融合Altmetrics指標的領域高產學者綜合影響力研究

宋艷輝　魏新星　邱均平

關鍵詞： 高產學者； 學者影響力； Ａｌｔｍｅｔｒｉｃｓ 指標； 評價指標

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０１．０１４

〔中圖分類號〕Ｇ２５０.２５２ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０１－０１５３－１５

２０２０ 年《中共中央關于制定國民經濟和社會發展第十四個五年規劃和二0三五年遠景目標的建議》中指出， 要激發人才創新活力， 貫徹尊重勞動、尊重知識、尊重人才、尊重創造方針， 深化人才發展體制機制改革， 全方位培養、引進、用好人才， 造就更多國際一流的科技領軍人才和創新團隊， 培養具有國際競爭力的青年科技人才后備軍?，F今， 論文發表的數量已經成為衡量學者和機構對科學研究作出貢獻的一個重要依據［１］ 。并且隨著研究的深入和擴展， 科研人員為促進彼此之間資源共享、提高科研攻關能力而越來越多地采取合作科研的方式［２］ ， 因此論文合著現象越來越普遍， 這有效提高了學者的科研產出量， 在領域內也逐漸形成了高產學者群。各個不同研究領域匯集著不同的學者群體， 而高產學者群是其中的骨干力量， 在科研工作中發揮著關鍵的導向作用， 能夠推動該領域研究的繁榮與進步。普賴斯最早注意到高產作者研究的重要性， 他在１９６９ 年發表的《小科學， 大科學》一書中指出： 撰寫全部論文一半的高產作者的數量等于全部科學作者總數的平方根， 這就是著名的普賴斯定律［３］ ， 該定律是文獻計量學領域獲取主要學者分布數據的理論基礎［４］ ， 并被學者們在甄別高產學者時廣泛使用。評估高產學者的影響力有利于推動學者研究的積極性， 也可為上級引進優秀人才提供參考［５］ 。普賴斯定律對高產學者的定義已經通過科研產出量這一單一指標對學者的影響力進行了一定的評判， 但合理的學者影響力評價方法在評價學者科研產出絕對數量的基礎上還應考慮科研成果的質量， 對學者進行多維度的綜合影響力評價研究。學者綜合影響力是學者獲得學術界和社會大眾的重視及影響他們的作用力， 包括科研影響力和社會影響力， 對高產學者的綜合影響力展開評價， 可以甄別領域內真正高質量的高產學者， 幫助學者摒棄唯發文量至上的觀念， 促進領域研究的進步， 切實提升論文質量， 也能為政府引進優秀人才， 打造領先科研團隊， 從而推動地區領域研究攀上新高度提供有效參考。

以往對于學者的影響力評價大多以傳統文獻計量指標為主。而近些年來， 越來越多研究采用Ａｌｔ?ｍｅｔｒｉｃｓ 指標來評價學者的影響力， Ａｌｔｍｅｔｒｉｃｓ 指標用于學者影響力評價的科學性和有效性已經基本得到證實， 并且大部分學者認為Ａｌｔｍｅｔｒｉｃｓ 指標主要適用于學者的社會影響力評價［６］ 。Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ 是Ａｌｔｍｅｔｒｉｃｓ 指標數據的主要搜集來源之一， Ａｌｔｍｅｔ?ｒｉｃｓ．ｃｏｍ 會追蹤記錄包括Ｎｅｗｓ、Ｂｌｏｇ、Ｐｏｌｉｃｙ Ｄｏｃｕ?ｍｅｎｔ 等約２０ 項指標， 并給這些指標賦予一定的權重， 從而計算加權的Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ。自２０１２ 年１０月， Ｎａｔｕｒｅ 雜志及其子刊開始對其２０１２ 年１ 月１日及之后發表的論文開始實時在線統計， ＮａｔｕｒｅＭｅｔｒｉｃｓ 為Ｎａｔｕｒｅ 的每一篇研究論文提供ＣｒｏｓｓＲｅｆ 數據（ＤＯＩ 文獻的被引用情況）、Ｗｅｂ ｏｆ Ｓｃｉｅｎｃｅ 引用數據和在線關注數據（Ａｌｔｍｅｔｒｉｃｓ）［７］ ， 并提供Ｏｎｌｉｎｅ Ａｔｔｅｎｔｉｏｎ Ｓｃｏｒｅ（Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ）。由于Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ的評分標準歷史上發生過幾次變更， 并且官網也存在很多不夠透明的信息， 所以僅根據Ｏｎｌｉｎｅ Ａｔｔｅｎ?ｔｉｏｎ Ｓｃｏｒｅ 不足以判斷某篇論文的社會影響力或水平， 需要對各項Ａｌｔｍｅｔｒｉｃｓ 指標做進一步分析。

本文以Ｎａｔｕｒｅ 生物科技子刊為例， 為深入了解該領域高產學者的綜合影響力， 選取了反映學者學術水平和科研合作程度的一系列傳統指標作為待選指標， 同時融合Ａｌｔｍｅｔｒｉｃｓ 指標， 以３ 本Ｎａｔｕｒｅ生物科技子刊的官網為數據源， 試圖從高產學者的科研影響力和社會影響力兩個維度構建其綜合影響力評價指標體系。通過相關性分析、因子分析、主成分分析等方法分別對高產學者的科研影響力和社會影響力進行評價， 并分析兩個維度間的相互關系，最后得到高產學者影響力的二維評價結果。

１ 國內外研究現狀

１.１ 基于傳統文獻計量指標的學者影響力研究

目前， 較多研究側重從學者的學術、科研水平角度， 基于傳統的文獻計量指標對學者的影響力進行研究。２００５ 年， 美國物理學家Ｈｉｒｓｃｈ Ｊ Ｅ［８］ 基于學者與其文獻間的內在關聯， 率先提出一項旨在評價科研學者科研績效的新指標———ｈ 指數（ｈ－ｉｎ?ｄｅｘ）。ｈ 指數隨即風靡世界的學術圈， 成為學術界被廣泛應用的計量指標， 并催生出一些新的ｈ 型指數。２００６ 年， 比利時計量學家Ｅｇｇｈｅ Ｌ［９］ 在分析ｈ指數評價效果時， 提出了一種基于學者以往累積貢獻的ｇ 指數（ｇ－ｉｎｄｅｘ）； 同年， 金碧輝等［１０］ 提出了Ｒ 指數和ＡＲ 指數， 作為ｈ 指數的補充指標。隨著對學者影響力的研究越來越全面， 學術文獻測度指標也逐漸完善。葉鷹［１１］ 圍繞發文量和引用量這兩個基本的學術文獻評價指標， 將學術文獻評價指標歸納為均值測度指標（篇均被引頻次、期刊影響因子、皇冠指數［１２］ 、活動指數［１３］ 、相對特化指數［１１］ 、引發距［１１］ 、ｈ 指數）、高影響特征測度（Ｒ 指數［１０］ 、ｅ 指數［１４］ 、ＡＲ 指數［１０］ 、調和ｈ 指數［１５］ ）、整體綜合測度（調和Ｒ 指數［１５］ 、學術跡［１１］ 、集成影響因子［１６］ ）３ 類。學者們采用這些傳統的文獻計量指標對學者的影響力進行了眾多實證分析。邱均平等［１７］認為， 將核心期刊的發文量和ｈ 指數相結合的方法在篩選高影響力作者時具有優勢， 并通過對圖書情報學領域的實證研究證明了該方法的有效性。劉萍等［１８］ 則在考慮傳統引文指標的同時， 基于構建的加權文獻引文網絡模型， 收集圖書情報學領域的１６ 種重要期刊文獻數據， 利用引文對該領域的學者文獻影響以及學者學術影響力分別進行了綜合測度。

由于科研合作和跨學科研究的流行， 測度學者科研合作行為的計量指標也不斷涌現， 如合作度［１９］ 、合作率［２０］ 、合作系數［２１］ 這些常用指標。進一步地，Ａｎｄｒáｓ Ｓ［２２］ 參照ｈ 指數的設計思想， 同時考慮合作學者的數量及合作頻次， 提出了評價學者科研合作水平的新指標： 合作能力指數， Ｇｕｉｌｌａｕｍｅ Ｃ［２３］ 驗證了該指數在計算機領域的適用性。不少學者也研究了合作能力指數與傳統文獻計量指標之間可能存在的關系。Ｒｏｎａｌｄ Ｒ［２４］ 指出“合作能力指數及其衍生指標在計量學領域、社會科學領域中具有潛在研究價值”。國內學者王衛等［２］ 通過對圖書情報領域５２２ 位作者的實證分析， 得到合作能力指數與作者科研績效指標（發文量、總被引、ｈ 指數）存在正相關關系， 而合作度、合作率、合作系數這些指標卻不具備上述特征的結論。

還有一部分研究在傳統文獻計量指標的基礎上， 引入了社會網絡分析的觀點對學者的影響力進行研究。余波等［２５］ 選取了社會網絡分析方法的點度中心度、中介中心度、接近中心度的測度指標，同被引頻次、學者發文數等傳統文獻計量指標作為二級評價指標測度中國學術話語權。范如霞等［２６］則結合發文量和度數中心度兩個指標分別測度學者在不同時間維度下的個人影響力和在團隊的影響力，以補充學者的動態學術影響力測評。

根據以上回顧總結， 梳理的評價學者影響力傳統指標如表１ 所示。

１.２ 基于Ａｌｔｍｅｔｒｉｃｓ 指標的學者影響力研究

開放科學背景下， 在線學術交流日益盛行， 傳統的學術評價方式已不能全面反映學術成果的多維度影響。美國學者Ｊａｓｏｎ Ｐｒｉｅｍ 在２０１０ 年首次于Ｔｗｉｔｔｅｒ 上使用“Ａｌｔｍｅｔｒｉｃｓ” 一詞， 并將其視為對傳統文獻計量指標的補充。經歷了兩年熱議后，Ａｌｔｍｅｔｒｉｃｓ 指標因其客觀性、時效性和開放性得到驗證而逐漸受到學者們的廣泛關注［２８］ 。

應用Ａｌｔｍｅｔｒｉｃｓ 指標評價學者影響力的研究越來越多。Ｌｉ Ｘ 等［２９］ 以Ｎａｔｕｒｅ 和Ｓｃｉｅｎｃｅ 雜志上的論文為樣本， 將ＷｏＳ、Ｇｏｏｇｌｅ 的被引數據與ＣｉｔｅＵ?Ｌｉｋｅ、Ｍｅｎｄｅｌｅｙ 兩個平臺上的讀者數據進行相關性分析， 結果表明讀者數指標適用于論文學術影響力評價。郭穎等［６］ 在分析國外Ａｌｔｍｅｔｒｉｃｓ 指標來源平臺的基礎上， 從國內相似平臺的代表性平臺： 知網、科學網、微信公眾號、微博、百度百科以及新聞提及中選取Ａｌｔｍｅｔｒｉｃｓ 指標， 構建評價指標體系，用于我國學者的影響力評價。楊柳等［３０］ 則以機構知識庫為數據源， 分別基于標準化Ａｌｔｍｅｔｒｉｃｓ 得分、Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ、標準化被引得分３ 種方法進行學者影響力評價。

目前， Ａｌｔｍｅｔｒｉｃｓ 指標的研究工具主要有Ａｌｔ?ｍｅｔｒｉｃｓ． ｃｏｍ、ＩｍｐａｃｔＳｔｏｒｙ、Ｐｌｕｍ Ａｎａｌｙｔｉｃｓ 和ＰＬｏＳＡＬＭｓ， 各種研究工具在評價對象、面向用戶、獲取方式和服務形式上都存在著異同［３１］ 。本研究使用最常用的Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ 作為Ａｌｔｍｅｔｒｉｃｓ 指標的研究工具， 依靠點擊每篇Ｎａｔｕｒｅ 論文的簡介網頁中的“Ｍｅｔｒｉｃ” 按鈕從而跳轉至Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ。

１.３ 結合傳統計量指標和Ａｌｔｍｅｔｒｉｃｓ 指標的學者影響力研究

隨著對學者影響力的研究日益深入， 學者影響力的評價從單一指標向多維指標轉變， 許多學者采用傳統計量指標和Ａｌｔｍｅｔｒｉｃｓ 指標相結合的方法對學者的綜合影響力進行探究。王妍［３２］ 從學術維度和社會維度兩方面測度學者影響力， 選取傳統引文指標和Ａｌｔｍｅｔｒｉｃｓ 指標為待選指標， 通過因子分析法得到分別代表學術影響力和社會影響力的兩個公因子， 將這兩個因子投射到二維直角坐標系中， 以反映學者的科研角色。王菲菲等［３３］ 為研究基因編輯領域學者的綜合影響力， 分別選取調和ｈ 指數、調和Ｒ 指數等作為學術文獻影響力的二級指標，選?。粒欤簦恚澹簦颍椋?Ｓｃｏｒｅ 均值、Ａｌｔｍｅｔｒｉｃ－ｈ 指數、Ａｌｔ?ｍｅｔｒｉｃ 各項均值作為社會影響力的二級指標， 探究多類指標對各維度影響力的作用程度。

通過實證分析學者們也證實了Ａｌｔｍｅｔｒｉｃｓ 指標對傳統計量指標的有效補充作用。Ｔｏｒｒｅｓ－Ｓａｌｉｎａｓ Ｄ等［３４］ 比較了傳統計量指標引文量和Ａｌｔｍｅｔｒｉｃｓ 指標的關系， 研究表明被引量最高的論文Ａｌｔｍｅｔｒｉｃｓ 得分也最高， 得到被引量和Ａｌｔｍｅｔｒｉｃｓ 得分之間具有正相關關系的結論。劉曉娟等［３５］ ， 獲得Ｍｅｎｄｅｌｅｙ與Ｗｅｂ ｏｆ Ｓｃｉｅｎｃｅ 兩平臺的交叉文獻集合， 通過具體分析證實了以閱讀數和標簽數為代表的選擇性計量指標可以在一定程度上評估文獻的影響力。范少萍等［３６］ 對比僅使用學術跡進行學者學術影響力的評價結果發現， 學術跡與Ｆ１０００ 因子的綜合方法可彌補傳統評價方式的不足。

根據前人的研究可知， 學者影響力評價的發展方向應為傳統計量方法與Ａｌｔｍｅｔｒｉｃｓ 指標計量方法的結合。雖然在對學者的綜合影響力進行評價研究時， 有學者考慮了多維度的影響力因素， 但都是對所有水平的學者進行的一貫評價。因此， 本文選定高產學者為樣本學者， 預先界定了學者的水平， 作為一個新的角度， 融合傳統指標和Ａｌｔｍｅｔｒｉｃｓ 指標對他們的綜合影響力進行評價， 分析領域內不同發文量的高產學者的綜合影響力差異， 探究學者的科研成果的高產量是否就同時意味著高質量。

２ 高產學者綜合影響力評價指標體系構建

構建高產學者綜合影響力評價指標體系， 須初步采集科研影響力和社會影響力這兩個維度的待選傳統指標和Ａｌｔｍｅｔｒｉｃｓ 指標及其數據， 再通過一系列分析篩選可用指標， 最終完成評價指標體系構建。

２.１ 高產學者綜合影響力的評價指標選取

２.１.１ 傳統指標的選取

針對傳統指標， 根據表１， 考慮從學者學術文獻水平、科研合作行為及社會網絡地位３ 個評價角度分別篩選指標。

１） 學者學術文獻水平角度

由于大部分論文的合著作者較多， 因此在前人研究的基礎上， 同時考慮指標的代表性和學者署名次序， 經過謹慎遴選， 確定發文量、總被引頻次、調和被引頻次、調和ｈ 指數、調和Ｒ 指數這５ 個指標為待選指標。前兩個指標為最基本的文獻計量指標。由于學者的署名次序差異大， 采用簡單的均值測度指標可能對研究結果產生影響， 因此用調和被引頻次指標代替均值測度指標中的篇均被引頻次。調和ｈ 指數與調和Ｒ 指數分別為高影響特征測度和整體綜合測度指標。

其中， 調和ｈ 指數是指學者發表的Ｎ 篇論文中， 有ｈ 篇論文的調和被引頻次大于或等于ｈ 次，而其余Ｎ－ｈ 篇論文的調和被引頻次均小于ｈ 次［１５］ 。調和ｈ 指數（ｈａｒｍｏｎｉｃ ｈ－ｃｏｒｅ）中的調和被引次數（ｈａｒｍｏｎｉｃ ｃｉｔａｔｉｏｎｓ）考慮學者的署名次序進而分配不同的權重， 用ｃ 表示作者第ｊ 篇文獻的被引頻次，ｉ 表示作者的署名次序， ｎ 為作者人數［３３］ ， 其計算公式如下：

２） 學者科研合作行為角度

確定合作能力指數為待選指標。主要考慮到合作度、合作率、合作系數這３ 項指標通常作為一組整體指標對學者的科研合作行為進行測度， 而合作能力指數可作為一個單獨的指標， 以不同的角度，在揭示作者的科研績效方面更有優勢。

合作能力指數的計算方法可表述為： 將某一作者的合作者按照其與該作者的合作頻次降序排列，當合作者序號首次大于對應合作頻次時， 該序號減１ 即為該作者的合作能力指數［３７］ 。

３） 學者社會網絡地位角度

確定點度中心度、中介中心度作為待選指標。點度中心度和中介中心度關注的都是某個節點與網絡中其他節點的直接關系， 而接近中心度關注的是捷徑［２５］ 。簡單來說， 中介中心度表現控制能力，而接近中心度表現不被控制的能力， 為了對學者的影響力進行最直接的評價， 本文沒有選取接近中心度這個指標。

點度中心度是在網絡分析中刻畫節點中心性的最直接度量指標。一個節點的節點度越大就意味著這個節點的點度中心性越高， 該節點在網絡中就越重要［３８］ 。用Ｃ（Ｎ ）表示節點ｉ 的點度中心度， 用于計算節點ｉ 與其他ｇ－１ 個ｊ 節點（ｉ≠ｊ）， 其計算公式如下：

２.１.２ Ａｌｔｍｅｔｒｉｃｓ 指標的選取

針對Ａｌｔｍｅｔｒｉｃｓ 指標， 為保證所有指標的時序一致性， 將Ｗｅｉｂｏ、Ｇｏｏｇｌｅ＋、ＬｉｎｋｅｄＩｎ 和Ｐｉｎｔｅｒｅｓｔ這４ 項分別于２０１５ 年、２０１９ 年、２０１４ 年、２０１３ 年不再被追蹤記錄的指標剔除， 將剩余１９ 個Ａｌｔｍｅｔ?ｒｉｃ．ｃｏｍ 會記錄的指標都納入評價學者社會影響力的待選指標。

初步選取的高產學者綜合影響力的所有評價指標如表２ 所示。

２.２ 數據來源及說明

作為科研創新的核心力量， 活躍高產的頂尖學者群體在引領學術發展和推動科學革命過程中發揮著關鍵作用［４０］ 。本文在Ｓｃｏｐｕｓ 數據庫中選擇Ｂｉｏ?ｔｅｃｈｎｏｌｏｇｙ 學科類別， 選?。玻埃玻?年ＣｉｔｅＳｃｏｒｅ 前３ 位的期刊： Ｎａｔｕｒｅ Ｂｉｏｔｅｃｈｎｏｌｏｇｙ、Ｎａｔｕｒｅ Ｍｅｔｈｏｄｓ 和Ｎａ?ｔｕｒｅ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ 作為數據源， 在３ 本期刊的官網中采集所需數據。這３ 本期刊中的論文是生物科技領域高被引的高水平論文， 論文質量與頂尖學者比例較高， 因此選擇它們有助于采集到理想的指標數據， 得到更科學合理的研究結果。分別選取３ 本期刊Ｒｅｓｅａｒｃｈ Ａｒｔｉｃｌｅｓ 目錄下類別為Ａｒｔｉｃｌｅ的文章， 綜合考慮高產學者的活躍度、時效性， 與論文被引高峰因素， 將發表年份設置為２０１９—２０２１年， 數據采集時間為２０２３ 年３ 月。共檢索得到７２７篇論文， 涉及８ ６７５名不同的學者。根據普賴斯定律計算得出高產學者人數為√8675， 向上取整即為９４ 名。統計８ ６７５名學者的發文數量并從大到小排序， 發現發文量大于等于３ 篇的學者共９５ 名， 因此將這９５ 名學者全部納入樣本， 樣本數量為９５ 個。

針對Ａｌｔｍｅｔｒｉｃｓ 指標， 由于Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ 顯示的指標相比Ｎａｔｕｒｅ Ｍｅｔｒｉｃｓ 更為完整， 因此以每篇文章為單位， 記錄每篇文章下由“Ｍｅｔｒｉｃ” 按鈕跳轉至Ａｌｔｍｅｔｒｉｃｓ．ｃｏｍ 詳情頁中的各項Ａｌｔｍｅｔｒｉｃｓ 指標值。發文量、總被引頻次、調和被引頻次、調和ｈ指數、調和Ｒ 指數以及合作能力指數的計算是通過統計的期刊官網提供的各文章的ＣｒｏｓｓＲｅｆ（ＤＯＩ文獻的被引用情況）數據， 以及每篇文章的作者總數及樣本學者的署名次序、合作關系簡單計算得出。點度中心度和中介中心度則利用Ｕｃｉｎｅｔ 軟件計算得出。為了避免各項指標值在短時間內發生變動而對研究結果產生影響， 所有數據均在連續的３ 天內采集完成。在全部指標計算完成后， 發現有１２ 名學者的重要指標值缺失， 因此將這１２ 名學者從樣本中整體剔除， 得到有效樣本學者８３ 名， 最終的作者合作網絡也由這８３ 名學者所構建?？紤]同一論文由８３名學者中的多名學者共著的情況， ２０１９—２０２１ 年８３名學者共計發表不重復的論文３１０ 篇， 具體發文量情況如表３ 所示。

２.３ 評價指標的描述性統計分析

為進一步了解樣本數據的分布情況， 初步剔除表２ 中表征能力較弱的評價指標， 利用ＳＰＳＳ 軟件分別對Ａｌｔｍｅｔｒｉｃｓ 指標和傳統指標進行描述性統計分析， 得到如表４ 所示的結果。繪制Ｐ－Ｐ 圖， 發現樣本數據點均不在明顯的一條直線上， 因此指標數據都不符合正態分布。觀察表４ 的指標覆蓋率結果， 發現Ａｌｔｍｅｔｒｉｃｓ 指標中出現較多０ 值， 共有５項， 為Ｓｙｌｌａｂｉ、Ｑ＆Ａ、Ｙｏｕｔｕｂｅ、Ｃｉｔｅｕｌｉｋｅ Ｒｅａｄｅｒｓ 和Ｃｏｎｎｏｔｅａ Ｒｅａｄｅｒｓ。覆蓋率低的Ａｌｔｍｅｔｒｉｃｓ 指標還包括Ｒｅｄｄｉｔ（１１.６１％）、Ｒｅｓｅａｒｃｈ Ｈｉｇｈｌｉｇｈｔｓ （１１.２９％）、Ｗｉｋｉｐｅｄｉａ（１０.６５％）、Ｖｉｄｅｏ Ｕｐｌｏａｄｅｒ（４.１９％）、Ｐｏｌｉ?ｃｙ Ｄｏｃｕｍｅｎｔ （ ２.２６％）、Ｐｅｅｒ Ｒｅｖｉｅｗ （０.６５％） 和Ｆ１０００（０.３２％）?？紤]到覆蓋率低的指標表征能力較弱， 本文借鑒王凱利等［４１］ 的做法， 剔除覆蓋率值取整后低于２５％的Ａｌｔｍｅｔｒｉｃｓ 指標， 剩余８ 個Ａｌｔｍｅｔ?ｒｉｃｓ 指標， 分別為： ①Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ、②Ｎｅｗｓ、③Ｂｌｏｇ、④Ｐａｔｅｎｔ、⑤Ｔｗｉｔｔｅｒ、⑥Ｆａｃｅｂｏｏｋ、⑦ＭｅｎｄｅｌｅｙＲｅａｄｅｒｓ、⑧Ｄｉｍｅｎｓｉｏｎｓ ＆ ＷｏＳ Ｃｉｔａｔｉｏｎｓ。所有８ 個傳統指標均采集到數據， 指標覆蓋率１００％。從表４ 可知， 初步篩選后的兩部分指標數值的最大值與最小值差異顯著， 說明指標數值的波動范圍極大。兩個維度指標數值的均值差異顯著， 標準差也較大， 表明指標數值整體上具有離散程度較高的特征。最后，從分布形態上看， 高產學者綜合影響力評價指標數值的偏度、峰度均為正值， 表明數值的分布均呈長尾偏右的尖頂曲線特征。因此這１６ 個評價指標在各自的維度內整體上差異顯著， 表征能力較強， 保留這兩部分共１６ 個指標以做下一步分析。

２.４ 科研影響力評價

２.４?.１ 指標相關性及信效度檢驗

樣本數據都不符合正態分布， 因此采用Ｓｐｅａｒｍａｎ相關性分析方法。將８ 個傳統指標依次用Ｔ１ ～ Ｔ８表示， 得到的Ｓｐｅａｒｍａｎ 相關系數如表５ 所示。分析表５ 結果可知， 各指標間均存在顯著相關的指標對， 故保留所有傳統指標。

為保證所有數據可比， 運用ＳＰＳＳ 軟件對８ 個傳統指標進行Ｚ－ｓｃｏｒｅ 標準化處理， 并對指標的信效度進行檢驗， 結果如表６ 所示。通常， 可以通過Ｃｒｏｎｂａｃｈ Ａｌｐｈａ 系數的大小評價內在的信度的高低［４２］ ， 分析檢驗結果可知， 傳統指標的ＣｒｏｎｂａｃｈＡｌｐｈａ 值為０.８４４， 指標信度較高， 對全部傳統指標進行保留， 指標篩選結束。

一般認為， 當ＫＭＯ 值小于０.５ 時， 不適合進行因子分析， 而ＫＭＯ 值大于０.９ 時， 則非常適合進行因子分析［４３］ 。由表６ 可知， ＫＭＯ 值為０.７７１， 大于０.５， Ｂａｒｔｌｅｔｔ 檢驗的顯著水平為０.０００， 達到顯著水平。因此， 本文的樣本數據適合進行因子分析。

２.４.２ 因子分析與主成分分析

在多指標綜合評價中很多指標信息重復， 會增加計算工作量從而影響評價的準確性。主成分分析法就是通過降維將原來眾多具有一定相關性的指標重新組合成一組新的互相無關、盡量少的綜合指標來代替原來的指標， 這些新的綜合指標保留了原始變量的主要信息， 同時彼此之間又不相關， 比原始變量具有更優越的性質， 從而更能反映問題的實質。確定主成分以及相應的權數一般可以用特征根大于１ 作為納入標準［４４］ 。根據表７ 的總方差解釋表， 實驗對傳統指標共提取出兩個公共因子， 特征值均大于１， 累計方差貢獻率為６８.５６８％， 說明前兩個因子可以揭示大部分變量的特征。

由因子分析得到成分矩陣， 通過最大方差法進行因子旋轉后， 得到旋轉成分矩陣表， 如表８ 所示。因子載荷是變量與公共因子的相關系數， 當變量在某公共因子中的載荷絕對值越大， 表明該變量與該公共因子更密切［４５］ 。表中只顯示了因子載荷大于０.５ 的值， 因子載荷小于０.５ 值已被隱去。觀察表８ 可知， 各指標間不存在交叉載荷， 說明篩選出的可用指標均有意義。

因子１ 主要解釋發文量、總被引頻次、調和被引頻次、調和ｈ 指數、調和Ｒ 指數和中介中心度６個變量。其中， 一個學者發文量的多少會對論文的總被引頻次產生影響， 基本上呈促進作用。而調和被引頻次的計算需要依據單篇論文被引頻次的數據最后得出一個加總數， 依托調和被引頻次數據才能計算調和ｈ 指數， 接著計算調和ｈ 指數的平方根才可得到調和Ｒ 指數。因此這５ 個變量環環相扣，同時在因子１ 下顯現。“中心性” 是社會網絡分析的重點之一， 個人或組織在社會網絡中具有怎樣的權力， 或者說居于怎樣的中心地位， 對于信息在整個網絡中如何傳播， 及其傳播效果如何都有著十分重要的意義［４６］ ， 點度中心度和中介中心度都是社會網絡中心性分析的方法。生物科技領域高產學者的論文合著現象極多， 也就是說該領域的高產學者之間普遍存在科研合作的關系， 而社會網絡分析方法正是以研究關系見長的一種方法［４７］ 。所謂“社會網絡” 指的是社會行動者及其間的關系的集合［４８］ ， 社會網絡分析就是要對社會網絡中行為者之間的關系進行量化研究［４９］ 。而發文量的多少就會影響論文作者（社會行動者）數量的多少， 即某一學者發文量越多， 涉及與其合作的作者就越多， 因此中介中心性同另外５ 個傳統文獻計量指標共用一個公因子便有據可依了。這與李亮等［４７］ 的研究結論也是一致的： 發表文獻比較多的作者同他人的合作也比較頻繁。

因子２ 解釋合作能力指數和點度中心度兩個變量。中介中心性著重刻畫行動者對資源的控制程度， 而網絡中某個節點的點度中心度則是根據網絡中與該點有連接的點的數目來衡量， 即節點的連接數越多， 就代表該節點的社會關系越多， 其影響力就越強。合作能力指數也融有網絡概念， 從考察學者的嵌入自我網絡方式出發， 著重研究學者的合作行為是否穩定， 測度其高頻合作水平如何。總體上， 合作能力指數和點度中心度都是度量科研合作網絡中的一個節點（一位學者）與其他節點（其他學者）的聯系密切程度， 所以兩個變量同時在因子２下顯現。

根據表７， 把進行因子旋轉后的各因子方差貢獻率占總方差貢獻率的比重作為權重， 并進一步加權匯總， 得出生物科技領域高產學者的科研影響力得分計算公式如下：

根據上述公式計算得出每位樣本學者的科研影響力得分， 得分排名前３０ 位的學者如表１０ 所示。

２.５ 社會影響力評價

２.５.１ 指標相關性分析及信效度檢驗

同樣用ＳＰＳＳ 軟件對樣本數據進行Ｓｐｅａｒｍａｎ 相關性分析。根據檢驗結果， 各Ａｌｔｍｅｔｒｉｃｓ 指標之間均存在顯著的相關關系， 故保留所有指標。

接著對８ 個Ａｌｔｍｅｔｒｉｃｓ 指標進行數據標準化處理， 進行信效度檢驗。剔除同時在兩個因子中負荷較高的指標——Ｍｅｎｄｅｌｅｙ Ｒｅａｄｅｒｓ 后， 得到表１１ 的檢驗結果。指標整體的Ｃｒｏｎｂａｃｈ Ａｌｐｈａ 值為０.９１，表明指標的信度很高； ＫＭＯ 值為０.６７１， 因此樣本數據適合進行因子分析。

２.５.２ 因子分析與主成分分析

根據表１２ 的總方差解釋表， 實驗對Ａｌｔｍｅｔｒｉｃｓ指標提取出兩個公共因子， 特征值均大于１， 累計方差貢獻率達到８３.８４７％， 說明前兩個因子可以揭示大部分變量的特征。

由因子分析得到成分矩陣， 通過最大方差法進行因子旋轉后， 得到旋轉成分矩陣表如表１３ 所示。結果顯示各指標間不存在交叉載荷， 證明篩選出的Ａｌｔｍｅｔｒｉｃｓ 指標均有意義。

因子１ 解釋Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ、Ｎｅｗｓ、Ｂｌｏｇ、Ｔｗｉｔ?ｔｅｒ 和Ｆａｃｅｂｏｏｋ ５ 個變量。Ｎｅｗｓ、Ｂｌｏｇ、Ｔｗｉｔｔｅｒ 和Ｆａｃｅｂｏｏｋ 是最具代表性的幾個Ａｌｔｍｅｔｒｉｃｓ 指標。其中， Ｎｅｗｓ 指示有幾條新聞中提到了某篇論文； Ｂｌｏｇ指示一篇論文所引發的在線學術討論的次數，Ｔｗｉｔｔｅｒ 和Ｆａｃｅｂｏｏｋ 顯示了由出版物引發的一般公眾在社交媒體平臺上發帖的次數［５０］ 。這４ 個變量注重新聞、百科及社交媒體上這些學術界外的廣泛影響力， 也是Ａｌｔｍｅｔｒｉｃ Ｓｃｏｒｅ 計分的主要來源。

因子２ 解釋Ｐａｔｅｎｔ 與Ｄｉｍｅｎｓｉｏｎｓ ＆ ＷｏＳ Ｃｉｔａ?ｔｉｏｎｓ 兩個變量。Ｐａｔｅｎｔ 指示論文被專利文件引用的次數， 即實體文件的引用次數， 已經脫離了互聯網和媒體的范疇， 而Ｄｉｍｅｎｓｉｏｎｓ ＆ ＷｏＳ Ｃｉｔａｔｉｏｎｓ 指標由于包含論文在Ｄｉｍｅｎｓｉｏｎｓ 和ＷｏＳ 網站上的引用量數據， 因此兩個變量共用一個公因子。

２.５.３ 社會影響力評價指標函數的構建及結果評價

Ａｌｔｍｅｔｒｉｃｓ 指標各成分得分系數矩陣如表１４ 所示， 將表中的變量依次表示為Ｙ、Ｙ、…、Ｙ， 兩個成分分別表示為Ｆ３ 和Ｆ４， 則可以得到以下因子得分函數：

根據上述公式計算得出樣本學者的社會影響力得分， 分值排名前３０ 位的學者如表１５ 所示。表中同時顯示了各學者的社會影響力得分排名與科研影響力得分排名相比的變化情況， 正數表示和科研影響力相比， 該學者的社會影響力排名有所上升， 負數表示排名下降。觀察排名變動可知， 表中大部分的學者在兩個維度的影響力排名變化較大。說明兩個評價維度的結果差異明顯， 單獨使用任一維度的指標體系對高產學者的影響力進行評價都是不全面的。

３ 高產學者的影響力二維測度

３.１ 科研影響力及社會影響力相關性分析

對樣本學者的科研影響力及社會影響力得分值結果進行Ｓｐｅａｒｍａｎ 相關分析， 得到如表１６ 所示的相關系數表。根據相關分析結果， 兩者的相關系數為０.６２９， 表明兩者呈較強的正相關關系。因此，本文將科研影響力和社會影響力二者結合進行高產學者影響力評價具有一定的意義， 將兩個維度結合得到的高產學者綜合影響力結果更具合理性。本文故借鑒王妍［３２］ 的二維評價方法對高產學者的影響力進行測度。

３.２ 二維測度

本文將樣本學者的科研影響力得分值繪制于Ｘ軸， 社會影響力得分值繪制于Ｙ 軸， 以代表平均水平的（０，０）點為原點， 并依據原點設置標準分界線，繪制的高產學者影響力的二維評價散點圖如圖１ 所示。根據王妍［３２］ 的評價思想， 可將樣本學者劃分為以下４ 類。

１） “名家學者”： 得分點落于第一象限， 共有１４ 位高產學者， 占比１６.８７％。他們同時具有高科研影響力和高社會影響力， 是其所在研究領域的關鍵人物?！懊覍W者” 中最突出的得分點來自美國康涅狄格大學病理生物學與獸醫科學系（Ｄｅｐａｒｔ?ｍｅｎｔ ｏｆ Ｐａｔｈｏｂｉｏｌｏｇｙ ａｎｄ Ｖｅｔｅｒｉｎａｒｙ Ｓｃｉｅｎｃｅ， Ｕｎｉｖｅｒ?ｓｉｔｙ ｏｆ Ｃｏｎｎｅｃｔｉｃｕｔ， Ｓｔｏｒｒｓ） 的學者Ｔｙｌｅｒ Ｄ.Ｇａｖｉｔｔ，其３ 年的發文量為５３ 篇， 并且于每篇論文中均是署名第二的作者。該學者的科研影響力與社會影響力排名都是第一名， 說明他為生物科技領域的研究做出了卓越的貢獻。

２） “明星學者”： 得分點落于第二象限， 共有５位高產學者， 占比６.０２％。這部分學者獲得了較高的社會關注度， 但科研貢獻度相對較低。以該區域的學者Ｊｏｎａｔｈａｎ Ｓ. Ｗｅｉｓｓｍａｎ 為例， 他來自美國加州大學舊金山分校細胞與分子藥理學研究中心（Ｄｅｐａｒｔ?ｍｅｎｔ ｏｆ Ｃｅｌｌｕｌａｒ ａｎｄ Ｍｏｌｅｃｕｌａｒ Ｐｈａｒｍａｃｏｌｏｇｙ， Ｕｎｉｖｅｒ?ｓｉｔｙ ｏｆ Ｃａｌｉｆｏｒｎｉａ， Ｓａｎ Ｆｒａｎｃｉｓｃｏ）， ３ 年間共發表４ 篇論文， 論文Ｎｅｗｓ 累積提及量就有３４ 次， Ｔｗｉｔｔｅｒ 累計提及量更是高達７８１ 次， 被專利文件引用的次數也多達１９ 次， 因此其社會影響力排名較高， 為１４名。相較之下， 該學者發表的４ 篇論文的總被引頻次為３００ 次， 而調和被引頻次只有１９.５５ 次， 其科研影響力排名僅為５９ 名， 兩份排名結果懸殊。

３） “普通學者”： 得分點落于第三象限， 這個區域共有５２ 位高產學者， 占比６２.６５％， 是占全體樣本學者比重最大的部分。這部分學者在科研貢獻度和社會關注度方面都表現平平， 并且這個區域的大部分學者與坐標軸都有一定距離， 因此這部分學者無論是在提高科研水平還是獲得社會關注度方面都應持續努力。

４） “專業學者”： 得分點落于第四象限， 共有１２ 位高產學者， 占比１４.４６％?！皩I學者” 有著較強的科研能力， 卻沒能贏得大眾的廣泛關注。以該區域來自美國斯坦福大學病理學系（Ｄｅｐａｒｔｍｅｎｔｓ ｏｆＰａｔｈｏｌｏｇｙ， Ｓｔａｎｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ）的學者Ｃａｌｅｂ Ａ.Ｌａｒｅａｕ為例， 其在３ 年間所發表的５ 篇論文中就有４ 篇署名第一或第二， 調和被引頻次高達１０３.８７ 次。但這幾篇論文的Ｂｌｏｇ 累計提及量僅為３ 次， Ｆａｃｅｂｏｏｋ累計提及量僅為６ 次， 顯示出其發表的論文的較低社會關注度。因此“專業學者” 可以適當提高自身在社交媒體的活躍度［５１］ ， 以期提升大眾熟知度及其科研成果的社會影響力。

４ 結論

本文為構建融合Ａｌｔｍｅｔｒｉｃｓ 指標和傳統指標的高產學者綜合影響力評價指標體系， 在前人的研究基礎上， 初步遴選傳統指標和Ａｌｔｍｅｔｒｉｃｓ 指標， 以Ｎａｔｕｒｅ 生物科技子刊雜志官網為數據源， 采集相關指標數據。分別從科研影響力和社會影響力兩個維度， 對樣本學者的影響力開展評價并進行排序， 同時比較了兩份排名的結果。結果發現， 大部分學者在兩個維度的影響力排名結果差別較大， 即單獨使用任一維度的評價指標體系對高產學者的影響力進行評價都是有局限性的。遂進一步對樣本學者的科研影響力及社會影響力的得分結果進行Ｓｐｅａｒｍａｎ相關分析， 得到兩者呈較強的正相關關系， 說明本文將科研影響力即傳統指標與社會影響力即Ａｌｔ?ｍｅｔｒｉｃｓ 指標二者結合進行高產學者的綜合影響力評價具有合理性。最后本文得出高產學者影響力的二維測度結果。

同時， 觀察高產學者的影響力排名與發文量關系可知， 在高產學者群體中， 部分發文數量較多的學者和發文量相對較少的學者相比， 其科研影響力和社會影響力卻并不如后者。以３ 年發文量為７ 篇的學者Ｒｏｂｅｒｔ Ｌａｎｇｅｒ 和發文量為３ 篇的學者ＭｉｋｈａｉｌＫｏｌｍｏｇｏｒｏｖ 為例作對比， 前者的科研和社會影響力排名分別為２２ 名和１５ 名， 而后者的排名為８ 名和１２ 名， 即發文量少的這名學者的排名都比這名發文量多的學者靠前。說明高產學者科研成果的“高產出量” 并不完全意味著“高質量”。生物技術是促進經濟社會可持續發展的有效途徑， 各國（地區）在生物科技領域的競爭也日益加?。郏担玻?。領域內的科研學者應摒棄唯發文量至上的觀念， 不能單純關注科研產出的絕對數量， 在保證科研產出量的同時， 學者們還應切實提高成果的質量， 努力形成一支高質量的高產作者隊伍， 不僅帶領領域研究攀上新的高度， 也能促進經濟社會的可持續發展，使研究成果成功轉化為社會效益。

本文研究的不足之處在于僅選定了３ 本Ｎａｔｕｒｅ生物科技子刊的高產學者作為樣本進行研究， 存在一定的局限性， 對于其他領域是否適用還有待進一步考證； 對傳統指標的選擇可能也不盡完善。未來的研究中， 會進一步擴大數據源， 增加樣本的多樣性， 同時選擇更多具有代表性的傳統指標， 使研究結果更具說服力， 以期對不同領域高產學者的影響力進行更加深入的評價研究。