《Information Processing & Management》：A framework integrating topological potential and semantic embeddings for identifying scientific research clusters in scholarly collaboration networks
编辑推荐：
•我们提出了研究集群的概念，并开发了一种结合拓扑势能和语义嵌入的方法来识别它们，为组织研究中的多团队协作提供决策支持。•协作网络中经过拓扑势能增强的表示提高了结构研究集群检测的性能。•结合 BGE-M3 语义嵌入的 BERTopic 揭示了研究目标的层次结构，有助于分析研究集
- •
我们提出了研究集群的概念，并开发了一种结合拓扑势能和语义嵌入的方法来识别它们，为组织研究中的多团队协作提供决策支持。
- •
协作网络中经过拓扑势能增强的表示提高了结构研究集群检测的性能。
- •
结合 BGE-M3 语义嵌入的 BERTopic 揭示了研究目标的层次结构，有助于分析研究集群内部的目标多样性。
- •
该框架识别了 239 个研究集群，并捕捉了多团队科学协作的组织模式。
引言
科学协作作为现代知识生产的基石，是解决复杂科学问题的关键机制。小型或基于主要研究者（PI）的团队虽然保持灵活性，但其有限的规模和资源限制了其解决系统级科学问题的能力（Coles et al., 2022; Yoo et al., 2024）。研究活动正朝着大型、多团队协作的方向发展，例如精神病学基因组联盟（Psychiatric Genomics Consortium）和国际十万加队列联盟（International Hundred Thousand Plus Cohort Consortium）。这一趋势是自然且必要的，反映了生物层次结构，从个体到人群，最终到生态群落。它也得到多层次选择和松散耦合系统理论的支持，这些理论强调了群体层面合作的适应优势以及管理团队间关系以增强韧性的必要性（C. Kim & Kim, 2023; Orton & Weick, 1990; Wilson & Wilson, 2007）。因此，理解这些模式对于分析现代研究动态和绩效至关重要。
现有研究表明，许多复杂任务超出了个人或单个团队的能力范围，例如欧洲地平线联合项目和大型强子对撞机，这推动了多团队系统（MTS）的出现（Mathieu et al., 2001; Zaccaro et al., 2020）。这些系统涉及团队自主性与跨团队协调之间的张力，传统团队理论无法完全解释。实证研究表明，地理分布的多团队协作可以促进突破性创新，而多样化的团队则能增强系统绩效并支持个人学习（Meslec et al., 2023; Vestal & Danneels, 2022）。在此过程中，拥有稀缺和核心知识资源的高影响力团队往往成为协作网络的焦点，吸引合作伙伴（X. Liu et al., 2026; Zeng et al., 2022）。这逐渐形成了以影响力为中心的聚合，导致协作结构呈现出集群特征。
然而，理论描述和识别方法仍显不足。首先，现有研究侧重于跨越地理边界的协作，对以影响力为中心、松散耦合的合作结构关注不足。其次，该领域缺乏对这种普遍组织形式的定义。第三，此类合作结构的识别方法仍不完整。值得注意的是，医学信息学是一个数据密集且高度协作的研究领域，其中的研究活动通常由多个相互依赖的团队共同推进，这为识别科学研究集群提供了适当的实证背景（Collen & Greenes, 2015; J. Liu et al., 2025）。
为解决这些问题，我们扩展了分析视角，重点关注科学团队之间合作关系的形成。具体而言，我们基于团队成员的重叠来定义团队间协作的存在（即如果至少共享一名成员，则认为存在协作），并通过团队在网络中的拓扑势能差异来量化团队间协作的强度（Han et al., 2015; Lungeanu et al., 2018）。然后，我们创新性地提出了科学研究集群的概念，并开发了一个集群识别框架。该框架可以捕捉多团队协作系统的结构和主题特征。以医学信息学领域的出版物为例，我们验证了该框架的有效性。本研究旨在提供一种系统的方法来识别科学研究集群，并为理解多团队科学协作提供新的视角。
本研究的贡献如下：
- 1)
我们扩展了团队科学理论，提出了科学研究集群的概念，定义其为具有结构凝聚力和研究报告目标分化特征的多团队系统。
- 2)
为了操作化这一概念，我们开发了一个用于识别科学协作网络中科学研究集群的综合框架。该框架结合了团队级网络构建、拓扑势能增强的结构表示、基于密度的聚类以及层次化研究目标分析。
- 3)
以医学信息学为例，我们构建了一个大规模学术协作数据集，并识别出揭示了该领域组织结构、协作模式和研究格局的科学研究集群。这些发现将为研究资源的分配提供决策参考。
章节摘要
研究目标
现有研究主要关注基于地理邻近性形成的产业或创新集群（Abduvaliev & Isadjanov, 2023; Chattergoon & Kerr, 2022; Vestal & Danneels, 2022）。然而，在互联网时代，科学协作的组织模式正日益超越地理限制，物理位置不再是科学研究集群形成的必要条件。同时，大多数以前的研究
集群研究
集群研究起源于对产业组织中空间集聚现象的讨论（Porter, 1998）。学者们通常将集群视为一种以地理集中和知识联系为特征的组织形式。该概念已扩展到共址之外，包括区域、产业（Balland et al., 2016; C. Kim & Kim, 2023; Z. Liu et al., 2024）、技术（Abduvaliev & Isadjanov, 2023; Chattergoon & Kerr, 2022; He & Fallah, 2011; Lai 等，
框架
在本节中，我们首先在 4.1 节中给出待解决问题的概念定义。然后，我们在 4.2 节中阐述我们的方法是如何分阶段开发的。整体分析框架如图 2 所示。
实验
本节重点关注实验中使用的数据集、团队检测和关系构建以及科学研究集群识别。
结论
随着科学协作日益复杂，科学研究集群可以被概念化为多团队协同创新的一种组织形式。传统方法在识别多团队协作结构方面面临巨大挑战，这凸显了需要一种能够有效地量化潜在团队间关系同时适应层次化研究目标的框架。
写作过程中生成式 AI 和 AI 辅助技术声明
在本工作的准备过程中，作者使用了 ChatGPT 和 DeepSeek 以提高语言和可读性，以及生成主题标签。使用这些工具后，作者根据需要对内容进行了审查和编辑，并对出版内容承担全部责任。
CRediT 作者贡献声明
Junwan Liu: 写作 – 审查与编辑，监督，项目管理，概念化。Xiaoyan An: 写作 – 审查与编辑，写作 – 原稿，可视化，软件，方法论，概念化。Shuo Xu: 写作 – 审查与编辑，验证，软件。
Junwan Liu|Xiaoyan An|Shuo Xu
