基于聚類和關聯規則的Altmetric TOP榜文獻特征分析

邱均平　豐鸝萱　舒非

DOI：10.3969/j.issn.1008-0821.2021.09.002

[中圖分類號]G250.252 [文獻標識碼]A [文章編號]1008-0821（2021）09-0012-10

近年來，隨著互聯網技術的發展和知識共享趨勢的推動，學術評價不再只是依賴傳統學術指標，Altmetrics開始產生，并引起廣泛關注和利用。2005年，Bollen J等學者就提出將社交媒體數據作為補充性計量指標，用于期刊影響力評價。Altmetrics最早是由計量學領域學者Priem J提出，之后同Taraborelli D等學者發表宣言，正式提出Ahmet-rics。

自2010年Altmetrics在境外提出后，我國學者劉春麗迅速反應，于2012年將其譯為“選擇性計量學”，并說明其與網絡計量學和傳統科學評價的差異，以及選擇性計量學在時效、覆蓋面和科學交流中的獨特意義;隨后，邱均平等學者將其譯為替代計量學，闡述其提出過程和研究進展;由慶斌等學者將其譯為補充計量學，對補充計量學和補充性指標作了詳細介紹。這是目前我國學者3種主要翻譯形式，許多學者對其有不同理解，具有代表性的理解就多達十幾種，但使用較多的是替代計量學。

目前，關于Altmetrics的研究主要分為理論、工具、方法及應用，理論主要是其概念和問題分析，較多涉及Ahmetrics指標與傳統指標之間的關系。例如：Alhoori H等學者發現Altmetrics與出版物的數量、h指數、被引量之間存在相關關系;Eysenbach G等學者指出Altmetrics指標與傳統的引文指標呈現弱相關，論文的社會影響力與學術影響力之間關聯度并不大;王妍等學者采用Spearman方法嘗試探究學者被引頻次與Ahmetrics中社會影響力指標之間的相關性，以及各項社會影響力指標之間的相關性。隨后，越來越多的Alt-metrics工具開始出現，吳勝男等學者以目前比較常見的Altmetrics應用工具Altmletric.com、Plum Analytics、ImpactStory、PLOS ONE Altmetrics、Readermeter、ScienceCard、PaperCritic以及CitedIn為研究對象，針對每一種工具的功能特征、優勢和不足進行詳細的分析和論述。其中，Altmetric.com是一款分析評估單篇論文Altmetrics指標的工具，由Digital Science公司開發，該工具綜合計算某一篇學術論文在Twitter、Google+、CiteULike、Mendeley、博客以及主流新聞媒體等信息源的引用數據，Altmetrics指標具有多種，一般被學者分為幾類進行研究。例如：Waltman L等學者對Altmetrics的11個指標通過因子分析分為3類。目前，Ahmetrics研究主要方法為社會網絡分析、數據挖掘與分析等，更多應用于論文、期刊、機構、學者等各種影響力評價領域，并通過不斷構建評價指標應用到多個領域，王凱利等學者融合了Alt-metrics和引文分析法構建期刊影響力評價體系，并對國際圖情期刊的影響力進行分析：Boetto E等學者發現傳統引用計數，社交媒體上的引用以及新聞和博客上的提及之間存在適度的相關性，并且定義一種方法，即綜合影響力得分（CIS），該方法可以協調不同的指標以提供多維影響力指標。另外，關于Ahmetrics指標的研究，更多則是關于各指標之間相關性，許丹等學者對比分析SCIE被引頻次、ESI高被引、FS、Ahmetrics各項指標之間的關系;陳勝龍等學者驗證其與學者H5指數間存在顯著相關性。

大數據的迅速發展，帶動了數據挖掘領域的研究，數據挖掘領域一般具有C4.5、K-Means、SVM、Apriori等多種具有影響力的算法，可涵蓋分類、聚類、統計學習、關聯分析和鏈接挖掘，其中關聯規則最早是由Agrawal R等學者提出，是數據挖掘領域的一種方法，可以挖掘數據的隱含特征，關聯規則經常應用于購物籃分析，從而為商品促銷提供參考，基本方法常為Apriori算法，并被許多學者應用于各種領域。例如：游立清等學者利用此算法提出卷煙物理指標關聯性的分析方法。目前，關于關聯規則的研究主要是關聯規則算法創新、關聯規則應用等方面，許多學者提出改進算法進行有關應用。例如：常見的多最小支持度的關聯規則挖掘、分類關聯規則挖掘等方法，田建勇、徐樾等學者將改進算法應用于計算機和動力工程等不同領域。關聯規則應用范圍較廣，學者紛紛創新，廣泛應用于多種領域，常見的是應用于中醫藥，探析用藥規律等問題，申玲玲等學者針對急性痛風性關節炎用藥規律研究。另外多是利用關聯規則進行影響因素的相關研究，曹磊等學者利用關聯規則對路面損壞狀況影響因素進行探討。

綜合來看，Altmetrics相關研究目前主要集中在與各指標進行相關性分析的研究，以及通過指標構建應用于不同領域進行評價，關于高社會影響力論文的論文特征和傳播特征相對較少，聚類分析和關聯規則作為常用方法，但較少結合應用于論文特征方面。因此，本文將Ahmetric TOP榜文獻作為高社會影響力文獻，利用頻數統計與分析探討高社會影響力文獻特征，同時利用聚類與關聯規則進行分析，探討不同學科、國家（地區）、文獻獲取方式、AAS值、被引次數等方面的傳播渠道特征。

1研究方法與數據來源

1.1研究方法

本文采用定性與定量分析的方法，首先從Ah.metric，com得到Ahmetric TOP榜文獻，基于所得數據進行頻數統計與分析，然后通過K-Means聚類將不同指標劃分級別，最后利用基于Apriori算法的關聯規則探討不同被引次數區間、AAS值區間、學科、國家（地區）和獲取方式的傳播特征。其中關聯規則是常用的數據挖掘領域方法，能夠有效挖掘數據隱含特征，Apriori算法是一個經典的挖掘規則算法。一般以商品交易為例，假設被研究對象稱為項（Item），所有項的集合為，={i₁，i₂，…，i_m}，每條交易ti項對應的項的集合為I的子集，I的任何一個子集被稱為項集（Itemset），即X={i_j1，i_j2，…，i_jm}，事務數據庫為D={t₁，t₂，…，t_m}，每條交易數據t_i構成事務D，每個項集包含的項的個數稱為項集的長度，一個長度為k的項集被稱為k項集，一個項集X在數據庫D中出現的次數稱為頻數，記為count（X）。關聯規則需要從數據中找出滿足最小支持度和置信度的關聯規則，其中定義如下：

1）支持度（support）。一個項集X的支持度指的是在數據集中包含該項集的記錄所占比例。如式（1）所示。若給定一個最小支持度support（min），所得support（X）≥support（min），則X稱為頻繁項集。

support（X）=count（X）/|D} （1）

2）置信度（confidence）。也可稱為可信度，它是針對一條比如X→Y的關聯規則來定義的，指的是包含X的交易中包含Y的比例。即：

cofidence（X=>Y）=|XY|=support（XY）/sup-port（X） （2）

3）增益（lift）。也可稱為提升度，是一個評判關聯規則的重要標準，大于1表示具有強關聯性，小于1視為無效規則，等于1則代表相互獨立。即：

lift（X=>Y）=|XY|/|X||Y|=support（XY）/support（X）support（y） （3）

1.2數據來源

本文所用源數據來自于Altmetric.com官方網站，選擇2015—2020年高社會影響力文獻，即榜單前100篇文獻，針對Altmetrics指標數據進行下載，除了2018年榜單數據下載200篇，其余年份各下載100篇文獻，并對缺少的數據進行查找補充，然后匹配期刊影響因子，去除期刊名稱來源于電子網站、會議等未匹配到影響因子的文獻，如來源于arXiv、CHI20：Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems等文獻，共得到文獻676篇，同時在谷歌學術中查詢被引次數，同時查詢和匹配第一作者的所屬國家（地區），以及第一作者與第二作者的附屬高校。

2 Altmetric TOP榜文獻整體特征分析

本文從學科、期刊、獲取方式、第一作者隸屬國家（地區），以及第一、二作者所屬高校幾個方面對Altmetric TOP榜文獻進行特征分析。

2.1學科分布

對2015—2020年文獻的學科進行整合，選取占比前10名學科，如表1所示。

可以看出，醫療健康排名靠前，占比較大，突出了醫療健康學科的社會影響力，同時由于新冠疫情的暴發，醫療健康領域就更加受學者和大眾的關注。隨后生物科學、人類社會研究、地球環境科學、物理科學、歷史與考古學、地球科學、信息和計算機科學等學科也具有較大影響力和傳播力度，但法律、哲學與宗教、工程、材料等許多學科占比較小，需要提高大眾關注度，努力提高社會影響力，利用大眾易于接受和理解的方式進行傳播。

通過計算不同學科的單篇被引次數、單篇Alt-metric Attention Score（AAS）和開放或自由獲取的占比，可以看出，信息和計算機科學單篇被引次數較大，單篇AAS較大，開放或者自由獲取的比重有待提升。由此可知，信息計算機科學領域具有較大的社會影響力，其研究文獻也具有較高的學術價值。心理學與認知科學、歷史與考古學及地球科學等學科單篇被引次數較少，單篇AAS僅有部分差距，也說明了提高社會影響力的同時，應該致力于提升文獻質量。

不同學科開放獲取占比有所差異，自然科學和技術、醫藥衛生等領域，OA論文的比例最高。在本文所研究Altmetric TOP榜文獻中，即屬于高社會影響力文獻，其中醫藥健康、地球科學等領域開放或自由獲取占比較大，物理科學、歷史與考古學等學科開放或自由獲取占比較小?？傮w來看，醫藥健康領域文獻在高社會影響力文獻占比最大，同時開放或自由獲取占比較大，社會影響力較大。

2.2期刊分布

對高社會影響力論文進行匯總排序，部分期刊子刊并未歸類于正刊，即分為不同期刊進行整合，同時通過JCR查取2019年各期刊影響因子，所得結果如表2所示。

由表2可知，《Nature》《Science》《The Lan-cet》《Proceedings of the National Academy of Sci-ences of the United States of America》（PANS）、《New England Journal of Medicine》《Journal Of The American Medical Association》（JAMA）、《British Medical Journal》（BMJ）等排序靠前，其中在不計算子刊情況下，仍占比較大，同時期刊影響因子、單篇被引次數及單篇AAS較大，具有強大的學術價值和社會影響。許多科學研究領域中，很多最重要、最前沿的研究結果往往都是以短訊的形式發表在此期刊上，讀者主要是從事研究工作的科學家，但雜志前部的文章概括使得一般公眾也能理解雜志內最重要的文章?！禢ature》開放獲取比例較小，90.43%屬于付費獲取;《Proceedings of the National Academy of Sciences of the United States of America》（PANS）屬于高社會影響力文獻所占數量較大的期刊，2019年Top榜單占據5篇，但2019年期刊影響因子較小，同樣《The Public Library of Science ONE》（PLoS ONE）、《Scientific Repots》《Current Biology》等期刊影響因子較小，也說明了部分期刊社會影響力文獻數量與影響因子未必成正比關系，社會影響力較大的文獻數量占比較大，期刊影響因子不一定較大。綜合來看，《New England Journal of Medicine》《The Lancet》期刊各項指標數據較大，《The Public Library of Science ONE》（PLoS ONE）期刊各項指標數據較小。另外，絕大多數期刊開放（Open Access）或者自由獲?。‵ree to Read）占比較大，大眾獲取更為容易，同時也更容易得到傳播。

2.3文獻獲取方式情況

在所研究全部文獻中，付費獲取的方式占較大比重，為45.12%，開放獲取的比重僅次于付費獲取，占比38.61%，自由獲取占比最小。開放獲取（OA）是指學術論文發表后立刻在互聯網上公開發布，供讀者免費獲取，可以讓學術成果提高傳播力和影響力，為學者和大眾提供更便捷的知識獲取方式，也增強了知識共享與交流，所以，越來越多的國家（地區）積極促進知識開放。通過圖1可以發現，Closed（付費獲?。┍壤鹉杲档?，說明自由和開放獲取方式逐步增加，2020年開放獲取比例得到較大提升，自由獲取有所減少，分別對3種方式作線性預測可以看出，付費獲取占比呈現下降趨勢，而開放和自由獲取都呈現增長趨勢，進一步說明了知識獲取更加服務大眾，順應了知識共享的趨勢。

2.4國家（地區）分布

整合第一作者所屬國家（地區），并計算出單篇被引次數、單篇Altmetric Attention Score（AAS），以及各個國家（地區）開放或自由獲取占比，所得結果部分如表3所示?？梢钥闯?，美國所占比例最大，接近一半，同時綜合指標都比較突出，說明美國具有較強的學術實力和影響力：英國開放或者自由獲取的比例較大，并且單篇被引次數較大，同樣具有較強影響力。綜合來看，第一作者所屬國籍統計中，美國和英國占比較大，其中美國最多，其他國家（地區）占比較少，需要進一步提高社會影響力和傳播能力，把握學術界的熱點前沿。

2.5學校分布

整合第一作者和第二作者的所屬機構，篩選前兩位作者隸屬于大學的文獻，所得結果部分如表4所示。文獻第一作者和第二作者對文獻具有較大的貢獻，據此統計，可以進一步得出不同高校的學術實力?？梢钥闯?，哈佛大學所占比重最大，斯坦福大學、劍橋大學、牛津大學等占比較大，這些大學都屬于實力較強和知名度較高的院校。

3 Altmetric TOP榜文獻傳播特征分析

利用SPSS軟件對數據進行K均值聚類.根據數據大小，劃分為A、B、C、D、E 5類，以被引次數K均值聚類為例，如表5所示，將文獻按照指標數值大小劃分為5類，被引次數（E）屬于被引次數較低的區間，但占比較多，均值為154。其中，E級別占比普遍較大，反映了大多指標數值集中于某一區間。根據每篇文獻特征構建矩陣，然后利用SPSS MODELER進行關聯規則分析，探討各項特征之間的聯系。Apriori算法是常用于挖掘出數據關聯規則的算法，能夠發現事物數據庫中頻繁出現的數據集。設置最小置信度為0.8，最小支持度為0.1，最大前項數設為1，選擇增益大于1，最后結果以置信度排序。

3.1不同被引次數值區間下文獻傳播特征分析

以前項為被引次數進行研究，共得到關聯規則9項，如表6所示?？梢园l現，后項為被引次數E級，即被引次數較小，與各項指標等級呈現強關聯，較多指標表現為E級，即數目平均較小的一類，說明了被引次數較少的文獻，微博、谷歌、博客、問答、維基、政策、影片、Reddit提及數普遍較小，也側面反映出被引次數較小，Altmetrics許多指標值普遍較小。所研究文獻中，被引次數和多指標值都屬于較小區間，而被引次數在A至D類的文獻，屬于被引次數較高文獻.與同行評審和推特提及數E等級呈現關聯性。同時可以發現，被引次數越大，微博、谷歌、問答、維基百科、政策、影視及Reddit提及數可能越大。

3.2不同AAS區間下文獻傳播特征分析

以AAS值為對象進行研究，共得到關聯規則9項，如表7所示，其中前項分為D和E級別，AAS值聚類均值集（A，B，C，D，E）=（33853，25814，8179，3637，1803），其中E類占比較大。從所得關聯規則可以看出，AAS值聚類級別為D類和E類的文獻特征仍有較大差異，AAS值E類文獻，普遍是推特、影視、維基百科、Reddit提及數較小，而D類文獻，普遍是微博、同行評審、問答、政策和谷歌提及數較小，可以看出，不同AAS值區間的文獻，具有較大的特征差異。同時也可以看出，AAS值越大，文獻推特、影視、維基百科、Reddit提及數可能越大。

3.3不同國家（地區）的文獻傳播特征分析

在所研究的Altmetric TOP榜文獻中，美國和英國占比較大，以前項為美國和英國，構成關聯規則10項，如表8所示，可以看出，第一作者國籍為美國和英國的文獻傳播呈現不同特征，第一作者隸屬于美國的文獻，微博、維基、影片、政策和問答提及數值普遍屬于E類，即屬于較低區間，而第一作者隸屬于英國的文獻，表現為同行評審、推特、谷歌、Reddit和政策提及數普遍屬于E區間，除了政策提及數普遍較少的特征外，其他特征具有較大差異。第一作者隸屬于兩個國家（地區）的文獻屬于E區的指標有很大差異，可以根據自身特征提高各項指標數值，從而提高社會影響力。

3.4不同期刊的文獻傳播特征分析

《Nature》和《Science》作為國際知名期刊，有著巨大的社會影響力和學術價值，同時在Alt-metric TOP榜文獻中，來源期刊為《Nature》和《science》及其子刊的論文占比較大，以兩者為前項，構成關聯規則為9項，如表9所示，可以看出兩大期刊論文的特征差異，來源于《Nature》期刊及子刊的文獻，與《Science》及其子刊相同的是同行評審和影視提及數都屬于E類，即數值區間屬于最低聚類區間，但存在部分差異，《Nature》期刊論文表現為谷歌和被引次數都屬于E類區間，說明Altmetric TOP榜文獻中，《Nature》期刊及子刊的論文，谷歌和影視提及數普遍不高，有待加強，而《Science》及其子刊的論文，微博、維基百科和政策提及數大都呈現出較低的特征。

3.5不同學科的文獻傳播特征分析

醫藥健康科學和生物科學在所研究文獻中占比較大，同樣以兩者為自變量構建關聯規則，所得結果如表10所示。生物科學和醫藥健康科學都與推特和Reddit提及數E類具有關聯性，有所不同的是生物科學微博提及數和AAS值屬于E類，均值為1803，說明了生物科學領域論文的社會影響力需要進一步提升，針對學科提出正確的方式進行傳播。醫藥健康領域文獻占比較大，微博、推特、維基百科、谷歌、影視、Reddit以及政策提及數集中屬于E類區間，不同學科的文獻傳播渠道有很大差異。

3.6不同獲取方式的文獻傳播特征分析

所研究Altmetric TOP榜文獻中，3種獲取方式的論文傳播特征有較大差異，如表11所示，開放獲取（OA）的文獻維基百科、影視和政策提及數為E類，屬于較小區間，付費獲取文獻則是Twitter Mentions和Reddit Mentions處于較小聚類區間，自由獲取的文獻微博、谷歌、問答及政策提及數都較小，不同獲取方式的文獻傳播特征差異明顯，付費獲取的文獻應該更注重推特和網站傳播。

4總結

通過對數據的統計與分析，可以發現AhmetricTOP榜文獻具有以下特征。

4.1文獻整體特征

1）學科分布情況。醫藥健康領域占比較大，為41.42%，生物科學、人類社會、地球環境科學、物理科學、信息與計算機科學等排名靠前，但總體占比不大，法律、哲學與宗教、工程、材料等學科占比過小，這些學科有待提高社會關注度與影響力。信息與計算機科學領域單篇AAS值和被引次數等總體較大，在學術界和社會都有著較大影響力，但開放或自由獲取比例仍有待提高。另外，不同學科開放獲取占比有所差距，醫藥健康、地球科學等領域開放或自由獲取占比較大，物理科學、歷史與考古學等學科開放或自由獲取占比較小。

2）期刊分布情況。期刊子刊并未劃分為主刊，期刊主要來源于《Nature》《Science》《The Lancet》《Proceedings of the National Academy of Sciences of the United States of America》（PANS）、《New Eng-land Journal of Medicine》《Journal of The American Medical Association》（JAMA）、《British Medical Jour-nal》（BMJ）等期刊，其中，《Nature》除去子刊以外，仍占比較大，體現期刊巨大的影響力，但在所研究文獻中，開放或自由獲取占比較小。綜合來看，《New England Journal of Medicine》《The Lan-cet》期刊單篇AAS值、單篇被引次數，開放獲取比例等各項指標占比較大，《The Public Library of Science ONE》（PLoS ONE）期刊各項指標數據較小。一般開放或者自由獲取比例較大，AAS值會較大。

3）獲取方式情況。在所研究文獻中，付費獲取比例仍然較大，占45.12%，開放獲取比例僅次于付費獲取，占比38.61%，自由獲取占比最小。通過線性預測可以發現，開放和自由獲取比例都呈現增長趨勢，付費獲取呈現下降趨勢，順應了知識共享和免費的趨勢。

4）第一作者國家（地區）分布情況。美國占比最大，接近于一半的比例，同時單篇AAS值和單篇被引次數、開放或者自由獲取比例都較大，第一作者隸屬于英國的占比僅次于美國占比，其他國家（地區）占比較小，需要進一步提升影響力和傳播力，把握學術前沿。

5）學校分布情況。以第一作者和第二作者所屬高校進行統計，可以發現，哈佛大學所占比例最大，斯坦福大學、劍橋大學、牛津大學等高校占比位列其后，Altmetric TOP榜文獻第一、二作者較多來自于知名高校。

4.2文獻傳播特征

本文通過構建關聯規則發現，不同被引次數區間、AAS值區間、國家（地區）、期刊、學科和獲取方式下，文獻傳播渠道特征差異明顯，由此可以根據不同情況，采取一定的措施進一步提高文獻影響力。

1）被引次數較小情況下，Altmetrics多項指標處于較小區間，與微博、谷歌、博客、問答、維基百科、政策、影片、Reddit提及數E類呈現強關聯，而被引次數位于A-D區間時，僅與推特提及數處于E類具有強關聯規則。可以看出，被引次數越小，Altmetrics多項指標可能較小，因此，提高文獻質量仍是提高影響力的重中之重。

2）AAS值較小時，文獻推特、影視、維基百科、Reddit提及數值較小，而D類文獻，微博、同行評審、問答、政策和谷歌提及數較小，可以看出不同AAS值的文獻傳播渠道有很大差異。

3）除政策提及數都較小以外，第一作者隸屬于美國的文獻微博、維基百科、影片和問答提及數值普遍屬于E區，第一作者隸屬于英國的文獻則是同行評審、推特、谷歌和Reddit提及數普遍屬于E區，可以看出不同國家（地區），文獻傳播渠道特征有較大差異。

4）來源于《Nature》及其子刊和《Science》及其子刊的文獻占比較大，除兩者文獻的影視和同行評審提及數都不高以外，來源于《Nature》期刊的文獻，谷歌和影視提及數普遍較小，而來源于《Science》期刊的文獻，微博、維基百科和政策提及數都較小。

5）醫藥健康和生物科學領域文獻占比較大，構成關聯規則。生物科學領域的文獻微博、推特和Reddit提及數普遍較小，并且AAS值普遍較小，需要進一步提高社會影響力，注重微博、推特和Reddit等渠道的傳播。醫藥健康領域文獻占比較大，但微博、推特、維基百科、谷歌、影視、Red-dit以及政策提及數所在聚類區間值較小。

6）開放獲?。∣A）的文獻傳播更多的是維基百科、影視和政策提及數為E類，付費獲取的文獻則是推特和Reddit提及數處于較小聚類區間，自由獲取的文獻微博、谷歌、問答及政策提及數都處于較小區間，3種文獻獲取方式下，文獻傳播渠道有較大差異。

5結束語

本文通過頻數統計分析得到文獻的學科、期刊、獲取方式、第一作者隸屬國家（地區），以及第一、二作者隸屬學校的分布情況，并利用K-Means聚類以及基于Apriori算法的關聯規則對Alt-metric TOP榜文獻進行分析，得到不同被引次數區間、AAS值區間、期刊、國家（地區）、學科和獲取方式情況下，文獻傳播渠道有較大差異。利用聚類和關聯規則分析文獻特征，具有一定的研究意義，并可以進一步拓展到挖掘評價指標，應用到更多學術影響力的評價中去。