Altmetrics指標與學者H5指數相關性研究

Web 2.0時代，學術成果載體和學術交流模式發生了深刻變革，網絡電子載體和在線學術活動成為科學計量學的重要研究內容。Altmetrics的概念是Priem于2010年正式提出的[1]。雖然學界對Altmetrics的具體指標還未形成完全統一的認識，但都應包括網絡環境下用戶群體對學術成果的傳播、獲取、關注、推薦過程中產生的復雜指標，而且相關的研究和應用已開展[2]。

Altmetrics指標的評價對象多樣，除了傳統的圖書、期刊、論文等以外，還能應用于評價數據集、代碼、視頻、網頁等多種形式的學術成果[3]。與以引文數據為基礎的傳統計量體系相比，采用Altmetrics指標進行學術評價更為高效和迅速，可以反映傳統計量體系難以表現的社會影響力，并且應用于期刊、作者、論文的評價中[4]。

Altmetrics指標能夠在引用數據缺乏或無效時，代替引用數據對學術成果進行影響力衡量。

將Altmetrics指標用于學者評價的可靠性和有效性的驗證研究工作還相對較少，因此本文對Altmetrics指標與學者H5指數的相關性進行研究，明確Altmetrics指標用于學者評價的可靠性和有效性，豐富學者評價體系。

1 Altmetrics指標研究情況

Altmetrics的概念于2010年正式提出，隨即引起了學術界的廣泛關注。學者劉春麗將Altmetrics概念引入國內[5]。國內外相關研究集中在Altmetrics指標與傳統指標的相關性探討和Altmetrics指標在學者評價中的應用。

Altmetrics指標與傳統指標的相關性是了解Altmetrics指標評估價值的基礎。Daniel Zoller等人將微軟學術引用與社交書簽系統BibSonomy的用戶活動，即發布、標記、訪問或者導出等指標進行比較，研究結果驗證微軟學術引用與BibSonomy中的Altmetrics指標總體上呈現弱相關性[6]。Rodrigo Costas等人通過研究證實Altmetrics指標普遍存在密度較低，但是在特定學科的出版物中呈現密度大量提升，而且Altmetrics指標與引文以及期刊影響力得分之間的關系是較弱正相關的關系，說明Altmetrics并不能完全替代引用評價，而應作為互補的指標反映出版物更具綜合性的影響力[7]。郝若揚選取2014-2016年的Altmetric.com Top 100數據集為樣本研究Altmetrics指標與傳統文獻計量指標的相關性，指出高Altmetrics指標論文集中于醫療健康與生物科學，以及高Altmetrics指標論文的Altmetrics分數與其被引頻次存在正相關關系[8]。還有研究初步篩選出了一定范圍的Altmetrics指標，探索了這些Altmetrics指標與引用頻次之間的相關性，普遍認為二者具備一定的相關性。Altmetrics指標與引用頻次的積累速度存在差異，需要保持時間窗口一致性。

Altmetrics指標和傳統指標間的相關性的研究，促進了Altmetrics在學者評價中的應用，使Altmetrics成為學者評價研究的新思路。Chen Kuang-hua等人收集了一組社會科學和人文科學領域學者的18個Altmetrics指標數據，通過主成分分析得到4個主要維度，深入探討了學者在正式交流和非正式交流過程中學術影響力的評價方式[9]。楊柳等人選取機構知識庫學者為研究對象，基于標準化Altmetrics得分、Altmetrics Score、標準化被引得分3種方法進行學者影響力評價，并開展能測度學者社會影響力與學術影響力的二維評價，以促進機構知識庫的建設[10]。郭穎等人參考國外Altmetrics指標來源平臺，從國內相似平臺選取指標，引入因子分析法篩選出指標并構建指標體系，利用相關性檢驗和二維評價方法對所得指標體系進行驗證[11]。王菲菲等人以基因編輯領域學者為對象，利用學術跡、合作引用強度、引文網絡PageRank值、Altmetrics-h指數等多維度指標進行綜合影響力學術評價，并證實評價結果與領域研究的實際推動者之間較為一致[12]。Altmetrics應用于學者評價的研究多以特定機構或領域的學者展開。

學者對Altmetrics指標應用于學者評價進行的初步探索，顯現出在學者評價中Altmetrics的重要性和特殊性，然而目前還缺乏對學者H5指數和Altmetrics指標相關性的研究探索。

2 實證分析

2.1 基本假設

傳統評價方式只關注引用數據及其衍生指標的作用，但在學術文獻傳播的過程中還存在大量的非引用行為，故也應作為學術評價的有效指標，如圖1所示。Altmetrics指標是選取非引用行為作為新的評價指標，在一定條件下尤其是在引用數據難以獲取或缺失的狀態下代替或補充引用數據及其衍生指標來完成學術評價。既然引用行為和非引用行為都能表征文獻的學術影響力，那么二者之間應存在一定的相關性。通過深入挖掘這種相關性，可檢驗Altmetrics指標代替或補充引用指標的可靠性和有效性，從而形成學術評價的新方法。事實上，Altmetrics指標在不同學科的積累效率是不一致的。指標積累主要集中于醫學和生命科學領域，而且指標在短時間內急速積累，發表時間長的文獻并不能在指標積累上體現出明顯優勢。因此本文選擇指標分布相對密集的醫學領域作為研究領域，并將時間范圍限定為近5年以內，以保持Altmetrics指標和引用數據時間窗口的一致性。

圖1 Altmetrics原理

2.2 數據來源及獲取

本文的研究數據來源于Dimensions數據平臺和Web of Science平臺。選取Dimensions數據平臺收錄的頂尖醫學期刊的主要作者作為研究對象，獲取學者積累的Altmetrics指標。

在Dimensions數據平臺中設置檢索式，即出版年：2014～2018年；出版類型：Article；來源刊物：BMJ系列期刊、JAMA系列期刊和TheLancet系列期刊以及NewEnglandJournalofMedicine。通過檢索獲得110 665篇文獻，篩選出其中100位高產學者作為本文的研究對象。在Web of Science核心合集中檢索對應學者2014-2018年發表的文獻，將文獻類型限制為Article，由此確定學者的H5指數。檢索日期為2019年7月16日。

2.3 數據處理及分析

Dimensions數據平臺所提供的Altmetrics指標包括News，Blog，Policy，Twitter，Peer Review，Weibo，Facebook，Wikipedia，Google，Reddit，F1000，Q&A，Video。雖然Altmetric.com工具直接賦予各項指標權重形成Altmetric Score[13]，但缺乏指標間統計學關系的探究。為了真實反映指標間的統計學關系，需要利用主成分分析法降低指標數據維度，將紛雜的原始指標轉換為幾個具有綜合意義的主要成分；需要通過主成分分析結果，將紛雜的原始指標凝練為學者R-A指數，并將其與學者的H5指數進行對比；需要通過進一步的相關性驗證，探索Altmetrics指標應用于學者評價的可靠性和有效性。

本文選擇SPSS 24.0作為數據處理軟件，實現主成分分析及進一步的相關性分析。

2.3.1 實驗前檢驗

在進行主成分分析之前，需要對Altmetrics指標變量進行相關性檢驗，將收集的14個Altmetrics指標進行KMO和巴特利特球形檢驗(圖2)。巴特利特球形度檢驗統計量為1317.534，對應的顯著性為0.000，KMO取樣適切性量數為0.848(大于0.8)，說明因子對變量的解釋能力非常好，符合進行因子分析的假設檢驗條件。

圖2 KMO和巴特利特檢驗

2.3.2 主成分提取

文獻的難度不盡相同，如果由教師指定閱讀任務，公平性難以保證；隨機抽取雖然公平，但難以發揮每組的特長。如果由教師指定某些知識點，然后由學生自主查找文獻，這樣既減輕了教師負擔，也鍛煉了學生的文獻查找能力，同時也更為公平。文獻的分配方式可以進一步探討。

利用SPSS 24.0軟件提取主成分，得到Altmetrics指標的公因子方差(表1)。從表1可看出，所有指標變量的提取公因子方差都較大，而且都保持在0.700以上水平，說明在主成分提取的過程中保留了各個指標變量的絕大部分信息。因此本次主成分提取的效果較為理想，主成分分析結果具有可靠性。

表1 Altmetrics指標提取公因子方差

事實上，SPSS軟件默認的主成分分析法只提取特征值大于1的成分，將特征值小于1的成分作為碎石處理。實驗過程中發現，如果保留默認設置，將只保留4個主成分，那么主成分提取時，Peer Review和Weibo指標變量的提取公因子方差會較低，說明4個主成分難以保留這2個指標變量的信息，因此本文納入第5個成分作為主成分。同時也注意到，碎石圖中第5個成分之后連線趨于平穩(圖3)，而且第5個成分和第6個成分之間連線相對陡峭，因此可以將第6個及其之后的成分作為“碎石”。

圖3 提取主成分特征值碎石圖

進一步通過如表2所示的總方差解釋可知，前4個成分的特征值均大于1，第5個成分的特征值為0.902，接近1。前5個成分的總方差貢獻率達到86.880%，從整體上反映了原有Altmetrics指標變量的絕大部分信息，因此保留5個主成分作為主成分分析結果是更合理的選擇，同時主成分分析結果也相當理想。

表2 提取成分總解釋方差

注：成分6-14為“碎石”，不再計算提取載荷平方和

2.3.3 主成分函數

在主成分分析結果的基礎上，得到成分矩陣(表3)。將主成分1表示為F1，主成分2表示為F2，其余3個主成分以此類推。由表3可以得到原始指標的主成分分析模型，如News=0.8(F1)+0.439(F2)+0.144(F3)-0.184(F4)-0.152(F5)。

表3 原始指標主成分矩陣

將所有Altmetrics指標全部轉換為5個主成分函數表達，將Altmetrics指標蘊含的信息轉換為維度更低的主成分。

為了進一步利用主成分分析結果對學者進行Altmetrics指標評價，需要形成一個綜合評價指數(本文將該綜合評價指數稱為R-A指數)。由表4所示的成分得分系數矩陣可知各主成分基于原始Altemtrics指標的函數表達。例如F1=0.112(News)+0.126(Blog)+0.035(Policy)+0.115(Twitter)+0.017(Patent)+0.077(Peer Review)+0.104(Weibo)+0.131(Facebook)+0.047(Wikipedia)+0.123(Google)+0.117(Reddit)+0.090(F1000)+0.098(Q&A)+0.118(Video)。

表4 主成分得分系數矩陣

2.3.4 Altmetrics指標與學者H5指數相關性分析

將R-A指數和學者H5指數進行斯皮爾曼相關性分析，結果如圖4所示。從圖4可知，學者H5指數和R-A指數的斯皮爾曼相關系數為0.727，在0.01級別(雙尾)呈現顯著相關性，說明該數據集中學者H5指數和R-A指數在統計學意義上是顯著相關的，也就意味著R-A指數越高，學者的H5指數水平越高。

圖4 H5指數和R-A指數斯皮爾曼相關性

按照R-A指數取值范圍可以將學者分為3類：第一類，R-A指數>1，這類學者受關注程度極高，學術成果傳播廣泛，受到各類群體的青睞，且這類學者的H5指數平均值為57.6；第二類，0

如表5所示，將學者H5指數和R-A排名前1

0的學者進行比較發現，有3名學者同時出現在2個前10榜單之中。Simon Iain Hay[14]是華盛頓大學醫學院教授、英國牛津大學博士，主要致力于傳染病時空分布的流行病學研究，以支持更合理地實施疾病控制，其最具影響力的工作是“瘧疾地圖集”項目。該項目利用大數據和地理空間科學在全球、地區、國家范圍內準確定義面臨瘧疾風險及其負擔的人口，并因為該項目獲得諸多獎項。Frank B Hu[15]是哈佛醫學院教授，美國伊利諾伊斯大學芝加哥分校博士，在糖尿病和冠心病的病因與預防領域取得了世界公認的成就，特別是對營養、遺傳因素及其交互作用在肥胖與糖尿病發生發展中的作用的研究作出了原創性的貢獻，并于2015年當選美國國家醫學科學院院院士。Christopher J L Murray[16]是華盛頓大學醫學院教授、英國牛津大學博士，全球疾病負擔(Global Burden of Disease，GBD)研究的創始人。該研究旨在按時間、年齡、性別和地理位置對由于疾病、傷害和危險因素導致的健康損失的相對數量進行量化。他同時也是美國國家醫學科學院院士。3位學者的H5指數都大于50，說明他們在專業領域內都取得優秀研究成果，并被領域同行認可。3位學者的R-A指數都大于1，均屬于第一類學者，說明學術成果在社會上也受到廣泛關注和傳播。結合2種評價指數的學者遴選結果與實際學者調研結果保持一致。

表5 H5指數和R-A指數Top 10學者對比

注：*表示2個榜單中重復出現

斯皮爾曼相關系數較高和學者評價結果的重疊現象都說明學者H5指數和R-A指數在學者學術影響力評價上保持著一定程度的一致性。這種一致性表明，無論是引用行為還是非引用行為都是學者影響力的傳播途徑，同時也表明引用行為和非引用行為之間存在區別。這應當歸結于H5指數是學術影響力在學術界的集中體現，而R-A指數側重于學者社會影響力的體現。R-A指數或者Altmetrics指標在一定情況下能夠應用于學者評價，并成為引用行為的可靠替代和有效補充，與H5指數結合能夠實現學者多維度評價。

3 結論

Altmetrics是科學計量學的新興研究熱點，它將學術評價的視角從只關注引用行為轉變到關注非引用行為上。互聯網時代，通過各種網絡平臺進行學術交流活動已經成為趨勢，以社交媒體平臺、專業論壇網站、信息服務平臺等為代表的網絡平臺都成為學術交流活動產生的主要場景。Altmetrics的目標在于利用這些網絡平臺上的獲取、下載、瀏覽、收藏、分享、評論行為，有效展現學術成果所具備的社會影響力。

本文統計了頂尖醫學期刊中100位高產作者的Altmetrics指標及其H5指數，發現即使選擇了Altmetrics指標產生較為迅速和高效的學科領域及期刊，仍然面臨學者Altmetrics指標數據呈現一定程度稀疏性的問題。這是因為數據庫資源的限制導致對單個學者的Altemtrics指標統計不完全，而且Altmetrics指標在學者層面的積累難以達到大量數據的規模，學者產出成果有限，同時學者受到關注也相對更為分散。豐富和拓展Altmetrics指標來源將會有效地彌補這一不足。微博是目前唯一中文數據來源，其他數據來源仍有待開拓，尤其中文數據來源Altmetrics指標亟待開發。

通過對同一時間窗口下的學者H5指數和R-A指數進行相關性分析，證明學者H5指數和R-A指數之間呈現顯著相關性，二者的斯皮爾曼相關系數為0.727，說明引用行為和非引用行為都是學者影響力的展現形式，只是引用行為更側重于學術影響力的評價，而非引用行為則側重于社會影響力的展現。

在對學者和學術成果進行評價時，應將二者有機結合，形成二維甚至多維的評價方式。通過將2種評價手段有效結合，篩選出最優秀的3位學者，并通過個人信息調研證實這3位學者的研究成果具備很高的學術影響力和社會影響力，說明將傳統評價方法與Altmetrics結合起來能夠形成更為全面有效的研究學者遴選機制。顯著相關性證實，在引用數據完善的情況下，Altmetrics指標可作為有效的補充評價手段；在引用行為數據難以獲取或存在缺陷時，Altmetrics指標可以作為可靠的替代計量手段。只關注引用行為的學術評價方式已受到人們的詬病，視野更廣闊的多維評價方式才能更客觀地反映學者和學術成果的價值。

4 結語

本文通過Dimension平臺和WOS平臺收集學者的Altmetrics指標和引用數據，確保了數據來源的可靠性和準確性。實證結果證實了Altmetrics指標應用于學者評價的可靠性和有效性，然而學者篩選條件嚴格導致獲取學者數據較為有限，結論的普適性仍有待進一步研究確認。目前相對成熟的Altmetrics計量工具都是以國外數據源為主，不少信息資源平臺已經開展相應服務，而如何利用中文數據源建立國內Altmetrics評價體系和工具是亟待解決的問題。中文數據源所積累的大量Altmetrics指標將是開展相關研究的重要資源；借鑒和利用國外Altmetrics計量工具應用和開發的經驗，完善國內Altmetrics評價體系將是國內Altmetrics研究發展的重要方向。