基于社會網絡分析的生物醫學領域跨學科關聯關系特征

姚曉杰，屈文建，龔花萍，陳東有

(南昌大學管理學院，江西 南昌 330031)

現代科學的發展，知識協同是促進知識技術創新發展的重要途徑[1]，跨學科已經成為當代科學發展的時代特征。近些年來人工智能、納米技術、神經系統科學、生物信息學等學科領域，均呈現出極高的綜合跨學科特征。不同學科之間通過相互融合、滲透，引發了社會重大的科技創新。同時，科學研究也逐步呈現出高度綜合的跨學科特征。學科交互融合為原創性科學成果提供了原始動力[2]。學者之間的科研合作也越來越體現跨學科交叉的動態趨勢。學科間的交互交融，有效地促進科學研究的創新效率提升。如何更好地促進不同學科之間的交叉，是跨學科研究亟需解決的問題。對于特定研究領域中學科關聯關系的研究，有助于有效促進學科知識之間的交互效率，因而成為學者們關注的焦點。

“跨學科”(interdisciplinary)是由美國心理學家伍德沃思最早提出，是指涉及兩個或兩個以上學科的實踐活動[3]。國內外學者對跨學科交叉的研究集中在兩個方面：一方面是對學科交叉程度的研究。學者們從期刊的學科性、學科集成及論文產出等視角對交叉度進行度量。Leydesdorff等研究期刊中學科交叉性的指標包括多樣性、中心性和引文[4]。黃穎等從學科集成、學科專業化和學科擴散三個指數維度對跨學科性進行研究[5]。另一方面是對跨學科關聯關系的研究。以往學者在引文關系、合著關系、共詞分析及聚類分析等方面展開了大量研究[6-7]。Reis等通過研究人員的合作探討了通信和信息科學各領域之間的跨學科關系[8]。謝成等通過共詞分析法，構建信息科學、經濟學與管理學的學科關聯[9]。

然而，目前在跨學科交叉關系方面的研究，學者大都采用文獻計量方法，局限于某一個研究角度，較少全面系統地探討跨學科的關聯特征。基于此，本文運用社會網絡分析的研究方法，從三個角度分別探測不同學科及主題在合作交互網絡中的結構地位，對跨學科網絡中的學科及主題進行影響力識別，以及探測學術群網絡聚類特征。本研究對于拓展跨學科領域研究，以及對學者開展多學科合作、形成重大跨學科交叉團隊提供有益借鑒。

1 原理及方法

為更好地探求生物醫學領域不同學科主題的關聯關系特征，本文基于復雜網絡理論，主要運用主題識別、網絡中心度分析及塊模型分析方法，揭示該領域的跨學科網絡結構特征、識別出關鍵學科及共同關注的研究主題。

1.1 主題識別

在某一特定研究領域，主題代表學科范圍內相關文獻的研究內容[10]。主題識別又被稱為主題提取，通過對大量文本信息處理，幫助用戶快速有效地獲取關鍵內容[11]。詞頻-逆向文件頻率值(TF-IDF)作為一種統計加權技術，常被用于信息檢索提取及文本挖掘的運用[12]。TF是基于單一文檔，統計在文檔中某一詞語的出現頻率。IDF則是根據全部文檔的統計分析，衡量詞語的常見程度。TF-IDF計算公式如下：

(1)

其中，dj表示一篇文檔，|D|是文檔總數。nij代表詞語在文檔中的頻次，nkj代表文檔中所有詞匯的頻次。本文對主題詞的提取，采用python的TF-IDF術語加權算法實現，來識別生物醫學領域學科研究主題。其中，TF統計生物醫學領域不同學科主題的頻率，IDF衡量主題詞的普遍重要性。

1.2 關聯網絡構建

基于社會網絡分析，構建學科及主題之間的關聯網絡，研究學科主題的網絡拓撲結構。社會網絡分析使用量化方式描述節點之間關系，關注行動者之間的二元屬性關系，并把關系表達為一種模式或規則，來反映社會結構，從而進行結構關系的量化[13]。它側重于研究社會關系的結構和各種關系，實現對關系的測量及可視化。社會網絡關系表達式如下：

(2)

其中，v和g分別為點集和邊集，m和n分別為網絡邊數和節點數。本文跨學科關聯結構網絡中，節點表示不同的學科或主題。邊則是節點間的連線，代表兩個學科(或主題)間的合作關聯。邊的權重代表合作強度。

1.3 網絡中心度

衡量節點在網絡中的重要程度的指標是網絡中心度，通過節點值的測量識別其在結構網絡位置上的影響力[14]。根據度中心度和中介中心度指標探測節點的重要程度，測度主題在結構網絡中的影響力。度中心性是測度節點重要性的最直接指標，反映與網絡中其他節點直接聯系的緊密程度。度中心性的值越大，表示在網絡中的權利地位及影響就越大，能夠有效影響網絡中其他行動者[15]。度中心性Dc(i)，公式表示為：

(3)

其中n表示網絡中的節點總數，i表示某一節點。在學科主題網絡中，某一學科主題的度中心度越大，表明其與其他主題之間存在直接交互關系越強，在網絡中直接影響越大。

中介性可以評價某一節點在網絡中的媒介作用，通過中介中心度測度，識別節點在網絡結構中的間接影響力。節點i的中介中心性CC(i)公式為：

(4)

公式(4)中，n和dij分別表示節點數量和點i與點t之間的最短路徑。中介中心性高的主題通常在該學科領域發展中承擔橋梁和中介作用，也是連接不同研究方向的關鍵主題。

1.4 塊模型分析

本文運用塊模型分析方法對學科主題進行凝聚子群劃分，并分析子群內部及子群間的關聯關系。塊模型是一種通過對行動者進行取值和分類的技術，來研究不同行動者的網絡位置關系的分析方法[16]，包括密度矩陣和相應的圖像矩陣的構建。本文運用CONCOR算法迭代相關矩陣計算得到主題詞塊矩陣結構，從而實現學科子群的層次劃分。在子群劃分的基礎上，通過像矩陣值，研究子群內部及彼此之間的關系模式，得出不同子群的層次結構地位。與傳統聚類分析不同[17]，塊模型分析更適用網絡關系的聚類，探討聚類之間的關系。

2 實證分析

科研機構成員的跨學科合作，可以更好地促進科研創新發展。生物醫學作為一個綜合交叉研究領域，涵蓋醫學、生命科學和生物學等多個學科，具有明顯的學科交叉特征。為了更好地探析該領域學者的跨學科合作現狀，本文以生物醫學科研機構為實證對象，探析領域內不同學科主題的網絡關聯關系特征。

2.1 數據獲取

選取上海交通大學Bio-X研究院機構所有成員發表的論文為數據樣本，因為該研究團隊在生物醫學跨學科研究領域具有較好的代表性。對WoSTM核心合集中的SSCI和SCI兩個數據庫進行檢索，檢索條件限定機構為“Shanghai Jiao Tong Univ，Bio X Inst”。為跟蹤生物醫學近十年的跨學科現狀，檢索時間限定為2011-2020年。將下載的文獻去重、清洗，最終獲取238篇有效數據，將獲取得到的TI、AU、DE、WC等文獻字段數據存儲在MySQL數據庫中。分別運用Python、Ucinet軟件，進行主題提取、測算網絡結構指標值，并進行網絡可視化。

對238篇學者科研合作發文數據統計，得到近十年來生物醫學領域學科類別分布共有57種，可能存在著關聯關系。從學科發文量來看，獲得了該領域中主要學科類別。對應的學科類別發文量和總發文量占比如圖1(a、b)所示。從圖中可以看出，遺傳學與遺傳排第一位，占總發文的18.75%。其次是神經科學(14.06%)和精神病學(13.67%)。根據“二八定律”在學科類別分布中占比超過百分之八十的學科類別有6個，除了遺傳學與遺傳、神經科學、精神病學外，還包括生物化學與分子生物學、多學科科學及藥學。從所屬學科大類來看，主要集中分布在醫學、生物學及藥學三個大學科。這表明了在學科交互合作網絡中生物醫學成員機構具有廣泛的跨學科關聯，但是存在核心交互學科。這與生物醫學在神經科學和遺傳學領域的實際地位和影響是一致的。

圖1 生物醫學成員機構WoS跨學科發文量(a)和其對應的占比(b)

2.2 整體關聯網絡構建

2.2.1 學科分類關聯網絡

Web of ScienceTM數據庫中期刊論文被歸并劃分為一個或者多個學科類別。學者常常采用WoS學科類別來表征不同學科[18]。本文對每條記錄提取文獻的WoS學科分類，構建學科類別共現矩陣，得到生物醫學WoS學科分類的結構網絡關聯圖(圖2)。在該圖中節點和連線分別表示學科類別和學科類別之間的關聯關系。節點大小代表網絡中的核心邊緣地位，節點越大表明在網絡中的關聯程度越大。可以看出，“Genetics & Heredity遺傳學與遺傳”、“Neurosciences神經科學”、“Biochemistry & Molecular Biology生物化學與分子生物學”、“Pharmacology & Pharmacy藥學”、和“Cell Biology細胞生物學”處于網絡中間位置，關聯程度最大。處于最外層結構位置的學科分類數量最多，尤其是“Physics Applied應用物理學”、“Nanoscience & Nanotechnology納米科學和納米技術”、“Materials Science，Multidisciplinary材料科學多學科”三個學科類別之間獨立形成關聯網絡，而不與學科相互關聯。通過對學科網絡結構位置分析，表明不同學科類別在結構關聯網絡中處于不同位置層次，越處于中間位置的，越與其他學科具有更多的關聯關系。生物醫學成員組織在網絡中間的位置相對集中，交互關系更為密切，但是外圍學科交互比較松散。這也反映了生物醫學研究院最早是在在神經精神病學、人類遺傳科學和生命科學的基礎上建立起來的跨學科團隊。生物化學、納米科學、計算生物學及生命科學雖然關聯性較小，也在豐富生物醫學成員的結構，體現了生物醫學跨學科發展的趨勢。同時，它反映了生物醫學融合生物化學、納米技術及計算機科學多個學科領域的跨學科的特點。

圖2 基于WoS學科分類的關聯結構網絡圖

2.2.2 主題內容關聯網絡

主題作為文獻內容的一個重要組成部分，通過分析可以獲取某一主題研究領域的學者關注熱點及發展趨勢。本文運用python進行摘要文本主題詞識別，最終得到22個高頻主題。如圖3所示，通過構建主題共現矩陣并可視化，得到學科主題交互關聯結構網絡圖。主題節點“Schizophrenia精神分裂癥”、“Major Depressive Disorder抑郁癥”、“Case-Control Study病例對照研究”、“Single Nucleotide Polymorphisms單核苷酸多態性”處于網絡結構核心位置，具有較多的關聯關系。為了考察網絡中各節點之間的整體關聯程度，進一步測算整體網絡密度。數值越接近1，代表成員間關聯程度越緊密。主題網絡密度結果為0.562，表明生物醫學不同學科主題間的網絡關聯程度整體不強。圖中比較可以看出，生物學和醫學的主題關聯強度最大，這也表明不同學科主題的關聯性程度不同。

圖3 基于主題內容的關聯結構網絡圖

2.3 影響力識別

3.3.1 學科分類影響力識別

基于總被引頻次對學科分類進行測度，識別得到高影響力的學科，結果見圖4所示。可以看出，影響最大的是學科是“Cell Biology細胞生物學”，值為1263，占所有學科總被引頻次的21.55%；其次是“Biochemistry Molecular Biology生物化學與分子生物學”總被引頻次是958，占比為16.34%；“Oncology腫瘤學”總被引頻次是640，占比為10.92%。

圖4 基于被引頻次的學科分類影響力識別

基于h指數對學科分類進行的測度，對交互學科影響力進行識別，結果見圖5所示。可以看出“Genetics Heredity遺傳學與遺傳”h指數值明顯最高17，影響最大。居于第二、三位的分別是，“Biochemistry Molecular Biology生物化學與分子生物學”、“Neurosciences神經科學”。同時發現學科的h-index與衡量學科影響的篇均被引次數趨勢基本保持一致。在篇均被引統計分析中，細胞生物學值(151.41)明顯高于其他學科，具有較大的影響。

圖5 基于h指數的學科分類影響力識別

與傳統的文獻計量指標總被引頻次相比，h指數可以更好地評估學術的數量與質量綜合水平。圖4、5比較，發現生物化學與分子生物學在總被引頻次和h指數都具有較大的影響力。細胞生物學總被引值最高，但是h指數指標較低。遺傳學與遺傳h指數值較高，但是被引頻次中排在第7位。

2.3.2 主題影響力識別

運用Ucinet對主題關聯網絡中的節點，進行中心性測量。點度中心度和中介中心度結果，如表1、2所示。表1可以看出“精神分裂癥”、“抑郁癥”及“病例對照研究”的點度中心度值居于前三位，分別為30、19和12，表明這三個主題在學科主題整個網絡結構中，具有較大的直接影響力。與其他主題的直接關聯關系較強，處于網絡中的關鍵核心地位，是該領域學者研究的熱點。特別是“精神分裂癥”居于第一位，并且中心度值明顯高于其它節點，說明該主題是生物醫學領域不同學科共同關注的重點內容。表2中，“單核苷酸多態性”中介中心度值最高，值為64.00，其次是“精神分裂癥”、“多囊卵巢綜合征”，值分別為49.45、42.00。表明該三個主題在網絡結構中發揮著較大的中介橋梁作用，具有較強的間接影響力。其他主題依賴它們的媒介作用來實現網絡中的相互關聯。尤其是前三位的中介中心度值明顯高于其他節點，也表明了“單核苷酸多態性”、“精神分裂癥”、及“多囊卵巢綜合征”，目前在該研究領域中具有不可替代的橋梁關聯作用。

表1 基于點度中心度的主題內容影響力識別

表2 基于中介中心度的主題內容影響力識別

2.4 主題塊模型分析

運用塊模型來分析生物醫學領域不同學科主題之間的網絡聚類關系。通過對學科主題網絡進行結構分區，得到7個凝聚子群。將不同的主題群進行學科歸屬，形成四大學科群。結果如表3所示。從學科主題歸類來看，醫學-生物學-藥學群在抑郁情感障礙及藥理學形成集聚，該學科群最大。而醫學-生物學、醫學-數學學科群相對較小。

表3 學科主題塊模型劃分

如表4所示，對7個主題模塊，進行模塊內以及模塊間的親密關系及關聯程度測度，得到密度矩陣和像矩陣值。可以看出，密度矩陣密度最大的兩個模塊是第5和第3模塊，值分別是2.00、1.33，說明這兩個模塊在學科主題關聯網絡中內部關聯程度最為緊密。從像矩陣結果，可以得到學科主題模塊外部及內部間關聯關系。根據主題模塊內外之間的關聯，構建主題模塊關聯圖，如圖6所示。可以看出，醫學-生物學群中的第1、2模塊、醫學-生物學-藥學群中的第3模塊和醫學-數學群中的第5模塊存在模塊內部的主題關聯關系。同時，第1模塊又與第3、4模塊產生模塊之間主題交互關系。第6、7模塊關聯關系為0。特別是第1主題模塊的“精神分裂癥”“遺傳關聯”，在模塊內外都有交互關系，在網絡交互結構中發揮著重要作用。

表4 密度矩陣和像矩陣

圖6 跨學科主題模塊關聯關系圖

塊模型結果表明，不同學科之間的距離和密切關系形成了具有一定層次差異性的跨學科關聯網絡。在結構化的多學科協同網絡中，學科及主題之間存在著一定的交互關系，但交互關系又分為不同的結構層次。同時，也表明主題領域機構學者之間開展的跨學科合作，其關系網絡表現出差異性，存在明顯的強弱差異。同一個結構層次內部的交互作用較強，而結構層次之間的交互作用較弱。

3 結論

本文基于社會網絡和塊模型分析，分別從WoS學科分類與主題兩個維度，在交互網絡拓撲結構特征、學科主題影響力及學科群聚類關系特征三個層面上，揭示了生物醫學主題研究領域科研協同中的跨學科關聯關系特征。主要研究結論如下：

(1)學科主題關聯關系在網絡結構上呈現親近-疏遠的差異特征。生物醫學領域關聯的學科范圍較廣，但整體交互關系較弱，一些學科處于孤立位置。從網絡結構特征來看，核心學科和邊緣學科分化嚴重。在學科分類網絡中，遺傳學與遺傳、神經科學、藥學、生物化學及細胞生物學處于網絡結構核心位置，與其他學科類別有較多的關聯特性。主題關聯網絡中的精神分裂癥、抑郁癥及單核苷酸多態性處于網絡核心位置，是生物醫學領域的研究熱點。這與生物醫學在神經科學和遺傳學領域的實際地位和影響是一致的。

(2)交互關聯的學科主題中，具有高影響力的學科及共同關注的研究主題。從學科類別的計量指標來看，生物化學與分子生物學、神經科學在該學術領域具有較大影響，成為主要學科交叉點。從學科主題的節點中心性指標來看，精神分裂癥和單核苷酸多態，在關聯網絡中與其他主題直接關聯關系最大，也發揮著重要的媒介影響作用，成為不同學科共同關注的熱點。這些關鍵學科在科研合作中，占有和控制著絕大多數的科研資源。

(3)跨學科關聯合作網絡形成了不同的學科主題凝聚子群，關聯關系表現出結構層次差異。基于塊模型分析，對跨學科主題進行網絡聚類，得到7個模塊，進而形成醫學-生物學、醫學-生物學-藥學、醫學-數學以及醫學-生物學-化學-物理學四個學科群。同時在模塊內部以及模塊之間形成了強弱不同的關聯關系。不同學科關聯網絡中，較易在親緣關系學科中形成團聚關聯。

本文對于跨學科關聯關系特征的研究，對于深入理解主題研究領域跨學科科研合作具有重要意義。從理論的角度，這在一定程度上豐富了跨學科理論研究。在實踐上，為主題研究領域開展多學科科研協作，形成重大跨學科團隊提供參考。科研人員開展積極有效的跨學科科研合作，要注重與相近學科開展合作。隨著不同學科知識交互，衍生出新的學科知識增長點，從而提升科研創新效率。此外，需要提升政策在跨學科合作中的推動作用。由于學科知識界限的阻礙，一些邊緣學科較難實現學科交互。可以通過重大聯合交叉科研項目、聯合資助等的激勵政策，鼓勵各個學科領域開展有效的跨學科科研合作，從而更好地實現科學研究上的突破。