國際學術社交網絡研究知識圖譜：起源和發展脈絡*

鄧國民

（貴陽學院教育科學學院 貴陽 550005）

近年來，學術社交網絡（Academic Social Network,ASN）已經成為圖書情報學領域的一個研究熱點，國際國內重要學術刊物上均發表了為數不少的學術研究論文。ASN已經發展為一種信息技術環境下學者之間進行在線學術交流和知識交流的一種重要渠道。研究國際上重要學術刊物的學術社交網絡研究知識圖譜、發展現狀和未來發展趨勢，對于我們進行學術社交網絡的研究、信息化環境下學者之間的學術知識交流、學術評價和影響力等方面的研究均具有較大的啟示意義。

1 研究方法

本文選擇Web of Science核心數據庫作為文獻檢索來源，它提供了國際上重要學術社交網絡英文研究文獻的基本數據信息。不設時間限制，從SSCI、A&HCI和CPCI-SSH等子數據庫中檢索到主題包含“Academic Social Network*”“Academic Social Media”“Scholar* Social Network*”“Scholar* Social Media” “Scientific Social Network*”“Scientific Social Media*”或“Virtual Academic Communit*”等檢索詞的ASN英文研究文獻數據（包括引用文獻列表）280條用于數據分析。所有被引文獻構成280篇ASN研究文獻的知識基礎。本文使用CiteSpace軟件對ASN研究文獻的發展趨勢和現狀進行可視化共引和共被引分析，揭示其知識基礎和知識結構。

2 ASN研究文獻知識圖譜分析

圖1 1997—2017年ASN研究文獻出版量分析

圖2 1997—2017年ASN研究文獻引文量分析

圖1和圖2分別顯示出近20年來關于ASN研究每年出版的文獻數和引文數。從中可以看出，2008年以前，每年出版的ASN研究文獻和引文數都較少，之后每年出版的相關文獻數和引文數都以較快的速度上漲，2014年以后每年的被引頻次都超過了150次，并且呈直線上升趨勢。2016年的引文數接近700次，發文數超過70篇。說明近10年來學界對ASN的研究保持了較高的關注度，而且逐年遞增，最近幾年更是達到了白熱化的增長態勢。

2.1 有影響的文獻

利用CiteSpace軟件對近10年來Web of Science核心數據庫中關于ASN研究的280條文獻數據進行共被引分析（Cited Reference），時間閾值設置為2007年到2017年，時間區間設置為兩年，選擇所有時間分區最高引用的前3%，得到如圖3所示的學術社交網絡研究文獻共被引分析圖。

圖3 ASN研究文獻共被引圖譜

（1）高引文獻分析

一般具有較高引用次數的文獻意味著得到了學界的認可。表1列出了引用次數前10的文獻，表明它們的質量、研究方法和觀點得到了廣泛認可。從表1可知，Li, X.M.等發表的論文《Validating Online Reference Managers for Scholarly Impact Measurement》引用頻次最高，為45次。該文對CiteUlike和Mendeley在衡量學術影響力方面的應用進行了研究，他們選擇2007年在《Nature》和《Science》上刊出的1613篇論文為樣本，使用Web of Science數據庫中的傳統引用數量作為比較基準，統計結果顯示在線引文管理站點中標注論文的用戶數據和Web of Science數據庫中的引用次數之間存在顯著的相關性。因此他們認為在線學術社交網絡在某種程度上能夠作為衡量學術影響力的依據，但這些系統用戶的數量還不足以挑戰傳統引用指標的地位[1]。

Thelwall, M.等發表的論文《Do Altmetrics Work? Twitter and Ten other Social Web Services》引用頻次排第二位。該文對來自于社交網絡的文獻用替代計量（Altmetric）方法作為文獻影響或效用的有效代理進行了實證研究。他們比較了11種Altmetric和Web of Science引用率之間的關系，統計結果顯示，在具有高Altmetric分數的論文中，論文高計量分數與高引用率之間存在顯著的相關性。但不同時間，甚至同一年發表的論文的引用率和Altmetric分數之間的關系可能消除甚至逆轉，因此使用Altmetric對文章進行排名時需要考慮時間效應。而且除了Twitter之外，多數Altmetric的覆蓋面較低，因此它們在實際應用中是否達到有說服力的流行度還不明朗[2]。

Eysenbach, G.的論文《Can Tweets Predict Citations? Metrics of Social Impact based on Twitter and Correlation with Traditional Metrics of Scientific Impact》的引用頻次排第三位。該文探討了通過分析社交媒體的聲音測量學術文章社會影響和學術關注的可行性，關于發表學術論文的推文動態、內容和時間以及這些指標能否預測高引論文等問題，揭示出關于學術論文推文引用增長及消減的一些特點，發現頂級推特文章能夠預測頂級引用率論文[3]。

Mohammadi, E.等論文《Mendeley Readership Altmetrics for the Social Sciences and Humanities: Research Evaluation and Knowledge Flows》在Mendeley讀者數量和研究影響的關系研究的基礎上，繼續挖掘不同學科二者之間關系的差異，結果發現Mendeley的讀者數量與引用率之間的相關性，社會科學要高于人文科學。所有調查的學科當中，書簽和引用量之間的低度或中度相關性表明，這些測量反映了研究影響的不同方面。同時，他們還發現Mendeley的閱讀關系數據能夠顯示跨學科之間的知識轉移，而且相比傳統的引用計數，能夠更早地揭示論文的影響[4]。

Priem, J.等認為論文同行評議、引用計量和JIF等傳統文獻計量和過濾方法正在過時，新的在線學術工具如學術社交網絡的涌現，需要構建新的可替代計量方法（Altmetrics），從而反映蓬勃發展的學術生態中更廣泛而快速的影響，而且它能夠跟蹤一些有影響力但暫未被引用論文在學術圈外的影響[5]。此外，Haustein, S.等人對社會化書簽服務中研究者在線存儲和分享學術論文及生成的書簽和標簽數據進行了分析，討論了它們對科學期刊使用統計和內容描述方面的評價作用，定義了使用率、使用擴散、論文使用強度和刊物使用強度等指標，并使用標簽描述具體讀者對刊物內容的觀點[6]。 Thelwall,M.通過對Academic.com一些學科的學者特點進行了分析，發現教職人員相對學生擁有更高的形象頁面查看次數，法學、計算機和歷史學等學科的女性用戶相對男性用戶頁面具有更高的查看次數，因此他們認為學術社交網絡同時具有學術標準和一般社交網絡的特點[7]。Zahedi, Z.等人使用Mendeley的閱讀關系計數作為替代計量方法，討論了它和Web of Science引用率之間的關系，發現它們之間存在中度相關性[8]。Haustein, S.等人指出學者們實際上正處于在線社會環境中，并且與其中的學術產品進行交互，他們對社交媒體環境的覆蓋面進行了調查，證實了這一觀點，而且發現Mendeley的書簽和Scopus的引用率之間存在相關性。因此他們認為這些在線工具具有文獻計量學研究價值，它們提供了一種潛在的有價值的論文影響數據來源[9]。《Nature》雜志也對學者們使用學術社交網絡的情況比較關注，他們對3 000多名科學家注冊和使用學術社交網絡的情況、特點和目的等方面進行了調查研究[10]。

表1 ASN研究高引文獻

（2）突現引文分析

突現引用是指一篇文獻在某段時間內引用率突然上升或下降的現象，表示某一特定研究主題突然變熱或變冷。利用CiteSpace對學術社交網絡研究文獻進行突發性分析，結果如表2所示。文獻Walker, J.（2006）[11]、Neylon, C.（2009）[12]和 Bar-Ilan, J.（2012）[13]等文獻的突發性較強，表明它們在學術社交網絡研究主題的轉向方面扮演了比較關鍵的作用。其中Walker, J.（2006）主要介紹了學者使用研究博客的類型，比如公知、研究日志和對學術職業生涯進行介紹的匿名博客等，在10年以前就已經初步認識到社交網絡對于學術交流的潛在價值。Neylon, C.（2009）對傳統的期刊影響評價和文章級別的計量存在的問題進行了討論，提出利用基于網絡的評論社區、科學社區、文獻管理軟件和學術社交網絡中的數據，比如瀏覽、添加書簽、標簽、評論、投票和在線引用等數據作為新的文獻計量指標的可行性。因此，利用雜志作為過濾論文質量的唯一方式已經不夠了，還可以利用各種網絡工具、軟件和社區中生成的論文自身的質量數據來評價，而且這更能夠體現科學研究發展、傳播和演化的本質。Bar-Ilan, J.（2012）對學者使用LinkedIn、Google Scholar Profiles、Twitter和Mendeley的覆蓋情況進行了調查研究，發現有相當數量的學者在使用這些社交網絡，這些網絡中的發表、社會引用、管理書簽等數據與Scopus和Web of Science引用率之間存在一定的相關性。因此，社交網絡不但能夠用于支持學者的學術交流，而且能夠作為評價和過濾論文質量的補充性計量指標。

表2 ASN研究突現引文

（3）高中心性引文分析

結點中心性是一種圖形理論屬性，表示結點位置在網絡中重要性的一種量化。通常使用中介中心性測量一個文獻共被引網絡中最短路徑經過某一結點的概率，高中介中心性的文獻結點能夠起到銜接不同聚類的作用，幫助識別和發現不同的聚類。 如表3所示，文獻Brody, T.（2006）的研究中介中心性最高，達0.33，作者認為使用引用頻次測量研究論文的影響力雖然已經比較成熟，但往往要滯后好幾年，而隨著在線訪問論文越來越普遍，論文的在線閱讀和下載次數等短期網絡使用影響能否預見論文的中期引用的影響成為一個重要的研究問題，作者使用ArXiv.org的物理學電子文獻庫進行了檢驗。該研究推動了利用在線社交網絡生成的學術信息數據衡量論文質量和影響力的研究[14]。此外，Albert, K.M.（2006）對開放訪問出版的定義、發展歷史、各方反應和觀點以及對于科學圖書館和出版事業的啟示等方面進行了綜述，指出互聯網改變了信息訪問的方式，能夠重塑學術出版系統，雖然各方仍存在一定的爭論，但這一進程已經是一種必然，而且多種出版與訪問模式在一定時間內將會共存[15]。Altman, R.B.（2004）對構建生物數據庫進行了討論，認為它可以實現對一些流行和重要刊物及論文的在線索引[16]。Haustein, S.（2011）等人探討了利用社會化標簽作為評價期刊指標的可行性[6]456。Ananiadou, S （2006）主要介紹了生物學和生物醫學領域的文本挖掘和自然語言方法與技術[17]。

表3 ASN研究高中介中心性文獻

Bonetta, L.（2007）指出科學博客空間近年來得到顯著的發展，博客已經成為學者與學者以及大眾交流觀點最常用的通道之一[18]。Waltman, L.（2014）聚焦于F1000的推薦指標數據，并對它和Web of Science的引用次數進行了比較，發現二者之間存在顯著性關系。這是Altmetrics的一種重要的研究方法，即通過比較發現不同環境下Altmetrics與引用次數之間的關系，以評估它作為研究評價方法的合適性[19]。Priem, J.（2010）首次提出了Altmetrics的概念，它是從文章層面的替代性測量或者使用網絡標簽和評論等方式作為傳統文獻評價的補充或替代方式，目前Altmetrics已經成為一個熱門的研究領域[5]。Bollen, J.（2009）匯集了數億用戶與數字圖書館和書目數據庫進行交互的點擊流數據，并在此基礎上對雜志之間的網絡關系、不同學科領域的關系和鏈接進行可視化表達，從而生成了一個體現現代科學交流和觀點的科學圖譜，以彌補建立在引用關系基礎上的分析的不足，這為科學計量評價和知識領域可視化提供了一種新的研究思路[20]。

通過對近期高引用率、高突現率和高中介中心性文獻的研究和分析，可以挖掘出ASN研究領域最有影響力的英文文獻，影響該研究領域重要轉向的文獻以及銜接ASN不同研究聚類的關鍵節點。因此，本文通過文獻共被引分析，比較形象地揭示出學術社交網絡研究的來源、知識基礎、發展脈絡以及重要研究領域。首先是隨著互聯網技術的發展，學術出版、論文在線訪問和開放訪問日益普遍，Altman, R.B.和Albert, K.M.等開始關注在線論文數據庫和開放訪問的相關研究問題。而隨著以社交網絡為標志的Web 2.0服務的介入，比如學術博客、推特等的應用，Walker, J.和Bonetta, L.等認識到它們對于學者之間進行學術交流的重要作用，并進行了大量的分析。Brody, T.，Priem, J.等開始逐漸意識到這些社交網絡中生成的學者交流數據以及對論文的在線使用行為數據和傳統文獻計量之間具有一定的相關性，它能夠在一定程度上預測論文的引用頻次和影響力，因此出現了一個新的研究領域——Altmetrics。尤其是ResearchGate、Mendeley和Academic.com等大規模在線學術社交網絡出現之后，大量的學者成為它們的用戶群。他們分享了大量的研究論文，并生成了海量的用戶及論文之間交流和使用的數據，為Altmetrics的研究提供了大數據支持， Thelwall, M.、Eysenbach, G.、Mohammadi, E.、J. Priem.和 Haustein S.等均在這些研究方面做出了貢獻。

2.2 重要作者分析

使用Citespace軟件對ASN研究的重要作者進行共被引分析，結果如圖4所示，其中引用頻次最高的5位作者分別是Thelwall, M.（Freq=77）、Haustein, S.（Freq=57）、Priem, J.（Freq=51）、Li, X.M.（Freq=46） 和 Bar-ilan,J.（Freq=43）。Freq是指作者被引用的次數，較大的作者結點表示他們在ASN的研究方面產生了比較大的影響，他們的研究得到了較為廣泛的認可。其中Priem,J.是Altmetrics概念框架的主要提出者，Thelwall, M.、Haustein, S.、Li, X.M.和Bar-ilan, J.對學者使用ASN的特點以及基于ASN數據的Altmetrics進行了研究，他們推動了基于ASN的Altmetrics研究，而且對Altmetrics的概念框架進行了發展，并提供了大量的實證數據支持。正是由于這些人的代表性研究成果，才促成了基于ASN的替代計量研究，推動了ASN的廣泛應用。

被引作者中，突發性（Burst）最強的5位作者分別是 Newman，M.E.J.（Burst=4.37）、Walker，J.（4.22）、Herring，S.C.（3.79）、 Bollen，J.（3.14）和 Grot，P.（2.97），說明他們在ASN研究內容和主題的轉換方面貢獻較大。中介中心性（Centrality）最高的5位作者分別是Ananiadou, S.（Centrality=0.68）、Altman, R.B.（0.28）、Page, R.（0.23）、 Eysenbach, G.（0.13）和Cronin, B.（0.13），說明他們在ASN研究的知識傳播過程中貢獻較大。

圖4 ASN重要作者圖譜

2.3 重要機構分析

使用CiteSpace對研究機構進行共現分析，結果如圖5所示。影響較大的研究機構包括胡弗漢頓大學（University of Wolverhampton）、馬克斯·普朗克協會（Max-Planck-Gesellschaft）、芬蘭職業健康研究所（Finnish Institute of Occupational Health）和CIBER股份有限公司（CIBER Res Ltd）。中介中心性最高的四個研究機構分別為曼徹斯特大學（The University of Manchester）、烏得勒支大學（Utrecht University）、南安普頓大學（University of Southampton）和哈佛大學（Harvard University），說明這些研究機構在ASN研究知識傳遞方面最為有效。

圖5 ASN重要研究機構圖譜

2.4 重要出版物分析

出版物共被引分析結果如圖6所示，被引頻次最高的五本出版物分別為《Scientometrics》（Freq=95）、《Journal of the American Society for Information Science and Technology》（87）、《Plos One》（80）、《Journal of the Association for Information Science and Technology》（74） 和《Journal of Informetrics》（69）。近期最熱門的出版物為《Proceedings of the National Academy of Sciences of the United States of America》（Burst=5.85）、 《Communications of the ACM》（4.87）、《Uses of Blogs》（4.72）、《Lecture Notes in Computer Science》（2.92） 和《Aslib Proceedings》（2.91）。 中 介中心性最高的五本出版物分別為《Annual Review of Information Science and Technology》 （Centrality=0.43）、《Journal of Information Science》（0.31）、 《RFC 3986 Uniform Resource Identifier （URI）: Generic Syntax》（0.23）、《Decision Support Systems》（0.21）和《ACM Transactions on Information Systems》（0.19）。

圖6 ASN重要出版物圖譜

2.5 ASN熱門研究主題

對ASN研究的關鍵詞進行共現分析，可以揭示該研究領域歷年來的熱門研究主題和發展脈絡，因為關鍵詞實際上能大致說明一條文獻的主題，如果這些關鍵詞發生共現現象，說明它們的研究主題比較接近。首次出現共現的時間表示這一研究主題興起的時間。如圖7所示，近年來ASN的熱門研究主題包括Altmetrics、Social Media、Science、Citation、Impact、Mendeley、Social Network、Bibliometrics、Metrics、Citation Analysis、Twitter和 Journal等。從中介中心性來看，最高的五個關鍵詞分別為Citation Analysis、Journal、Web、Science、Open Access等， 說 明 關 于ASN研究的主要內容是圍繞替代計量、社交媒體、科學、引用分析、影響和開放訪問等內容展開的。從共現發生的時間來看，網絡、科學和引用分析等主題共現的時間比較早，大約在2007年左右，專門的學術社交網絡還沒有受到太多的關注，但大家已經開始關注基于網絡的科學文獻引用分析；2009年到2013年期間，社交媒體、計量、指標、知識、協作、引用、影響、學術交流和Web 2.0等研究主題受到關注，說明隨著眾多基于Web 2.0的社交媒體和社交網絡在學術圈的廣泛應用，在關于論文在線使用的計量指標，尤其是它和傳統文獻引用之間的關系，及其作為傳統計量方法替代和補充的可行性等方面進行了大量的討論和分析，而且開始關注社交媒體網絡在科學合作和學術知識交流等方面的作用。2015年以后，在前期研究的基礎上，涌現出大量專門的學術社交網絡，比如ResearchGate、Academia.edu和Mendeley等的出現，使學術社交網絡中生成的學術知識交流的信息更為系統，其中不但涉及學者之間的社會交流和學術知識交流，而且積累了大量的學者與文獻之間以及文獻與文獻之間的使用和交流數據，這為更進一步的ASN數據挖掘與分析，及其所支持的替代計量研究提供了條件。

圖7 ASN研究關鍵詞共現圖譜

2.6 聚類分析

在ASN研究文獻共被引分析的基礎上按關鍵詞進行聚類分析，生成聚類分析視圖如圖8所示。可見，關于ASN的主要研究聚類包括語義網、開放訪問、數字化學術、生命科學、服務、研究影響、論文衰減、框架和高校教師等10個聚類。其中不同結點之間連線表示時間分區。如圖所示，語義網和框架等聚類的文獻早期（2007年以前）的共被引現象比較強烈，Altman, R.B.（2004）、Albert, K.M.（2006）和 Ananiadou, S.（2006）等文獻對這些研究的發起和銜接起到了關鍵作用。研究影響、論文衰減和大學教師等聚類的文獻在2012年到2014年左右在共被引方面比較活躍，而近年來比較活躍的研究主題包括開放訪問、數字化學術、生命科學和服務等。因此，ASN早期的研究是源于語義網等技術框架的發展，學者使用博客、推特、Facebook等的興趣增加，他們使用這些Web 2.0工具進行社會交互和學術交流，有人用Library 2.0或Science 2.0來描述這種現象。隨后，這些學者在線交互和文獻使用的數據被用于研究學術影響和論文衰減的計量指標，這些前期研究為后來Altmetrics概念的提出和研究發展奠定了基礎。在這一研究的發展和轉換過程中，文獻Brody, T.（2006）和Altman, R.B.（2007）等起到了銜接作用。最近幾年，一些大規模在線ASN的出現，匯聚了越來越多的學者，他們在線共享了大量的研究論文和數據，也生成了大量的學者間交流、對話、論文交換、使用和引用的數據，更進一步推動ASN研究的全面發展和系統化，大家開始從開放訪問、數字化學術和學術交流與合作服務等方面對這些系統及數據進行深入挖掘。在ASN的應用過程中，生命科學走在了前面，形成了一個較大的研究聚類。在這一研究主題的轉換過程中，Haustein, S.（2011）、Waltman, L.（2014）和 Bollen, J.（2009）等文獻起到了關鍵節點的作用。

圖8 ASN研究聚類視圖

圖9 ASN研究聚類時間線視圖

從聚類分析時間線視圖來看（圖9），關于語義網、開放訪問、數字化學術、生命科學、服務和研究影響等聚類的文獻發生的共被引現象比較密集，這幾個聚類里面還集中了影響力比較大、比較關鍵的一些節點，它們構成了ASN研究的主要陣地。語義網技術和框架等聚類的文獻共被引現象發生時間比較早，后面逐漸消退，說明它們在ASN研究領域，扮演了技術框架和基礎的作用。最近的研究則主要以開放訪問、數字化學術和服務等方面的研究為主，而且還有繼續上升的趨勢，將成為未來進一步研究的主要發展趨勢。

3 研究發現

近年來，關于學術社交網絡研究的發文數和引用頻次都在逐年上升。越來越多的學者、研究機構和學術刊物都開始重視學術社交網絡的研究，這說明它已經越來越受到學界的重視。學術社交網絡作為學者在Web 2.0環境下進行社會交互、學術交流以及文獻分享、引用和使用的重要渠道，已經得到了大量的應用。通過使用CiteSapce軟件對數據進行文獻共引和共被引分析，可以挖掘出ASN研究領域的重要文獻結點，同時通過生成ASN研究知識圖譜，揭示其研究的起源、發展脈絡和未來趨勢。

3.1 ASN研究起源

傳統學術出版經過多年的發展，已經成為學者之間進行學術交流的主要方式。對于學術刊物和論文影響的測量，發展出很多種計量方式，比如使用傳統數據庫中的引用次數來評價論文的影響力。但這種傳統的學術交流的效率比較低下，一條文獻被其他文獻引用也需要較長的時間周期，因此傳統學術出版和文獻影響計量方法雖然比較成熟，也面臨一些挑戰。Web 2.0不僅僅是技術的發展，而且拉近了學者之間的距離，加強了他們之間的社會交互和網絡關系。隨著學者們大量使用Blog、Facebook和推特等社交網絡和在線引文管理系統，生成了大量的學術交流和研究論文在線引用、評論、標注和標簽等行為數據。這些數據在時效上要優于傳統的學術出版周期，很多人發現它們能夠在一定程度上預見一條文獻未來的引用率和影響，即能夠作為一種新的文獻計量方法，并發展出一個新的圖書情報學研究分支，替代計量學（Altmetrics）。隨著學者之間在線社會交互、在線引文管理、文獻分享和獲取等方面的需求日增，越來越需要一種綜合這些功能特點的社交網絡服務，于是學術社交網絡應運而生，出現了Academia.Edu，Mendeley和ResearchGate等大規模在線學術社交網絡，支持學者在線分享個人發表的研究論文，目前已經有全球上千萬學者注冊使用，分享了上億篇論文。

3.2 ASN研究發展脈絡

隨著網絡技術尤其是語義網的發展，Altman, R.B.和Ananiadou, S.等于2004年提出構建生物和生物醫學類文獻數據庫以及使用數據挖掘技術對這些數據庫中的數據進行挖掘，這對傳統的學術出版市場來說是一個顛覆性的創新，同時也促進了學術資源開放訪問的研究與實踐。語義網技術和社交網絡在學術資源交流和在線開放訪問中的滲透，形成了兩個重要的研究聚類，即開放訪問和數字化學術。受到開放教育資源運動的影響，Albert, K.M.就開放學術資源對學術出版和醫學圖書館事業的重要啟示進行了探討。大量學術資源在線開放訪問，縮短了研究論文傳播的時間周期，同時語義網技術的應用，也提高了學術資源推送的精準性。2010年以后，學術社交網絡的興起，用戶覆蓋面越來越大，生成了大量學者用戶在線學術交流和學術資源使用的數據，Bollen, J.、Thelwall, M.、Bonetta, L.、Priem, J.和Brody, T.等對這些數據的科學評價和計量學的作用與價值進行了討論和分析，他們重點研究了這些數據對預測論文影響、引用頻次，識別不同學科學者ASN使用模式，合作者、跨學科合作和跨國合作模式等方面的作用，尤其是基于ASN的Altmetrics作為傳統計量學的替代和補充方式得到了廣泛重視。

3.3 ASN研究未來趨勢

學術社交網絡為學者進行社會交互和知識交流提供了更具時效性和更便捷的通道。來自不同學科、不同國家和地區的大量學者都已經成為ASN用戶，他們在線分享學術資源和交流學術知識，生成了大量的文獻、學者、引用、合作、分享和社會交流等數據，形成了比傳統學術網絡更多樣化的在線學術知識交流網絡，極具研究價值。目前ASN研究主要集中于使用者的人口統計學特點、替代計量學和采納應用過程等方面，但對不同用戶群體使用ASN的動機、目標、偏好和模式等方面的研究仍有進一步挖掘的空間。另一方面，基于ASN生成的用戶交流和資源使用數據，挖掘和識別其中的知識交流機制，將會對基于傳統學術網絡的學術交流理論有重大的發展。因此，未來使用大數據、語義網和社會網絡分析等技術和方法分析ASN的知識交流的特點和規律，將會成為一個重要的研究方向。

4 結論

本文使用CiteSapce軟件對Web of Science核心數據庫收錄的ASN研究文獻數據進行共被引和共現分析，揭示出目前學術社交網絡研究領域的起源、發展脈絡、重要研究主題以及重要研究文獻、作者、研究機構和學術刊物。本文發現，ASN研究起源于學者對一些社交網絡和媒體的使用，他們利用這些Web 2.0服務進行人際溝通和學術知識的分享與交流，拓寬了傳統的基于學術出版的學術網絡，縮短了學術交流和論文影響的周期。學術社交網絡集成了社交網絡、開放訪問和在線文獻管理軟件等技術特點，吸引了大量國內外用戶注冊使用，形成了一種全新的學術合作和知識交流的在線虛擬環境。目前ASN已經成為圖書情報學研究領域的一個熱點問題，大家對學術社交網絡的用戶特點、學科差異和文獻計量學方法等方面進行了大量的研究。應該說，在線學術社交網絡是傳統學術網絡在信息化環境下的重大突破，它不但使學術網絡擴展到線上，還加強了學者間的人際交往和社會交互，能夠幫助識別科學合作和交流，識別和發現潛在的合作者。因此，基于ASN的知識交流是傳統學術交流的顛覆性發展，將會是未來重要的研究方向之一。

（來稿時間：2017年7月）

1. Li X, Thelwall M, Giustini D. Validating Online Reference Managers for Scholarly Impact Measurement[J]. Scientometrics,2012, 91（2）：461-471.

2. Thelwall M, Haustein S, Larivière V, et al. Do Altmetrics Work? Twitter and Ten other Social Web Services.[J]. Plos One,2013, 8（5）：e64841.

3. Eysenbach G. Can Tweets Predict Citations? Metrics of Social Impact based on Twitter and Correlation with Traditional Metrics of Scientific Impact[J]. Journal of Medical Internet Research, 2011, 13（4）：e123.

4. Mohammadi E, Thelwall M. Mendeley Readership Altmetrics for the Social Sciences and Humanities: Research Evaluation and Knowledge Flows[J]. Journal of the Association for Information Science & Technology, 2013, 65（8）：1627-1638.

5. Priem J, Taraborelli D, Groth P, Neylon C. Altmetrics: A manifesto[EB/OL].[2010-10-26]. http://altmetrics.org/manifesto.

6. Haustein S, Siebenlist T. Applying Social Bookmarking Data to Evaluate Journal Usage[J]. Journal of Informetrics, 2011, 5（3）：446-457.

7. Thelwall M, Kousha K. Academia.edu: Social Network or Academic Network?[J]. Journal of the Association for Information Science & Technology, 2015, 65（4）：721-731.

8. Zahedi Z, Costas R, Wouters P. How well Developed are Altmetrics? A Cross-disciplinary Analysis of the Presence of‘Alternative Metrics’ in Scientific Publications[J]. Scientometrics,2014, 101（2）：1491-1513.

9. Peters I, Peters I, Bar-Ilan J, et al. Coverage and Adoption of Altmetrics Sources in the Bibliometric Community[J].Scientometrics, 2014, 101（2）：1145-1163.

10. Van Noorden R. Scientists and the Social Network[J].Nature, 2014, 512（7513）：126.

11. Walker J. Blogging from inside the Ivory Tower[J]. Uses of Blogs, 2006：127-138.

12. Neylon C, Wu S. Article-level Metrics and the Evolution of Scientific Impact[J]. Plos Biology, 2009, 7（11）：e1000242.

13. Bar-Ilan J, Haustein S, Peters I, et al. Beyond Citations:Scholars’ Visibility on the Social Web [EB/OL].[2012-15-25].https://arxiv.org/ftp/arxiv/papers/1205/1205.5611.pdf.

14. Brody T, Harnad S, Carr L. Earlier Web Usage Statistics as Predictors of Later Citation Impact[J]. Journal of the Association for Information Science & Technology, 2006, 57（8）：1060-1072.

15. Albert K M. Open Access: Implications for Scholarly Publishing and Medical Libraries[J]. Journal of the Medical Library Association, 2006, 94（3）：253-262.

16. Altman R B. Building Successful Biological Databases[J].Briefings in Bioinformatics, 2004, 5（1）：4.

17. Ananiadou S, McNaught J. Text Mining for Biology and Biomedicine[M]. London: Artech House, 2006.

18. Bonetta L. Scientists Enter the Blogosphere[J]. Cell, 2007,129（3）：443-5.

19. Waltman L, Costas R. F1000 Recommendations as a Potential New Data Source for Research Evaluation: A Comparison With Citations[J]. Journal of the American Society for Information Science & Technology, 2014, 65（3）：433-445.

20. Johan B, Herbert V D S, Aric H, et al. Clickstream Data Yields High-Resolution Maps of Science[J]. Plos One, 2009, 4（3）： e4803.