面的知识元素,用来体现研究的核心内容、方向、概念与理论。如果作者未提供关键词或关键词数量不足,我们会通过无监督方法从全文中提取关键词;具体操作流程详见实证分析部分。第五步:KD值的计算。我们对颠覆指数进行了改进,用以量化目标论文在其所属课题领域内对原有研究的替代程度。如果由于该论文的贡献,后续研究较少依赖原有的研究范式,且原有的范式被取代,那么KD值就会较高。按照原始指数的逻辑,KD由两个部分构成:(1)与现有知识库的差异程度(KD1),以及(2)替代程度与范式颠覆程度(KD2)。在本研究中,一个课题内的知识元素(关键词)被划分为七种类型(见图3),KD值也是根据这些类型来计算的。KD1与KD2的计算公式分别为公式(7)和公式(8)。

(7) KD1 = P_Fi ? P_Bins = NFi ? NBi / (NFi + NBi + NRi) = nFi ? nBins
(8) KD2 = P_Di + P_Ci ? P_Ei ? P_Gins = NDi + NCi ? NEi ? NGi / (NDi + NCi + NEi + NGi) = nDi + nCi ? nEi ? nGin / (Di + Ci + Ei + Gi)
其中,n表示每类知识元素的数目,ns则表示论文中知识元素的总数。KD的最终计算公式为公式(9):

(9) KD = ?KD1 + (1 ? ?)KD2
其中,?的值被设定为0.5(Wang等人,2023)。

下载:下载高分辨率图像(546KB)
下载:下载全尺寸图像
图3. 该指标体系的结构示意图。

3.2.5 知识传播深度指数(KDD)KDD反映了某篇论文的学术影响力在时间维度上的持久性与连续性(Wang等人,2015)。KDD的计算公式为公式(10)。

(10) KDD = Ni(T1 ? T0 + 1) × (T0 ? t + 1)
其中,Ni表示该论文的总引文次数,T1表示在统计截止日期之前最后一次出现引文的年份,T0表示该论文首次被引用的年份,t为该论文的发表年份,其中加1是为了避免出现除以零的情况。较高的KDD值表明该论文不仅拥有较高的引文数量,而且其影响力传播迅速,且能持续产生影响,这意味着它能够快速获得并维持学术界的持续关注。相反,较低的KDD值则可能意味着其影响力有限,传播速度较慢,难以在学术界长期保持关注度。

3.2.6 知识传播广度指数(KDB)为评估跨学科的影响力,KDB用于量化引用某篇论文的学科多样性程度(Zhai等人,2018)。某篇目标论文的KDB指数可通过公式(11)和公式(12)计算得出。

(11) KDB = αN_in + βN_out
(12) N_out = ∑i=1^n Ni × di × HH_max, 其中 H = ?∑i=1^n pi / lnn
其中,N_in表示该论文在其所在学科内的被引用频率,用于衡量该学科内部的传播广度。Ni表示来自其他学科的引用频率,而N_out则用于评估该论文在不同学科间的传播程度。di表示其他学科与该论文所在学科之间的差异程度,H则为学科平衡因子,用于反映不同学科的数量对KDB的影响。计算过程中采用了布里渊指数。pi表示学科i中的引用次数占该论文总引用次数的比例,这一设置旨在同时考虑传播的频次与学科之间的平衡状况。α和β的值是通过熵权法确定的。3.3 指标权重分配本研究采用CRITIC方法为学术论文创新性指标赋权。该方法通过评估各指标的变异程度(标准差)和相互关联程度(相关系数),根据数据的内在特征来确定权重,从而客观反映其在评价体系中的独立贡献和信息含量。与主观或混合权重方法相比,CRITIC方法的数据驱动特性有效避免了专家判断带来的偏差,提升了结果的稳定性和可重复性(Mishra等人,2023年)。这一特点使其特别适用于所提出的多维度创新框架,该框架能够涵盖知识吸收、创造和传播等互补方面。权重确定的具体步骤如下:首先,对原始数据进行最大值标准化处理,以确保不同指标间的可比性并保持相对距离;其次,计算每个指标的标准差,以量化其区分能力或对比强度;接着,构建指标相关矩阵,用以评估指标间的信息冗余或冲突情况;随后,结合变异度和相关性来确定每个指标的信息含量,信息含量越高意味着其独特贡献越大;最后,对所有指标的信息含量进行标准化处理,从而得出最终的指标权重。这一方法确保了权重分配过程的客观性和严谨性。4. 实证研究4.1 数据收集本研究通过科学计量学领域的重要奖项——普莱斯奖得主的出版物来实证评估所提出的框架。截至2023年6月,共有32位学者获得该奖项,他们因理论创新、方法创新以及重大影响力而受到认可。这些出版物因其广泛的认可度、高频的被引次数以及经过正式同行评审的认可,可作为可靠的基准。获奖者名单来自ISSI官方网站(https://www.issi-society.org/awards)。由于Web of Science数据限制,有两位获奖者的出版物——Vasily V. Nalimov(1987年)和Irvine J.(1997年)——被排除在外。最终的数据集包含其余30位获奖者的出版物。数据收集涵盖了以下内容:(1)普莱斯奖得主的完整出版记录,以及(2)他们的被引文献和引用他们的文献。作者信息通过WoS的名称+ORCID进行检索,再根据所属机构进行筛选,最终仅保留截至2023年12月的英文文章。我们提取了文章标题、摘要以及引用元数据。此外,还使用基于Python的Selenium爬虫自动获取被引文献和引用文献,之后再应用标准的清洗和预处理流程。对数据集进行清洗和预处理时采取了以下步骤:第一步:去重。将多位获奖者共同撰写的文章合并,最终得到3551篇独特的重点论文。第二步:筛选。剔除没有摘要或引用链接(无论是被引文献还是引用文献)的文章。经过筛选后,用于创新分析的最终数据集包含1940篇重点论文。第三步:聚合。将这些重点论文及其被引文献和引用文献整合为一个统一的数据集,共计54,045条记录,用于指标计算。第四步:引用关系映射。利用WoS的唯一标识符构建引用关系图,格式如下:{重点论文A: [[被引文献1, 被引文献2,...], [引用文献1, 引用文献2,...]]}。图4和图5展示了重点论文以及整个实验数据集的时间分布情况。经过筛选后的数据表明,普莱斯奖得主主要在《科学计量学》、《信息科学与技术协会期刊》以及《信息计量学期刊》等核心期刊上发表文章,其发表数量从1991年开始显著增加,2007年后达到峰值。时间与主题的集中性以及数据集的规模都表明,该数据集非常适合用于评估学术创新。在更广泛的数据集中,出现频率较高的领域包括图书馆与信息科学、计算机科学以及商业与经济学,心理学和环境科学也有一定贡献,这体现了该数据集广泛的学科覆盖范围,进一步增强了其可靠性和代表性。下载:下载高分辨率图片(489KB)下载:下载全尺寸图片图4. 重点论文的时间分布情况。下载:下载高分辨率图片(348KB)下载:下载全尺寸图片图5. 整个实验数据集的时间分布情况。4.2 指标计算从包含重点论文、其被引文献以及引用文献的整合数据集中衍生出了六个指标。RS。根据WoS元数据,为每篇重点论文及其被引文献分配学科类别,这些类别与《期刊引证报告》的分类标准相一致。对于属于多个类别的参考文献,采用分数统计方法(每个类别计1/n分),以避免某个类别被过度代表。未被WoS收录的参考文献则被排除在分析之外。随后,根据参考文献在各个学科类别中的分布情况来计算参考文献多样性。CD。为了量化重点论文与其被引文献之间的语义新颖性,采用Doc2Vec模型进行文本向量化处理。重点论文及其参考文献的全文(标题和摘要)经过预处理(分词、小写处理)后,使用Gensim进行向量化处理(向量维度为200;训练周期为50次)。然后利用余弦相似度计算语义距离,并根据既定的引用距离公式进行汇总。TI。从重点论文的标题、摘要、作者关键词以及其被引文献和引用文献中提取研究主题。首先生成基于BERT的嵌入向量,再通过UMAP进行降维处理,随后使用HDBSCAN进行聚类。最后通过TF-IDF算法确定每个聚类的核心关键词。这样,每篇重点论文就会被归入52个主题聚类中的一个。之后再计算时间和内容方面的新颖性指标,这两个指标都会经过标准化处理,从而得出一个统一的主题创新得分。KD。基于TI步骤中确定的主题聚类,构建主题内的引用网络,并添加语义边(相似度阈值设定为前20%)。为每篇重点论文追踪双向影响路径。通过加权路径乘积确定具有正向和负向影响的节点。关键词的提取则采用TF-IDF和TextRank相结合的方法,以确保其语义相关性。知识颠覆程度的计算则是通过量化每篇重点论文中共同出现的知识元素的多样性来实现的。KDD。从引用文献中提取出版日期和引用历史。扩散深度指的是持续时间以及随时间累积的影响程度,反映了每篇重点论文的持续被引表现。作为基于引用的指标,KDD和KDB都容易受到异常值的影响,这些异常值可能会导致指标结果出现较大波动。因此,对指标值进行对数变换,以保持相对排名结构不变。KDB。为所有引用文献分配WoS学科类别,然后通过完全计数法来评估每篇重点论文引用的学科广度。通过熵权聚合法确定学科内部和跨学科的扩散权重(α=0.5267;β=0.4733)。这些权重随后被用来计算扩散广度得分。4.3 各单项指标的结果表2列出了全部六个指标的描述性统计信息,而1940篇重点论文的指标值则按降序排列,并在图6中进行了可视化展示。表2. 六个指标的描述性统计信息。指标最高值最低值平均值范围RS0.83500.5570.835CD0.9260.3910.7340.535TI1.0000.7360.8950.264KD0.961-0.1070.4081.068KDD6.79802.3986.798KDB6.3420.0060.9836.336下载:下载高分辨率图片(684KB)下载:下载全尺寸图片图6. 1940篇重点论文的指标值。如表2和图6所示,1940篇重点论文的指标值大多处于中等区间,六项指标之间的差异较小,极端值较为罕见。这种分布有助于合理识别出具有高度创新性的论文。与RS、CD和TI相比,KD、KDD和KDB指标的值偏离均值更明显,且呈现出两阶段分布特征——先急剧下降,然后逐渐降低——这表明它们具备较强的能力,能够筛选出具有特殊学术价值的论文。除了少数案例(如《科学的现象学与增长模型》),六个指标选出的前三名论文之间几乎不存在重叠,这体现了在不同知识演化阶段和维度上,分析重点的差异性。这些指标识别出的高度创新性论文与公认的学术标杆相一致。例如,《科学的现象学与增长模型》(1975年)被视为探讨科学文献增长动态的奠基性著作,这与它在KD指标中的高排名相符。同样,《软件调查:VOSviewer,一种用于文献计量学绘图的计算机程序》以及《从鲁汶到莱顿:确保社区的良好连通性》也分别展现了不同的优势:前者推出了一种被广泛采用的可视化工具,在多个学科领域都有广泛应用,而后者虽然在科学计量学领域的持久影响力稍弱,但在其他学科领域的知名度却更高。总体而言,这些结果表明,这些指标能够对学术成果进行精确且细致的定量区分。4.4 综合指标的结果基于这六个计算出的指标,采用CRITIC方法确定每个指标的相对权重。随后,利用这些权重对各项指标的得分进行汇总,从而为每篇重点论文得出一个综合的学术创新值。图7展示了1940篇重点论文的学术创新值降序分布情况,以及排名靠前的10篇论文的情况。下载:下载高分辨率图片(768KB)下载:下载全尺寸图片图7. 1940篇重点论文的学术创新指标值降序分布情况以及排名前10的论文。如图7所示,学术创新值呈现出三个层次:得分高于0.5的论文不足150篇,这类论文的创新性极为突出,属于具有特殊创新价值的精英群体;约有1700篇论文的得分在0.2到0.5之间,它们构成了一个规模较大的群体,创新水平处于中等但较为稳定;还有大约100篇论文的得分低于0.1,这类论文的创新贡献极低。这一分布格局表明,大多数论文的创新性有限,只有少数论文发挥着关键作用——这也体现了综合指标在识别高质量、以创新为驱动的研究成果方面的有效性。在排名前10的论文中,CD、TI和KD指标的数值差异相对较小:CD和TI的数值一直保持在较高水平,而KD的数值则相对较低,这说明这些论文在主题相关性和新颖性方面表现优异,但在颠覆性方面的影响相对有限。相比之下,RS、KDD和KDB指标在这些论文中的数值差异较大,这表明跨学科融合和深入的领域研究都能带来较高的影响力。尽管KDD和KDB指标的差异很大,但大多数论文的数值都超过了0.6,这说明持续的跨领域影响与研究的显著性之间存在密切关联。值得注意的是,《软件调查:VOSviewer,一种用于文献计量学绘图的计算机程序》在KDD指标上的得分最高,而《从鲁汶到莱顿:确保社区的良好连通性》在KDB指标上的得分最高。5. 指标系统有效性的评估为了评估该多指标系统的稳健性、通用性和有效性,我们从五个方面对其进行了验证:(i)分析六个指标之间以及它们与引文数量之间的相关性,以检验其互补性和多维度特征;(ii)将综合学术创新指标与引文数量进行比较,以确认其识别创新性研究成果的能力;(iii)通过选取50篇最具创新性的论文作为案例,来验证该指标体系能否识别出真正具有新颖性和影响力的研究成果;(iv)通过分析Loet Leydesdorff等顶尖学者的代表性著作,来确认该指标体系能否识别出具有里程碑意义的贡献;(v)通过跨领域实验,检验该指标体系在科学计量学数据集之外的适用性。5.1 通过相关性分析验证指标的互补性我们采用斯皮尔曼相关系数来衡量指标对之间的单调关联程度。由于斯皮尔曼相关系数是基于等级值计算的,因此首先需要对所有指标的输出值进行等级转换。作为参照,还纳入了广泛使用的引文数量这一指标。各指标对之间的相关系数总结见表3。表3. 各指标与引文频率之间的斯皮尔曼相关系数。指标RSCDTIKDKDDKDBCCRS1CD0.143***1TI-0.154***-0.0031KD-0.162***0.0020.512***1KDD-0.102***0.0070.158***0.314***1KDB0.062**0.017-0.163***-0.197***0.634***1CC-0.063**-0.0060.171***0.312***0.969***0.675***1注:*表示p<0.1,**表示p<0.05,***表示p<0.01。斯皮尔曼相关系数分析显示,KDB与引文数量之间存在很强的正相关关系(ρ=0.969),KDD与引文数量之间也存在较强的正相关关系(ρ=0.675),这表明两者在通过基于引文的知识传播来评估学术创新方面有着共同的依据。不过,与传统?引文数量指标不同,KDB和KDD还纳入了时间动态和学科广度等额外维度,这使得它们能够在引文频率相近的论文之间实现更精细的区分,从而提升了它们的解释能力,也让它们在更细致的层面上评估学术影响力时更具实用性。此外,KDB与KDD之间、RS与CD之间以及TI与KD之间也存在中等程度的正相关关系(分别为ρ=0.634、ρ=0.143和ρ=0.512),这表明在创新吸收、创新产生和创新传播这三个创新维度内部存在着内在的一致性。这些相关关系进一步证明了指标设计的概念合理性,以及其与创新动态理论模型的契合度。相比之下,不同发展阶段的指标之间的关联较弱或几乎不存在(例如CD与TI或KD之间的关联),这体现了各维度之间的结构性独立性。总体而言,该指标体系实现了维度上的分离与概念上的互补,通过整合多种互不重叠的指标,为整个知识生命周期中的学术创新提供了严谨的多维度评估方式。5.2通过引用影响力验证综合学术创新指标为进一步验证该框架,我们使用斯皮尔曼相关系数将综合学术创新指标与引用次数进行关联分析,得到显著的ρ=0.92(p<0.01)。这一强烈的正相关关系表明,更具创新性的论文通常会获得更多引用。然而,引用频率并不能完全体现创新性:较高的引用数可能源于外部认可、方法论的普遍应用或领域内的流行趋势,从而忽视了那些真正具有新颖性或颠覆性的研究成果,尤其是在新兴或跨学科领域。为进一步区分这些不同维度,我们以学术创新指标和引用次数的前20%为阈值,将1940篇论文分为四个象限(见图8)。其分布明显不对称,只有少数论文处于高创新/高引用象限,这表明即便具有高度原创性的研究也需要时间或适宜的学科环境才能获得广泛认可。另一类值得关注的论文则属于高创新/低引用象限;这类研究往往出现在跨学科前沿,挑战现有范式,或发表在专业期刊上,因此引用积累相对滞后。相反,低创新/高引用的论文则反映了累积优势、方法论的广泛应用或综述类文章的影响,这类作品虽能提升引用数,但不一定意味着具有很高的创新性。总体而言,这些模式凸显了创新与引用影响力之间的差异。基于象限的分类方法为识别那些可能被低估的开创性研究,以及理解那些虽具有渐进式创新但引用频次较高的作品提供了实用视角。这些研究结果进一步证明了所提出的多维度评估框架的稳健性与实用性。

下载:高分辨率图像(316KB)
下载:完整尺寸图像
图8. 按学术创新指标与引用次数划分的论文象限分类

5.3 采用最具创新性的50篇论文进行案例验证
我们以科学计量学领域的权威评述和基础性著作作为基准,对学术创新得分最高的50篇论文进行了深入的案例分析。图9展示了这些论文的时间分布情况。
下载:高分辨率图像(487KB)
下载:完整尺寸图像
图9. 最具学术创新价值的50篇论文的分布情况。
如图9所示,最早出现的高创新性论文发表于1991年。早期的一些重要研究因元数据不完整——尤其是缺少摘要和引用数据——而无法准确计算相关指标,这并非因为它们的创新性较弱。高创新性研究成果在2009年至2015年间达到高峰,2005年至2006年也有小幅上升。这50篇论文的引用次数普遍较高(最低为125次),但与引用次数最多的50篇论文相比仍有明显差异(第50名的引用数为349次),这表明创新性与引用知名度并非完全对应。例如,《关于h指数的我们知道些什么?》虽然引用次数很高,但由于缺乏方法论上的创新性,其在创新指标上的得分较低。而《跨学科性与影响力:多样性、平衡性与差异性的不同效应》则将引用分析与跨学科性指标相结合,尽管引用次数较少,但仍位列最具创新性的论文之列。这些对比体现了该框架能够超越单纯基于引用的衡量标准,发现真正的实质性创新。这一时间跨度与科学计量学领域的关键发展相契合:如h指数及其衍生指标的出现、评估方法的进步、书目计量学分析、替代性计量指标以及自然语言处理工具的发展。自2000年代初以来,几乎每年都有具有重大影响力的研究成果问世——从“三螺旋模型”这样的基础理论,到对跨学科引用模式的分析——这些成果为后续的创新奠定了基础。总体而言,这50篇最具创新性的论文涵盖了多个十年和研究方向,包括理论框架、方法论进展、指标开发以及评估领域。当有足够的元数据和引用信息时,该指标体系能够可靠地识别出具有高学术价值的研究成果。

5.4 以Loet Leydesdorff的代表性作品进行案例验证
各项重要奖项往往伴随着专家们的总结性演讲,这些演讲既总结了相关研究成果,又提供了权威的背景信息。我们选择Loet Leydesdorff教授作为案例研究对象,一方面是因为他在普赖斯奖得主中发表了大量重要著作,另一方面是因为Ronald Rousseau教授在颁奖演讲中详细阐述了Leydesdorff的杰出贡献。我们对他的265篇出版物进行了分析,其平均学术创新得分为0.35,且与引用次数之间存在较强的正相关关系(ρ=0.67),这说明极具创新性的研究成果通常会吸引更多的学术关注。图10展示了他各项指标得分的时间分布情况。
下载:高分辨率图像(746KB)
下载:完整尺寸图像
图10. Loet Leydesdorff的论文分布情况。
如图10所示,Leydesdorff自1991年以来一直持续发表有影响力的论文。他最具创新性的10篇论文分别发表于2000年、2005年、2006年、2009年、2010年、2012年、2014年和2016年,这些时间点与本研究确定的科学计量学发展高峰期相吻合,进一步凸显了他在该领域发展过程中的核心作用。虽然许多高创新性论文的引用次数也很高,但也有一些论文——比如《中介中心性在研究合作网络演化中的优先连接作用》——虽然引用次数相对较低,但却在作者合作网络的核心理论方面取得了重要进展,这体现了该框架能够超越单纯的引用知名度来评估创新性。根据Rousseau教授的演讲,Leydesdorff的贡献主要体现在三个领域:(1)基于熵理论的科学计量学分析基础,例如《引用理论?》(学术创新得分:0.43),该文区分了社会学视角与信息论视角下的引用现象;(2)科学技术系统中自我组织的理论建模,例如《创新的动态发展:从国家体系与模式2到大学-产业-政府关系的三螺旋结构,以及网络结构、自我组织与国际科学合作的兴起》;(3)研究演进与路径分析,包括关于路径依赖、锁定效应以及CRExplorer等科学计量学工具的研究。这些代表性作品充分体现了Leydesdorff研究的深度与独特性,同时也证明了所提出的指标体系能够准确、系统地识别出具有重大价值和创新意义的科研成果。

5.5 对指标体系的跨领域验证
为避免仅以普赖斯奖得主作为样本可能带来的偏差,同时检验该指标体系的普适性和稳健性,我们还在Web of Science核心合集数据库中进行了补充验证,查询条件为:TS=人工智能 AND WC=信息科学与图书馆科学 AND PY=2016–2020。我们没有仅选取知名学者,而是纳入了所有符合主题和文档类型要求的作者,经过手动筛选364篇摘要后,最终选出了250篇属于人工智能与信息科学与图书馆科学交叉领域的研究论文。经过自动化获取和预处理后,该数据集包含了6640篇参考文献以及12,478条引用记录。我们按照第3.2节的方法为每篇论文计算了六项创新指标。表4展示了这些指标的描述性统计结果。RS、KD、KDD和KDB这四项指标在聚焦科学计量学领域的论文中显示出更高的最大值,这与那些处于领域关键位置的杰出学者所做出的里程碑式贡献相符。其中KDD指标的差异最为显著,因为在科学计量学领域的平均深度远远高于人工智能领域,这体现了杰出学者在塑造领域发展轨迹方面的核心作用。相比之下,KDB指标在人工智能领域的平均值更高,反映出在该快速发展的跨学科环境中,相关理念的传播更为广泛。对于KD、RS和TI指标,其在科学计量学领域的最大值和平均值均更高,说明该领域的顶尖研究人员在知识吸收、重组和创新方面表现更为突出。而CD指标在人工智能领域的数值更高,这可能是由于该领域知识生成速度更快,研究主题更为多样,而科学计量学领域的发展则相对更为集中和渐进。总体而言,这一多指标体系能够捕捉不同领域创新的核心特征,同时揭示出在知识生成、吸收和传播方面的领域特定差异。
表4. 跨领域验证实验中六项创新指标的描述性统计结果
指标 | 最大值 | 最小值 | 平均值 | 差异范围
RS | 0.825 | 0.546 | 0.825 |
CD | 0.934 | 0.629 | 0.807 | 0.305
TI | 1.000 | 0.601 | 0.892 | 0.399
KD | 0.487 | 0.101 | 0.385 | 0.386
KDD | 2.195 | 0.051 | 0.674 | 2.144
KDB | 2.783 | 1.242 | 2.783 |

我们运用CRITIC方法对这六项指标进行加权,从而为每篇人工智能与信息科学与图书馆科学交叉领域的论文计算出综合学术创新值。按综合得分排序后的前十篇论文代表了不同形式的卓越创新。例如,《人工智能与可持续发展:挑战、机遇与研究议程》为人工智能与可持续发展奠定了基础性框架;《消费者对服务领域中人工智能设备的接受度》为研究人机交互提供了新的实证视角;《大数据时代的人工智能决策应用——发展历程、挑战与研究议程》以及《连接循环经济与工业4.0:技术进展与产业和社会挑战的融合》则将技术突破与产业及社会层面的挑战紧密联系起来;而《人工智能在医疗领域的应用治理模型》与《人工智能介导的沟通:定义、研究议程与伦理考量》则为政策制定和实践应用提供了跨领域的概念框架。总体而言,这些排名靠前的论文充分体现了该框架在识别兼具原创性、实用价值与广泛学术影响力的卓越创新成果方面的有效性,从而证明了该框架不仅在科学计量学领域适用,还能用于识别不同科学领域的标志性研究成果。

6. 讨论
6.1 主要贡献
本研究在学术创新的测量与评估方面做出了四项主要贡献。首先,在概念层面,本研究构建了一个知识演化框架,将学术创新分解为知识吸收、知识创造和知识扩散三个相互关联的连续阶段,并将这些阶段与引用网络和文本语义中的可观测特征联系起来。这一视角将创新视为沿着知识流动发展的动态过程,而非某种静态的、单一维度的属性。其次,在方法层面,本研究设计了一套多维度指标体系,通过六项指标来体现知识演化的三个阶段:RS和CD用于衡量知识吸收,TI和KD用于衡量知识创造,而KDD和KDB则用于衡量知识扩散。为了减少粒度问题及聚合偏差,同时更准确地捕捉主题层面的创新性及具有颠覆性的知识重构,TI和KD指标还经过了语义和时间建模方面的优化。这些指标进一步通过CRITIC方法整合为综合学术创新指标,该方法基于指标间的差异程度及相关性为各项指标赋予客观的权重。第三,在实证层面,本研究将该框架应用于由普赖斯奖得主撰写的1940篇论文及其引用记录,同时还分析了人工智能与信息科学与图书馆科学交叉领域的数据集,并通过相关性分析、与引用次数的比较、对顶尖创新论文及杰出学者代表性作品的案例验证,以及跨领域验证等方法来评估该框架的稳健性。研究结果表明,该指标体系能够有效识别出具有高度创新性的论文,揭示出不同阶段和学科中创新特征的差异性,同时也能弥补传统基于引用的评估方法在最佳论文筛选、标志性成果识别以及研究组合分析等方面的不足。最后,基于对技术知识演化过程的多元视角,该框架还可为以专利为导向的分析提供参考,通过分析技术元素之间的重组创新、时间的传播轨迹与持久性,以及从专利文本、分类系统及引用网络中推断出的跨领域应用范围,来量化创新程度。该框架的模块化设计与可解释性也使其能够适应不同的时期、学科及评估场景,为更加严谨、以证据为基础的研究评估提供支撑。

6.2 局限性
尽管取得了上述成果,本研究仍存在一些局限性。首先,虽然知识演化指标体系提供了一种新颖的多因素评估方法,但该指标集并不全面。作为一种定量工具,它无法完全体现研究的内在学术价值,其评分结果可能会过高或过低地反映研究的实际重要性。因此,该框架应作为决策支持工具,最终判断仍需结合专家意见。其次,尽管经过优化的KD指标通过引入关键词层面的语义信息,突破了单纯依赖引用的评估方式,但其仍然受到元数据精细度限制。未来的研究应从全文中提取更细粒度的知识单元,构建更为丰富的知识图谱,从而实现更精准、更具上下文意识的评估。第三,当前的数据集主要以普赖斯奖得主的出版物为主,且依赖于元数据,这意味着那些没有摘要或关键词的作品未被纳入考虑,同时数据集中以期刊文章为主,书籍和会议论文占比较低;如果能够扩大数据覆盖范围并整合多种数据来源,将有助于提高数据的代表性和普适性。最后,创新本身具有复杂性且受具体情境影响:诸如跨学科性、知识吸收程度或传播范围等指标并不能统一反映一个研究的创新性,有些重大突破可能源自特定狭窄的领域或纯粹的理论推理。因此,该框架应被视为一种结构化、基于证据的辅助工具,当其与专家经验及情境分析相结合时,其可靠性才会进一步提升。

7. 结论与未来工作
本研究提出了一种基于知识演化过程——即知识吸收、创造和扩散——的多维度指标体系,用于评估学术创新。通过将六项指标整合为综合指标,该框架能够全面体现创新性的多个方面,包括新颖性、颠覆性及影响力。各类实证分析——包括跨领域验证、相关性测试、与引用影响力的比较,以及对顶尖论文和杰出学者作品的案例研究——都表明,该体系能够可靠地识别出具有高度创新性的研究成果,同时揭示出创新在不同领域中的形成与传播规律。研究结果还证实,没有任何一项指标能够单独体现创新的多元特性,因此整合多维度指标才是必要之举。该框架旨在作为决策支持工具,而非绝对的评判标准,最终决策仍需结合专家评估与情境分析。未来的研究可以进一步扩大数据覆盖范围,引入全文分析及先进的基于人工智能的分析方法,同时优化指标设计,以提高评估的精确度和适用性。总体而言,这一方法为识别具有里程碑意义的学术成果以及开展基于证据的学术创新评估提供了坚实、具有理论依据的基础。

资金支持
本研究得到了中国国家社会科学基金的支持,项目编号为:24SGC080。

作者贡献说明
魏成:撰写原文初稿、数据可视化、方法设计、概念构建。郑小敏:调研、正式分析、数据整理。郑德军:写作——审稿与编辑、项目管理、资金筹措。李明:写作——审稿与编辑。丛天石:验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号