基于科研生命周期的國際科技出版商數據服務研究

摘 要：科技出版商是科研界與出版界的紐帶，承擔著為科研活動提供服務與支持的重要職責。文章通過案例調研，圍繞科研生命周期，梳理國際科技出版商在數據收集、分析、開放共享與重用等環節的服務實踐，并結合國內數據服務探索現狀與不足進行比較分析。國際科技出版商以科研生命周期為主線，構建覆蓋“研究—發表—評估”全過程的數據服務體系，推動科研效率提升與數據增值。借鑒國際經驗，我國科技出版社應明確角色定位、深化技術應用、完善數據服務布局，全面提升服務能力與國際影響力。

關鍵詞：科研生命周期 科技出版商 數據服務 數字出版

近年來，在大數據與開放數據（Open Data）盛行的背景下，數據成為科學研究的新基礎，推動科研進入以數據密集型為特征的第四范式發展階段?？蒲腥藛T以海量數據為基礎開展研究，圍繞數據收集、處理、分析等環節的服務需求持續增長。為有效回應科研人員對數據的系統性管理與持續性支持需求，貫穿科研數據收集、分析、出版、共享與重用全過程的一體化服務，正成為科研可持續發展的關鍵支撐。科技出版商如何立足科研各階段應用場景，依托新興技術提供高增值數據服務，已成為當前學界和業界共同關注的焦點。

通過梳理文獻可以發現，現有研究主要聚焦于高校和學術圖書館等服務提供方的實踐探索，具體涵蓋服務內容、服務模式、服務組織架構等方面，并從科研人員需求出發，提出全方位增值服務供給、完善科研數據政策、加強圖書館員培訓等多維優化路徑，科研數據素養教育也日漸受到重視。然而，現有研究仍存在局限：一是多集中于科研生命周期某一特定階段，如數據管理或數據共享，缺乏面向全生命周期的系統性探討；二是對于出版商作為數據服務提供方的關注略顯不足，尤其缺乏對其數據服務如何有機嵌入科研全過程的系統梳理?；诖耍疚囊試H知名科技出版商為對象，結合科研生命周期理論與數據生命周期模型，分析其面向科研生命周期的數據服務，總結其服務嵌入模式與關鍵經驗，并對比我國科技出版社數據服務現狀，提出切實發展建議。

一、數據服務動因分析

國際科技出版商開展數據服務是內外部多重動力共同驅動的結果。外部因素主要包括政策指引、市場競爭和技術進步，而內部則源自出版商自身對價值增長和商業模式革新的追求。

（一）政策指引推動

近年來，美國、歐盟等國家和地區越發重視科研數據的開放共享，積極推動數據基礎設施建設和制度完善，為構建透明、公平的數據共享環境提供了制度保障。例如，2021年，加拿大出臺《三機構研究數據管理政策》，形成科研數據管理戰略框架；2022年，美國頒布《促進使用公平數據》建議書，強調數據基礎設施建設與開放共享機制透明化；歐盟相繼通過《數據治理法案》與《數據法案》，強化數據管理與共享的規范性和執行力度。在此基礎上，眾多科研機構與高校積極響應，實現宏觀政策到微觀實踐的落實。如英國工程和自然科學研究委員會（EPSRC）依據《信息自由法》制定以數據共享為核心的政策框架[1]，美國國立衛生研究院（NIH）對基因數據提出強制性共享要求，美國國家航空航天局（NASA）則通過定期報告制度確保受資助方遵守數據管理計劃（Data Management Plans，DMP）。從政府頂層設計延伸至機構實踐要求的開放科學政策體系，催生了研究者與機構對DMP工具、合規存儲庫、數據引用規范等解決方案的巨大需求，形成對出版商提供相關服務的市場拉力。此外，政策從戰略層面推動出版商必須將數據服務整合進核心業務，以適應科研生態的深刻變革，并從中尋求可持續發展路徑。

（二）技術創新推動

信息與智能技術的發展在重塑科研模式的同時賦能出版商拓展數據服務。首先，技術進步深刻改變了科研活動的組織方式與運行邏輯。大數據技術和強勁算力的普及，推動科研從傳統單一實驗室模式轉向數據密集型和團隊互動型的新模式。[2]這促使科研活動更加依賴對數據的精準獲取、智能分析與深度挖掘，催生了科研人員對高級數據服務的需求。其次，技術為出版商進行數據處理、分析、交付等提供了強大的工具支撐：依托先進的數據采集與集成技術，出版商能夠高效獲取并標準化處理海量數據；數據庫、分布式存儲與云存儲技術保障數據的安全性與有效性，關聯分析、知識圖譜、大語言模型等則支持數據深層關聯分析與結構化理解，促使出版商探索更智能化的服務形態。面對科研數據服務的強烈需求以及技術所賦予的強大能力，科技出版商認識到傳統出版模式已無法適應時代要求，從而積極引入智能技術，突破傳統業務邊界，構建覆蓋科研全流程的智能化數據服務體系。

（三）市場競爭驅動

市場機制是科技出版商開展數據服務的內生動力。國際科技出版商之所以加速布局數據服務，源于其對市場機遇的敏銳捕捉和對核心競爭力的持續追求。隨著科研日益數據化，數據與文獻地位趨同，科技出版商意識到數據服務代表著潛力巨大的新興價值增長領域。一方面，科研人員對覆蓋科研全過程的高質量、多元化數據服務需求日益增長。另一方面，在“AI for Science”背景下，用于訓練AI模型數據集的需求激增，2024年全球科研用AI數據集及許可市場規模已達約3.8億美元，未來5年復合年增長率將達到26.8%[3]，這為擁有海量數據的出版商開辟了潛在利潤豐厚的新細分市場。與此同時，市場競爭格局也在悄然變化。技術門檻的降低使得專注于特定解決方案的新興技術公司或靈活的開放基礎設施崛起，對傳統出版商構成威脅。為此，大型出版商更有動機和資源加速構建全流程、一體化數據服務體系，以提升服務壁壘，應對競爭壓力并鞏固乃至提升自身市場地位。

二、面向科研生命周期的數據服務

國際科技出版商開發并積累海量科研數據資源，深化應用信息與智能技術，搭建多元化服務平臺，為科研機構和研究人員構建了涵蓋數據生命周期各環節的一體化數據服務體系。

（一）科研生命周期與數據生命周期概述

出版商為科研人員提供數據服務需要遵循科研生命周期的規律?？蒲猩芷诶碚撌菄@科研人員的科研活動，用于描述科研全過程的分類體系。哈佛大學研究支持中心認為科研生命周期包含規劃、資助、設計、發表和傳播5個階段，英國聯合信息委員會（JISC）將其劃分為提出設想、尋求合作、寫作、研究、出版5個環節。而在近幾年的科研開展過程中，成果發表之后通過科學評估明確其影響力逐漸成為研究人員、資助機構與出版商的共識，因此，本文選擇采用Posada A與Chen G提出的科研生命周期模型，將科研活動劃分為科學研究、成果發表與成果評估三大階段。[4]

數據服務圍繞科研數據而展開，應當符合數據生命周期的規律。數據生命周期用來描述數據從產生到組織、發表以及再利用的增值過程。英國數據歸檔中心（UKDA）提出的數據生命周期模型為有效處理科研數據提供科學參考，該模型將數據生命周期分為規劃科研（Planning Research）、收集數據（Collecting Data）、處理與分析數據（Processing and Analysing Data）、出版與共享數據（Publishing and Sharing Data）、保存數據（Preserving Data）、再利用數據（Re-using Data）六個階段。

根據科研生命周期理論與數據生命周期模型，結合科研實際情況，國際科技出版商開展數據服務基本遵循以下規律。首先在于貫穿科研活動全程的數據管理[5]，愛思唯爾（Elsevier）等國際領先科技出版商會通過提供DMP制定指南、推薦數據管理工具、組織專題研討會等方式，為科研人員提供全方位的數據管理指導與培訓。[6][7]針對科研生命周期的不同階段，數據服務也各有側重：在科學研究階段，出版商致力于提供數據收集與分析服務，輔助科研規劃，提高數據處理效率，從而加速科研進程；在成果發表階段，側重于提供數據出版、開放共享、發現與重用服務，實現科研數據再利用；在成果評估階段，則提供數據成果評價等服務實現數據增值，推動科研生態可持續發展（見圖1）。

圖1 科技出版商面向科研生命周期的數據服務

（二）科學研究階段的數據服務

科學研究階段主要包含研究與寫作兩個環節，在數據密集型范式下，這一階段涉及實驗、計算與數據分析等與數據密不可分的科研活動?？萍汲霭嫔桃虼颂峁祿占c分析等服務，以滿足科研開發的數據需求，并支持科學決策、推進科研進程。

1.數據收集服務

在數據密集型科研環境下，科研機構或個人受制于資金、規模等因素，往往難以獲取學科最新數據，可訪問數據也極為有限，這在一定程度上阻礙了科研創新。國際科技出版商憑借雄厚的資金實力與強大的數據資源儲備，在數據收集服務上具備數量龐大、覆蓋學科廣泛、前沿性強與集成度高等顯著優勢，為科研人員提供了穩定可靠的科研數據支撐（見表1）。如愛思唯爾出品的Reaxys持續收集化學學科前沿數據，結合人工智能助力學科發展與學術創新。[8]施普林格·自然（Springer Nature）旗下的Springer Materials為全球材料研究提供海量優質學科數據支撐。[9]此類可靠而高效的數據收集服務，有助于科研人員及時掌握學科最新動態，深入了解現有競爭格局，在新興領域積極拓展合作機會，從而有序開展科研活動。相比之下，國內如科學出版社推出的科學智庫，雖集成大量智庫報告與專著研究數據，面向各領域科研決策提供數據支撐與學術參考，但其數據來源局限于中國科學院與中國工程院已有報告，在數據規模、專業性和前沿性上與國際科技出版商仍存在差距。

2.數據分析服務

科研數據本身并不能直接反哺科研活動并產生效益，只有經過科學的處理與分析，才能有效支撐科研重大決策。數據分析融合統計學、系統論、運籌學等跨學科知識，應用機器學習與人工智能等技術對大數據集進行分析，從而輔助決策。[10]如今，國際科技出版商正積極拓展數據分析服務，其類型主要包含三種（見表2）：一是推出專業分析產品或工具，如Clinicalkey和Data Solutions，提供語義分析、關系分析、模式發現等智能化數據分析服務。二是提供指導服務，如世哲出版公司建設的Research Method Community，匯聚領域專家為科研人員提供科學的數據分析方法論支持。三是積極探索可視化工具輔助分析，如數據增強工具SciBite和關聯開放數據平臺SciGraph，借助直觀界面與交互功能，支持用戶整合異構數據、構建合作網絡、分析科研趨勢等。

國際科技出版商以多層次的數據分析服務提升了科研數據利用效率，并推動數據深度挖掘與成果轉化，而國內僅少數科技出版社開展了相關探索。如科學出版社支持從資源類型、時間段等維度進行數據統計與行為分析，中華醫學會雜志社則借助Amazon Athena實現了用戶分布與行為趨勢分析，為其海外業務拓展提供決策支撐?？梢园l現，這類服務多聚焦于資源使用層面，面向機構或平臺管理者，尚未形成針對科研人員的個性化高階分析服務，在技術應用上有待深化，需要向國際出版商的多元化、智能化服務模式看齊。

（三）成果發表階段的數據服務

科研成果公開發表是學術傳播的核心環節，也是數據實現價值的關鍵路徑。近年來，國際科技出版商積極探索數據出版模式，持續推動數據開放與共享，并不斷完善數據發現與重用服務，以促進科研數據傳播與再利用。

1.數據出版服務

數據出版（Data Publishing）指通過一定的公共機制發布科研數據集，將其存檔為可供他人重用的形式，以促進數據的發現、獲取、評價和應用。[11]其主要包含三種模式。

一是獨立數據出版，即數據被單獨存儲到指定的數據存儲庫進行發布，并分配數字對象標識符（DOI）。國際科技出版商多通過自建平臺或與公共存儲庫合作滿足這一需求，如愛思唯爾的Mendeley Data平臺支持上傳、存儲數據集并獲取DOI，威立則與開放數據存儲庫Dryad合作，并且旗下Molecular Ecology、Ecology and Evolution等期刊均為作者贊助數據出版費用[12]，致力于推進數據的高效出版與廣泛傳播。

二是作為論文輔助資料在投稿時與論文同步提交。此模式已成為多家國際出版商的常規要求，如施普林格·自然強烈建議作者在發表論文時公開支撐結論的數據集，并要求必須包含數據可用性聲明（DAS）。[13]同時，為提升數據審核效率，出版商開始引入人工智能工具輔助，如英國皇家學會旗下期刊Proceedings of the Royal Society B與DataSeer.ai達成合作，利用算法和機器學習自動審查數據集是否符合期刊數據政策。

三是數據論文出版，即經過同行評議發表對具有科學價值的數據集進行描述的論文。國際科技出版商主要通過數據期刊為科研人員提供專有發表渠道，如施普林格·自然旗下的Scientific Data、愛思唯爾旗下的Genomics Data等。而我國《中國科學數據》《全球變化數據學報（中英文）》等數據期刊的創辦，雖推動了數據出版取得進展，但多由科研機構主導，科技出版社參與程度較低。此外，國內現有數據期刊數量較少，主要集中于資源環境與農業等領域，尚未形成多學科覆蓋的系統布局，難以支撐科研數據的國際傳播與學術交流。

2.數據開放與共享服務

為構建開放共享的科研環境，國際科技出版商主要從政策制定與平臺建設兩方面著手。政策層面，出于研究范式、數據類型與倫理考量的差異，國際科技出版商通常制定并實施嚴格程度各異的政策。例如，威立采取四級數據開放共享政策（見表3），從鼓勵共享到強制共享并接受同行評審，靈活適配不同階段、不同數據敏感度的研究。2025年，威立進一步要求研究類文章都必須包含DAS，并計劃將其納入所有期刊的投審稿流程中，以進一步推動開放共享。此外，為簡化共享政策、降低投稿難度，施普林格·自然于2023年宣布實行單一數據政策（Single Data Policy），統一DAS模板與數據處理標準，推動數據共享常態化。[14]

在平臺建設上，出版商因規模、資金與技術等條件不同，發展路徑各異。愛思唯爾綜合自身優勢與市場需求先后推出兩個平臺：Mendeley Data作為開放數據倉儲，為缺乏專業存儲渠道的研究人員提供FAIR原則下的免費數據存儲與訪問服務；Digital Commons Data則面向機構用戶提供數據集審核等功能。[16]施普林格·自然、世哲等則選擇與第三方平臺Figshare開展合作，將數據共享嵌入作者投稿流程中。類似地，威立和《科學》（Science）均與Dryad合作，幫助科研人員免費存儲與共享數據。對比之下，國內科技出版社在數據共享服務方面起步較晚，數據政策多參照國際標準，平臺建設則更多依托于中國科學院科研數據云、科學數據銀行（ScienceDB）等由國家科研機構主導的基礎設施，在自主能力與服務集成上仍有待提升。

3.數據發現與重用服務

數據開放與共享的最終目標在于促進已公開數據的有效發現和重用，從而真正驅動知識發現、技術創新和循證決策。確保數據可發現的第一步，是為其賦予穩定可靠的身份標識。為此，國際主流科技出版商普遍鼓勵甚至強制要求作者，在論文發表時將其支撐數據存入能夠分配持久標識符（PID），如DOI的數據存儲庫中，以實現數據的長期可追蹤與可引用。數據的實際價值實現則高度依賴于上下文信息的豐富程度和獲取路徑的便捷性。為此，出版商主要從兩個層面著力：首先，深化數據與論文的雙向關聯，如泰勒-弗朗西斯與ScholeXplorer合作以建立文章和數據之間的永久鏈接，愛思唯爾將Mendeley Data的數據與ScienceDirect的文章鏈接；[17]其次，主動推廣數據集標識，如PLOS于2022年開始在文章頁面顯著位置引入“可訪問數據”（Accessible Data）圖標，支持鏈接到Dryad、Figshare等3個平臺，并在2023年拓展至9個平臺[18]，有效提升了數據再利用效率。

確?？蒲袛祿挠行Оl現與重用，是一個涉及PID應用、深度鏈接、用戶引導等多環節的系統工程。國際科技出版商憑借平臺優勢與用戶洞察，正致力于構建日益無縫化、智能化的數據利用生態。而國內雖積極起步，在廣泛采用DOI的同時，在特定領域和國家級平臺推廣應用國家標準的科技資源標識符（CSTR），并且《中國全科醫學》《物理學報》《寒旱區科學（英文）》等期刊也已開始提供論文關聯數據服務，但在技術標準統一、平臺深度整合、用戶體驗優化以及重用導向理念深化等方面，我國科技出版社仍有較大提升空間。

（四）成果評估階段的數據服務

隨著科研數據成為繼文獻后的又一大支柱性科研產出，如何科學、有效地評估其價值已成為研究人員、資助機構、出版商等科學交流系統利益相關者共同關注的核心議題?？蒲袛祿r值評估的核心標準仍是影響力，即在學術界及更廣泛的社會經濟文化領域內所產生的實際效應。在開放獲取與在線傳播趨勢增強的背景下，衡量影響力的指標體系也從側重學術內部流傳的傳統引用計量指標（Bibliometrics），發展到能更快速、多維捕捉數據互動的替代計量指標（Altmetrics），涵蓋在線瀏覽量、下載次數、社媒關注度等，全面反映了數據的傳播廣度與關注熱度。

國際領先科技出版商多會整合傳統與替代計量指標，提供綜合性影響力評估服務。例如，Digital Science旗下的產品Altmetric，不僅通過收錄超過1億份出版物的Dimensions數據庫形成學術引用數據，還廣泛監測社媒、新聞、博客等多種網絡渠道的數據提及情況。Altmetric還與Figshare等存儲庫進行合作，將其可視化徽章及詳細指標嵌入平臺數據集頁面，直觀展示瀏覽、下載與引用情況。Dryad等新興科技出版商同樣高度重視數據影響力評估，為存儲的數據集提供引用、瀏覽和下載次數。[19]其他國際科技出版商主要提供替代計量指標，如愛思唯爾通過Plumx Metrics為Mendeley Data中的數據提供在線瀏覽量與下載次數。

國際科技出版商依托多維度的計量指標提供數據評估服務，不僅為資助機構衡量科研投入的實際產出提供參考，更有助于研究人員追蹤數據復用情況，挖掘潛在合作對象，從而擴展學術影響力和合作網絡。[20]相比之下，國內數據評估服務主要由國家科研機構、高?；驅W術組織牽頭建立的數據平臺或中心承擔，且現有評估指標更側重于基礎使用統計。例如，ScienceDB和國家海洋科學數據中心均僅提供瀏覽和下載次數（見表4）。而國內科技出版社目前工作重心仍集中于期刊評價指標，在提供更復雜的數據計量服務方面起步較晚，尚未大范圍介入數據指標的開發與整合，難以滿足科研機構與研究人員的多維評估需求。

三、結語

數據密集型科研成為新常態，國際科技出版商致力于面向科研生命周期提供全方位數據服務，實現從內容出版商向綜合科研服務商的轉變。面對這一趨勢，國內科技出版社應深入分析國際科技出版商的數據服務模式與特征，借鑒其將數據服務嵌入科研生命周期的實踐經驗，在明確角色定位的同時，構建系統化數據服務平臺，推動我國科技出版數據服務的縱深發展，實現自身價值增長與科研可持續發展。

展望未來，全球科研活動日益活躍，科研數據規模持續增長，科技出版數據服務將在數字化與智能化的浪潮中迎來更為廣闊的發展空間。我國科技出版社應把握機遇，在立足本土科研生態的基礎上吸收國際先進經驗，不斷提升數據服務能力，為我國在全球科技出版格局中爭取更大的影響力與話語權。

參考文獻：

[1]UK Research and Innovation.Policy framework on research data.[EB/OL].[2025-05-16].https：//www.ukri.org/who-we-are/epsrc/our-policies-and-standards/policy-framework-on-research-data/.

[2]謝煒.智慧出版：數字時代的學術出版轉型之路[J].文獻與數據學報，2019（4）：97-103.

[3]Grand View Research.AI Datasets amp; Licensing For Academic Research And Publishing Market Report 2030[EB/OL].[2025-05-16].https：//www.grandviewresearch.com/industry-analysis/ai-datasets-licensing-academic-research-publishing-market-report.

[4]Posada A，Chen G.Inequality in Knowledge Production：The Integration of Academic Infrastructure by Big Publishers[C]//2018.DOI：10.4000/proceedings.elpub.2018.30.

[5]University of Edinburgh Research Data Services.Research Data Management[EB/OL].[2025-05-16].https：//edwebcontent.ed.ac.uk/sites/default/files/imports/fileManager/ResearchDataManagement.pdf.

[6]Elsevier.Research Data Management：Everything your institution needs to know[EB/OL].[2025-05-16].https：//www.elsevier.com/academic-and-government/rdm-guide#8-commit-to-rdm.

[7]Elsevier.RDM webinars and recordings[EB/OL].[2025-05-16].https：//www.elsevier.com/academic-and-government/research-data-management/rdm-webinars.

[8]Elsevier.Reaxys is the largest chemical database [EB/OL].[2025-05-16].https：//www.elsevier.com/products/reaxys.

[9]Springer Materials.The research solution for identifying material properties[EB/OL].[2025-05-16].https：//materials.springer.com/.

[10]Runkler T A.Data Analytics：Models and Algorithms for Intelligent Data Analysis[M].Springer Vieweg，2016：2.

[11]Smith V S.Data publication：towards a database of everything[J].BMC Research Notes，2009，2.

[12]Wiley.Data sharing with Dryad[EB/OL].[2025-05-16].https：//authorservices.wiley.com/author-resources/Journal-Authors/open-access/data-sharing-citation/data-sharing-service.html.

[13]Springer Nature.Research Data Policy[EB/OL].[2025-05-16].https：//www.springernature.com/gp/authors/research-data-policy.

[14]徐麗芳，周伊，羅婷，等.理念革新與技術驅動：2023年海外科技期刊出版的挑戰與新思路[J].科技與出版，2024（3）：33-45.

[15]Wiley.Wiley’s Data Sharing Policies[EB/OL].[2025-05-16].https：//authorservices.wiley.com/author-resources/Journal-Authors/open-access/data-sharing-citation/data-sharing-policy.html.

[16]Elsevier. Getting Started with Digital Commons Data[EB/OL].[2025-05-16].https：//digitalcommons.elsevier.com/en_US/digital-commons-data/getting-started-with-digital-commons-data.

[17]Elsevier.Sharing research data[EB/OL].[2025-05-16].https：//www.elsevier.com/researcher/author/tools-and-resources/research-data.

[18]PLOS.Extending Accessible Data to more articles，repositories，and outputs[EB/OL].[2025-05-16].https：//theplosblog.plos.org/2023/07/accessible-data/.

[19]EurekAlert！.Science journals integrate Dryad to simplify data deposition and strengthen scientific reproducibility[EB/OL].[2025-05-16].https：//www.eurekalert.org/news-releases/985284.

[20]DCC.How to Track the Impact of Research Data with Metrics[EB/OL].[2025-05-16].https：//www.dcc.ac.uk/guidance/how-guides/track-data-impact-metrics#why-measure-the-impact-of-research-data.

（作者單位：羅曦陽、田崢崢，武漢大學數字出版研究所、武漢大學信息管理學院；徐麗芳，武漢大學數字出版研究所、武漢大學信息管理學院、武漢大學出版研究院）