基于LLR和Kleinberg算法的大學生抑郁研究熱點及前沿可視化分析

孫思宇,李澤義,陳 爽,黃琳心,郝梓旭

(長春中醫藥大學,長春 130117)

0 引言

數學領域中的對數似然比LLR(likelihood rate)算法常見于通信領域中[1],將該算法運用到聚類中,可根據關鍵詞頻度、集中度與分散度等指標組成向量,判斷關鍵詞是否可以作為聚類的特征詞[2],進而對聚類標簽詞進行提取,挖掘某領域的研究熱點。21世紀,抑郁是影響人類身心健康的主要危險因素,大學生是抑郁的高發群體,抑郁癥狀的發生與大學生網絡成癮、學習倦怠等密切相關,抑郁情緒嚴重者會出現自傷、自殺等行為。目前,國內學者圍繞自我概念、人格、體育鍛煉、應對方式等對大學生抑郁開展研究,研究力度大,文獻眾多,但觀點較為分散,研究重點不突出。

2002年,Kleinberg提出了突發監測算法[3],統計出低頻但卻比高頻詞更具情報意義的突發詞,以此來探測學科前沿。該算法在自然科學領域,尤其是在醫學領域應用廣泛,在社科領域的應用起步較晚[4]。對關鍵詞進行聚類分析,應用Kleinberg監測算法探求大學生抑郁領域研究的發展趨勢,可為日后研究提供思路與參考依據。

在中國知網(CNKI)中以“抑郁癥”“抑郁”“大學生”為關鍵詞進行精確檢索(截至2022年11月),文獻檢索來源限定為北大中文核心期刊、中國科學引文數據庫(CSCD)、科學引文索引(SCI)、工程索引(EI)來源期刊。剔除無效文獻,共得到有效學術論文522篇。

使用COOC軟件進行數據查重與處理,將最終數據導入CiteSpace6.1.R3對關鍵詞進行可視化分析。參數設置:時間分區為1992—2022年,時間切片設置為1(Year Per Slice=1),節點類型設置為關鍵詞(keyword),共現選擇g-index(k=25),節點越大表示該節點代表的關鍵詞出現的次數越多。……