語義出版驅動的科學論文論證結語義建模研究

曲佳彬　歐石燕

DOI.10.3969/j.issn.1008-0821.2021.12.005

[中圖分類號]G254 [文獻標識碼]A [文章編號]1008-0821（2021）12-0048-12

科學論文是科研工作者研究成果的固化，是知識傳播和科學交流的載體。隨著科學研究的不斷推進，科學論文發表數量與日俱增。海量的科學論文造成信息過載，科研人員需要花費大量的時間查找和閱讀相當于原來幾倍數量的文獻。如何精確且快速查找所需文獻并進行有效閱讀成為每個科研人員所要面臨的問題。在此背景下，對科學論文內容進行語義表示和組織，實現論文內容的模塊化、結構化、語義化和關聯化顯示與發布變得尤為重要。

隨著數字出版的不斷發展，牛津大學的Shot-ton D于2009年首次提出了語義出版概念，其實質是利用語義網和關聯數據技術，通過語義標記注釋和豐富出版物的內容。語義出版作為一種新型的出版模式和知識表示模式，對科學論文結構和內容進行細粒度語義表示，以結構化和模塊化的方式呈現科學論文的內容，能夠有效提高科研人員的閱讀效率。在語義出版發展過程中，從早期對論文外部特征（如題錄信息、參考文獻等）的語義描述，正逐漸深入到論文內容層面的語義表示，如實體、概念、科學結論、圖表等。

現有研究多是從篇章結構角度對科學論文的內容結構進行解析和知識表示，多是在章節和段落層面進行，缺少對科學論文內容細粒度的知識表示和知識關聯。科學論文是一種論證性文本，是對科學觀點和科學結論的論證。從科學論證角度對科學論文的結構進行解析，對其中細粒度的論證元素和論證關系進行語義表示，能夠更加精確地表示科學論文的內容。因此，本研究旨在從論證角度構建一個科學論文論證結構本體，對科學論文中的論證元素（如研究問題、研究方法、研究結論等）及其論證關系進行語義表示，實現對科學論文細粒度內容的語義出版，從而幫助科研人員快速理解科學論文內容并定位特定信息，促進知識傳播和科學交流。

1相關研究

對科學論文內容進行語義描述的目的是將論文中的知識顯性化、結構化和形式化表示。當前研究主要是從科學論文的篇章結構出發對其進行描述。篇章結構是指論文的功能結構，其規范定義了科學論文各部分的順序和功能，譬如科學論文中某段文字的作用是介紹“研究背景”或闡述“研究方法”。依據描述粒度的不同，大致可以分為兩種描述方式：第一種是粗粒度的論文篇章結構，主要對論文章節等文獻組成部件、題錄信息及參考文獻的描述：第二種是細粒度的論文篇章結構，專門用于對論文中研究目標、假設、論據、方法、試驗及結論等功能元素進行描述。

針對粗粒度的篇章結構，目前主要有IMRaD模型和ABCDE模型兩個代表性模型。IMRaD模型是目前最具影響力的論文寫作框架，將論文的正文內容劃分為4個具有語義功能的模塊，即介紹（In-troduction）、方法（Method）、結果（Result）和討論（Discussion），被廣泛應用于實證型或實驗型論文。ABCDE模型由荷蘭烏特列支大學計算機科學系的Waard A D等提出，主要用于計算機領域會議論文的標注。ABCDE模型將科學論文的結構劃分為：標注信息（Annotations）、背景（Background）、貢獻（Contribution）、討論（Discussion）和實體（En-tities）共5個模塊，其中，標注信息指科學論文的外部題錄信息，如題名、作者、出版日期等，實體指科學論文中的人名、地名、研究方法名和模型名等。此外，在IMRaD模型基礎上，一些論文內容本體被提出，主要有篇章元素本體（Discourse Ele-ments Ontology，簡稱DEO）、文檔組件本體（Document Components Ontology，簡稱DoCO）、修辭塊本體（Ontology of Rhetorical Blocks，簡稱ORB）。這些本體都是將論文中粗粒度的篇章、文本塊或段落，按不同語義功能進行分類，并采用形式化語言來描述。

對于細粒度篇章結構的描述主要有AZ-J/AZ-Ⅱ模型、CISP模型、核心科學概念框架。1999年英國劍橋大學的Teufel S等以計算語言學領域的論文為研究對象，提出了AZ-Ⅰ模型。該模型將論文的篇章劃分為7個類別，包括研究目標（Aim）、背景（Background）、相關研究（Other）、研究起點（Basis）、對比分析（Contrast）、作者研究（Own）和篇章結構描述（Textual）。隨后，Teufel S等人又提出了改進版的AZ-Ⅱ模型，在其中增加了支持性研究（Support）、中立比較（Codi）、研究空白（Gap_Weak）和矛盾比較（Atisupp）等情感和論證性的描述。2007年，英國威爾士大學的Soldatova L等分析了生物學領域論文篇章結構，認為科學論文是一項包含核心信息的科學調查研究內容表示，構建了科學論文核心信息（The Core Information About Scientific Papers，簡稱CISP）本體，定義了科學調查研究中的8個核心概念，主要包括調查目標（Goal of Investigation）、調查動機（Motivation）、調查對象（Obiect of Investigation）、研究方法（Research Method）、實驗（Experiment）、實驗觀察（Observa-tion）、調查結果（Result）和調查結論（Conclu-sion）。2012年，Liakata M等以CISP本體為基礎進行了擴展，添加假設（Hypothesis）、模型（Mod-el）和背景（Background）3個概念，將該模型定義為核心科學概念（Core Scientific Concepts，簡稱Co-reSCs）模型。此外，一些國內學者開展了科學論文內容標注框架的研究。2017年，秦春秀等通過分析CNKI、萬方、維普數據庫中的科技論文的內容和結構，提出了一種基于知識元的科學論文標注框架，該框架包括了13類知識元（研究背景知識元、問題知識元、方法知識元等）及31個子類。王曉光等設計了科學論文功能單元標注框架，以句子級為標注對象將論文內容定義為28個類（背景、主題、緣起、已有研究、假設、方法、數據、結果等），并定義5個屬性來描述類的屬性，譬如知識類型、時態、來源、情感傾向和確定程度。

除了從篇章結構角度出發來描述科學論文的內容，也有學者從論證結構角度出發來描述論文的論證過程，構建本體或其他語義模型來描述論文中各篇章單元間的論證關系。博洛尼亞大學的Vitali F等于2011年提出了論證模型本體（The Argument Model Ontology，簡稱AMO），該本體以圖爾敏模型為原型，采用OWL2DL語言對該模型中的論證元素（主張、保證、根據、限定詞、支撐、例外）和相互問的論證關系進行了語義描述。此后，哈佛醫學院的Clark T等提出微出版模型（Mirco-publication，簡稱MP），主要用于描述科學論文的論證結構，定義不同的論證元素，比如數據、方法等概念，來證明科學論斷，并通過各種語義關系來關聯論文中的各類知識，如研究結論、事實等。美國波士頓馬薩諸塞綜合醫院的Paolo C等提出SWAN（Semantic Web Applications in Neuromedicine）本體，主要用于描述阿爾茨海默病領域論文的外部元數據及其內容，并將其與其他生物醫學資源庫中的知識相關聯。該本體定義了3個主要論證元素：研究聲明（Research Statement）表示科學論斷或假設、研究問題（Research Question）和評論（Com-ment），并通過一致（ConsistentWith）、不一致（In-consistentWith）、討論（Discuss）和替代（Alternative-To）語義關系來關聯各個論證元素。2020年，王曉光等參考AMO本體、微型出版物模型對科學論文論證過程的基本結構進行了表示，并復用DEO和CoreSCs模型構建了論證本體，該本體包括7個核心類、13個擴展類和15種關系，其中7個核心類基本為圖爾敏模型的論證元素，13個擴展類比如事實、相關研究、研究問題等。

總體來說，現有的論文內容描述框架多以篇章結構為基礎，從粗粒度和細粒度層面對論文內容組成部分進行表示和建模。但是這種關聯關系僅是篇章結構問顯性的關聯，面對海量的科學論文，科研人員迫切希望了解深層次的知識產生過程。因此，本研究從論證的角度，分析科學論文包含不同功能元素的句子、句子中的實體及句子的語境，借助圖爾敏論證結構模型，構建深入、全面地揭示科學論文內容信息的論證結構本體。

2科學論文論證結構分析

2.1波普爾知識增長理論

對于科學知識的產生與發展，20世紀著名的科學哲學大師卡爾·波普爾提出了知識增長理論。該理論認為，科學知識的增長不是靜止的，而是一個動態發展的過程，這個過程對應著一個動態研究模式，如圖1所示。

上述研究模式可以看出，波普爾強調知識增長始于問題（P1），科學問題是科學研究的最初發源地;問題出現以后，學者會提出一些針對性的解決方案，被稱為猜想或試探性理論（TT），這些理論是對科學問題的試探性答復。理論之間經過激烈競爭和相互批判，并通過一些決定性的試驗排除錯誤的知識，即進行證偽（EE），最后得出一個相對滿意的理論，進而提出新問題（P2），如此以往不斷循環深入，使科學知識呈螺旋式增長。

2.2科學研究過程及構成要素分析

科學論文是科研工作者對科學研究過程及其科學發現進行規范性描述的文本，其主要目的是實現科學交流和知識傳播。科學論文報道了科學知識的產生過程，符合波普爾的知識增長理論。基于波普爾知識增長理論，本文對科學研究過程及構成要素進行梳理和歸納，將科學研究過程劃分為：提出問題、提出假設、實驗與分析、研究總結和未來研究5個階段，如圖2所示。

從圖2可以看出，科學研究中的不同階段包含不同構成要素：提出問題階段是在已有研究基礎上通過分析和查漏補缺發現新的研究問題，由“前人陳述”“研究問題”和“研究目的”3個要素構成：猜想與假設階段是對科學問題的解決方案的大膽猜想，即“假設”：實驗與分析階段由“研究方法”和“研究結果”構成：研究總結階段表現為科學“結論”：未來研究設想階段則在科學“結論”的基礎上擴展為“新的研究問題”。針對科學研究過程中包含的這8種要素，本文對其進行了詳細定義，如表1所示。

上述分析表明，科學研究有一套系統、規范的流程，在不同階段由不同類型的要素構成。科學論文是科研工作者對科學研究過程及其科學發現進行規范性描述的文本，其中蘊含了對科學研究各階段構成元素的描述。因此，從科學論文中抽取出這些構成要素能夠重現科學研究的整個過程，反映科學研究的關鍵環節。

2.3科學論文論證結構模型

科學論文中包含的各要素并非扁平化的羅列，通常要遵循一定的論證結構，只有這樣才能說服讀者接收作者的科學觀點或科學發現，達到科學交流和知識傳播的目的。在針對自然語言論證的非形式邏輯中，最具有代表性的論證模型是20世紀50年代英國哲學家和教育學家史蒂芬·圖爾敏（Stephen Toulmin）提出的“圖爾敏模型”，如圖3所示。

通過圖3可知，圖爾敏論證模型由6個元素構成：理由（Grounds）、保證（Warrant）、主張（Claim）、支援（Backing）、模態限定詞（Modality）和例外（Re-buttals）。其中，“主張”是所要論證的命題，“理由”是論證命題的證據，“保證”是用來連接“主張”和“理由”之間的原則、規則或推論許可證，這3個是論證的基本要素，在每個論證中都會出現，構成論證的基本模式，即從理由（Grounds）出發，通過保證（Warrant）推出主張（Claim）。此外，該模型還包含“支援”“模態限定詞”和“例外”3個補充要素，其中“支援”是對“保證”的支持，“模態限定詞”是對“主張”確定程度的修飾，“例外”是指反例，這3個要素不是必須的，可以根據論證情況有選擇地使用。

本文基于圖爾敏模型來表示科學論文中各元素間的論證關系，形成科學論文論證結構模型，如圖4所示。在科學論文中，論文的“結論（Conclu-sion）”即為要論證的“主張（Claim）”：在關于“結論（Conclusion）”的陳述中，往往包含了反映其確定程度的副詞，譬如結論句“All of the Above Re-sults Suggested that Disturbed Cholesterol Homeostasisin Young Rats May Underlie the Deleterious Effects of Lead Induced Early AD-related Pathology”中的副詞“May”，這些副詞即為對“主張”的“模態限定詞（Modality）”;為了證明所提出的“結論”，科學論文中的“方法（Method）”和“結果（Results）”構成了論證中的“理由（Grounds）”，而科學論文中的“前人陳述（PriorStatement）”“問題（Problem）”“目標（Goal）”和“假設（Hypothesis）”則是由理由推出結論的“保證（Warrant）”。

因此，根據圖爾敏模型，可以將科學論文的論證結構表述為：首先提出研究問題，并在已有事實或理論基礎上進行合理的假設：然后通過實驗和分析，得出有價值的結論，該結論可能有限定因素。通過上述分析可以看出，采用圖爾敏模型來構建科學論文論證結構，不僅能夠細粒度展示科學論文包含的不同元素，而且能清晰地刻畫出論文內容的邏輯結構，提升科學知識的可信性。

3科學論文論證結構本體模型構建

3.1論證結構本體概覽

上節中構建的科學論文論證結構模型只是一個抽象模型，本節采用OWL本體語言對其進行形式化表示，規范定義模型中的論證元素及其關系，最終生成一個立體化、細粒度的科學論文論證結構本體，如圖5所示。

相較于MP本體和王曉光等構建的論證本體，本文構建的論證結構本體更全面、更細粒度地揭示了論文的論證結構，主要從語句、實體及語境3個層面來描述論文的論證結構：論證元素的粒度為句子級;陳述型論證元素（前人陳述、結論和結果）采用“實體—關系—實體”三元組來表示：以“確定程度”為對象屬性來描述結論，增加其語境信息。

科學論文論證結構本體主要復用了DEO、Nan-opublishing、AMO和MP這4個本體中的部分詞匯。DEO本體是由Shotton D等和Peroni S于2015年構建的語義出版與參考本體（Semantic Publishing and Referencing Ontologies，簡稱SPAR本體）家族中的一員，用于描述科學論文中的修辭要素，包括介紹、方法、材料、結果、參考文獻等。Nanopublishing本體是由概念網絡聯盟于2005年提出的納米出版模型的OWL本體版，用于對科學論文中的結論或觀點進行語義化描述，以“主—謂—賓”三元組形式表示最小無歧義的知識單元。AMO本體其實是圖爾敏模型的OWL本體版，由Vitali F等于2011年采用OWL2DL語言對圖爾敏模型進行語義化重構后生成。MP本體是哈佛醫學院的ClarkT等提出微出版模型（Mircopublication）本體，用于對論文中的論證元素及其關系進行語義描述。除了復用上述本體中的類和屬性之外，科學論文論證結構本體中還包含了自定義的類和屬性，采用前綴spsao（http：∥www.example.com/spsao#）表示。下面將對該本體中的主要類和屬性（關系）進行詳細介紹。

3.2論證結構本體的主要類和關系

科學論文論證結構本體中的主要類如表2所示，主要屬性如表3所示。

在科學論文論證結構本體中，最核心的類是spsao：Conclusion（結論），表示科學論文的最終結論，是AMO本體中amo：Claim（主張）類的一個子類。結論類具有屬性spsao：hasQualifier（確定程度），描述結論的確定程度，其值域是spsao：CerntainLev-el（確定程度）類。該類是AMO本體中amo：Qualifer（限定詞）類的一個子類，是一個枚舉類，只有Weakly（弱）、Moderately（中）和Strongly（強）3個值。同時，spsao：CemtainLevel（確定程度）類具有屬性amo：forces（對…強調），描述該類的強調對象，其值域為結論類。結論類還具有對象屬性amo：hasEvidence（具有證據…），描述支持該結論的證據，其值域是DEO本體中的deo：Result（結果）類。該類和deo：Method（方法）類均是AMO本體amo：Evidence（證據）類的子類，而且方法和結果之間是amo：supports（支持）關系。

spsao：PriorStatement（前人陳述）類、spsao：Problme（問題）類、spsao：Hypothesis（假設）類和spsao：Goal（目標）類4個類為AMO本體amo：War-rant（理由）類的子類，它們都是支持結論類的正當理由。其中，假設類為可缺省類，即論文中可能不包含假設這一論證元素。前人陳述和問題之間是amo：leadTo（引發）關系，問題和目標之間是spsao：produces（產出）關系，目標類具有對象屬性amo：leadTo（引發），其值域為spsao：Conclusion（結論）類;問題和假設之間是spsao：produces（產出）關系，假設類也具有對象屬性spsao：produces（產出），其值域為spsao：Conclusion（結論）類。

此外，spsao：PriorStatement（前人陳述）類和spsao：CurrentStatement（當前陳述）類均是MP本體中mp：Statement（陳述）類的子類，該陳述類具有對象屬性rdf：subject（主語）、rdf：predicate（謂語）和rdf：object（賓語），值域為spsao：Entity（主語、賓語實體/概念）和rdf：Property（關系類）。

3.3語義描述實例

基于構建的科學論文論證結構本體，以科學論文“Genetically Elevated Gamma-glutamyhransferaseand Alzheimer’s Disease”為例，采用手工方式對該論文中包含的論證元素及其關系進行語義標注，結果如圖6所示。

本文構建的實例命名空間為“@prefix ex：ht-tp：∥www.example.org/.”。案例論文從兩個前人陳述出發，發現了研究問題“γ-谷氨酰轉移酶和阿爾茨海默病之間的關系尚不清楚”，然后提出假設“腦膽固醇代謝紊亂是鉛暴露導致早期AD相關結果的發病機制中的一個候選病因”，通過一系列的實驗方法得到實驗結果，最后得到最終的研究結論，即“研究結果不能證實γ-谷氨酰轉移酶（GGT）對阿爾茨海默病（AD）風險的任何因果關系”，其包含的實體—關系—實體為“γ-谷氨酰轉移酶（GGT）—不能影響（cannot_effect）—阿爾茨海默病（AD）”，限定詞是“Strongly”表示論文得出的結論非常確定。

如圖6所示，通過基于科學論文論證結構本體的語義標注，可以將非結構化的科學論文文本轉換為結構化的RDF數據。生成的RDF數據可以采用關聯數據形式進行發布，以供讀者瀏覽和查詢。一方面可以幫助讀者快速獲得科學論文宏觀的論證結構：另一方面可幫助讀者精確定位細粒度的微觀信息，如研究結論、研究方法、研究假設等。此外，還可以進一步探索其他相關論文的信息。

4論證結構語義數據的應用

4.1論證結構語義數據應用框架

為了驗證所構建的科學論文論證結構本體，以5篇生物醫學領域實驗型論文為例，通過手工標注方式構建本體的實例數據，實現科學論文中論證要素及其論證關系的全方位語義關聯。首先，從論文的不同部分分別抽取出相應的論證元素：從“引言”章節中抽取出前人陳述、問題、假設和目的4項論證元素：從“結果”章節中抽取出方法和結果2項論證元素：從“討論/結論”章節中抽取出結論。接下來，基于構建的科學論文論證結構本體，將從論文中抽取出的論證元素轉換為RDF格式，各元素的值均是自然語言文本。對于“前人陳述”“結果”和“結論”這3種關于科學觀點或科學論斷的陳述，則被進一步轉換為“實體—關系—實體”三元組形式，“結論”的確定程度也被識別。

為了展示科學論文論證結構關聯數據的應用，本文設計了一個應用架構，如圖7所示。該架構在Windows環境下運行，采用Web瀏覽器/Web服務器/數據服務器3層架構，空心箭頭為數據輸入路線，實心箭頭為數據輸出路線。科學論文論證結構關聯數據集存儲在RDF三元組存儲器JeanaTDB中，通過RDF查詢服務器Jena Fuseki作為數據接口來接受外界的訪問。Tomcat作為Web服務器負責用戶請求的調度、SPARQL查詢語句的構建和查詢結果的格式轉換，以及Web頁面的發布。Web瀏覽器負責用戶輸入和關聯數據查詢與分析結果的展示。應用場景主要有兩類：基于內容的語義查詢和基于內容的知識可視化顯示。

4.2基于內容的語義檢索

語義檢索主要是基于科學論文論證結構關聯數據，有針對性地查詢科學論文中的特定論證元素，如前人陳述、假設、目的或結論等。查詢可以通過內置的SPARQL查詢模板來實現。本節列舉了以下3種主要的語義檢索方式。

1）查詢科學論文中的特定論證元素。通過查詢論文中的特定元素，譬如，查詢某一篇論文的研究結論，科研人員可以快速獲得其感興趣的信息，以提高查詢和閱讀論文的效率。

2）查詢科學論文中的特定實體。前人陳述、研究結果和研究結論均為科學陳述，因此被進一步轉換為“實體—關系—實體”的三元組表示形式。因此，可以查詢包含特定實體的論證元素及其所在論文，譬如，查找在結果和結論中包含了“γ-谷氨酰轉移酶（GGT）”實體的科學論文。

3）查詢具有某種確定程度的科學論文結論。可以查詢論文中具有不同確定程度（強、中、弱）的結論，以便獲得精準的科學知識。

圖8所示為查詢具有某種確定程度的結論及其來源論文的SPARQL查詢語句，矩形框內的值為結論的確定程度，可以是：Weakly（弱）、Moder-ately（中）和Strongly（強），用戶可以根據自己的需求選擇不同的查詢限制。檢索結果如圖9所示，檢索到的兩篇科學論文的結論分別采用“might”和“maybe”這樣的限定詞，說明這兩個結論的不確定性，從而幫助讀者判斷科學知識的準確性。

4.3基于內容的知識可視化分析

科學論文中的知識往往分散在論文不同章節之中，通過對科學論文論證結構進行語義表示，可以將論文中的知識結構化和顯性化。在此基礎上，可以采用可視化技術以圖形化方式更加生動、形象地展示科學論文的知識，幫助用戶更好地理解和利用語義數據，進一步發現其中隱含的規律。面向科學論文論證結構關聯數據可視化方式主要有兩種：①論文論證結構的可視化：從宏觀角度出發，概覽一篇科學論文整體的論證結構;②論文中實體—關系的可視化：從微觀角度出發，展示一篇科學論文內部實體間的語義關系。

本節聚焦于實體—關系可視化方式，以實例展示一篇科學論文中包含的簡單實體—關系網絡。首先，查詢一篇科學論文中陳述的實體及其關系，即“前人陳述”“結果”和“結論”這3個論證元素中包含的“實體—關系—實體”三元組，對應的SPARQL查詢語句如圖10所示。在分別得到這3個論證元素的RDF三元組數據后，將該數據轉換為圖形格式并返回給瀏覽器，在Web客戶端以網絡圖方式展示實體—關系網絡，如圖11所示。從圖中可以看出，該論文中“前人陳述”“結果”和“結論”這3個論證元素中包含的實體—關系構成了一個簡單的研究邏輯，即前人研究過“γ-谷氨酰轉移酶（GGT）和認知能力的關系”，而“認知能力”又與“阿爾茨海默病（AD）”相關，作者通過實驗得出結果之一“GGT相關的26單核苷酸多態性與AD不相關”，最終得出結論“γ-谷氨酰轉移酶（GGT）不能影響阿爾茨海默病（AD）”。

5結語

本文提出了一種面向科學論文內容的論證結構本體，該本體詳細定義了科學論文中包含的多種論證元素、陳述型論證元素的實體—關系表示及論證關系，使科學論文的內容結構顯性化、模塊化，可以有效促進科學交流和科學研究。本文首先基于波普爾知識增長理論來解釋科學研究的過程，從而總結出科學論文中包含的7種論證元素：前人陳述、問題、假設、目的、方法、結果和結論。然后，基于圖爾敏模型對論證元素間的論證關系進行語義建模。在復用DEO、AMO、Nanopublishing等本體的基礎上，采用OWL語言構建了科學論文論證結構本體模型，并通過一篇科學論文實例展示了該本體對論文中的論證元素及其論證關系進行語義描述的結果。此外，在語義描述的基礎上，通過基于內容的語義檢索、語義數據可視化等實驗，展示了科學論文論證結構語義化表示的應用效果。在后續研究中，擬采用自然語義處理與文本挖掘技術自動識別科學論文中的論證元素及其論證關系，實現對科學論文內容及結構的自動語義標注，以期構建面向知識服務的科學交流系統。

（責任編輯：郭沫含）