|
|
李东
Li Dong
中图分类号: G250
通讯作者:
收稿日期: 2018-04-26
修回日期: 2018-05-24
网络出版日期: 2018-12-25
版权声明: 2018 《数据分析与知识发现》编辑部 《数据分析与知识发现》编辑部
基金资助:
展开
摘要
【目的】从跨学科合作与跨学科引用两个角度, 研究学科交叉与科学家学术影响力之间的关系。【方法】以200位国家自然科学基金杰出青年基金入选者收录在 Web of Science 数据库中的论文为例, 视不同学科作者的合著关系为跨学科合作, 视不同学科的引用关系为跨学科引用, 采用布里渊指数测度跨学科程度, 采用H指数、H5指数测度科学家学术影响力, 用相关分析判断学科交叉与科学家学术影响力之间的关系。【结果】在样本集范围内, 仅在生物学部中发现跨学科合作与学术影响力之间存在相关关系; 仅在生物学部和医学学部中发现跨学科引用与学术影响力之间存在相关关系。【局限】以作者机构判断所属学科的方法较粗糙; 学科分类 标准对结果有一定影响。【结论】科学家的跨学科合作和跨学科引用偏好与其学术影响力之间并不存在必然的关联。
关键词：
Abstract
[Objective] This paper explores the relationship between the scientists’ interdisciplinary knowledge and their academic impacts. [Methods] First, we collected 200 candidates from the 2016 National Natural Science Foundation Outstanding Youth Program and their articles indexed by the Web of Science. Then, we retrieved interdisciplinary co-authorship and citation data. Third, we used Brillouin’s index as a measure of interdisciplinarity and h index as a measure of academic influence. Finally, we calculated the correlation coefficients between interdisciplinarity and academic influence. [Results] We found no significant correlation between inter-disciplinary collaboration and academic influence except for the field of biology, and no significant correlation between interdisciplinary citations and academic influence except the areas of medicine or biology. [Limitations] Deciding a scientist’s discipline based on his/her affiliation might be biased. [Conclusions] A scientist’s interdisciplinary collaborations and citations are not necessarily correlated to his/her academic influence.
Keywords：
学科交叉体现了科学探索的一种新范式。近现代科学发展的历史表明, 科学上的重大突破、新的学科生长点甚至新兴学科的出现, 常常在不同学 科彼此交叉和相互渗透的过程中形成。传统的以单学科研究为主的科学研究正在向学科交叉的模式 转变[1]。
鼓励学科交叉已成为科技发展的重要内容, 国内的跨学科研究在政策与经费资助方面都得到了大力支持[2]。国家自然科学基金“十三五”发展规划提出“聚焦重大主题, 创新交叉融合资助模式”; “十三五”国家科技创新规划提出“鼓励开展跨学科研究, 促进学科交叉与融合。”
学科交叉与创新之间的因果关系已获得广泛认可, 而学科交叉与学术影响力之间的关系仍有待深入探索。学科交叉反映不同学科知识的融合, 从科学文献角度, 跨学科知识的融合反映在“跨学科合著”(通常代表跨学科合作)、“跨学科引用”等方面。学术影响力, 即以被引次数反映知识产生的影响, 是当前学术评价的主要指标之一。在这种背景下, 本文试图解决如下问题。
(1) 科学家在跨学科合作中整合多学科背景的知识, 是否会导致更大的学术影响力?
(2) 科学家在自己的研究中融入多学科知识, 是否会导致更大的学术影响力?
(1) 学科交叉的概念
在词典里, “学科”指根据学问性质划分的门类[3]。从学术角度理解, 一门学科首先有一个中心问题(可以包含多个方面), 然后有与问题相关的解释、目标与理论[4]。
1926年, 美国哥伦比亚大学心理学家Woodworth率先提出“Interdisciplinary”, 在国内一般被译为“交叉学科”[5]。
那么学科交叉又是什么呢?依据路甬祥的说法, 学科交叉是“学科际”或“跨学科”研究活动, 其结果导致的知识体系构成交叉学科。它是众多学科之间的相互作用[6]。Morillo等和Rosenfield分别阐述学科交叉、跨学科和多学科等概念的不同, 对多学科、跨学科和超学科合作之间的区别进行说明[7,8]。
(2) 学科交叉的测度
当前对学科交叉的测度主要依赖于科研论文、参考文献数据和跨学科的作者合作发文[2], 对学科交叉度的测度可从发文、引文两个角度进行[2, 9]。共词分析、引文分析和作者分析等均是常用的学科交叉研究方法。从发文角度来看, 研究人员的跨学科背景在一定程度上代表学科交叉, 作者的学科背景通常显示在文中作者的机构上。从引文角度来看, 跨学科的参考文献代表学科交叉。
如何测度学科交叉的程度?Stirling给出跨学科多样性测度的三个属性: Variety(差异性), 即被引用学科数量的多少; Balance(均衡性), 即被引次数在各学科中的分布均衡程度; Disparity(相似性), 即被引用学科之间的亲疏关系; 并基于10个定量化标准给出非参数计量公式, 搭建多样性测度的一般框架[10]。而Rafols等在Stirling的研究基础上提出新指标: Coherence(凝聚性), 并将原来的多样性指标分为三个维度: Variety(丰富度)、Balance(均衡度)和Disparity(相似度)[11]。总体而言, 对学科交叉测度的计量指标主要分为多样性和凝聚性两种类型。目前已有的学科交叉多样性指标测量方法主要分为三种: 学科类别总计; Porter等提出的跨领域引用指数(Citations Outside Category, COC)[12]和Brillouin等提出的布里渊指数(Brillouin Index)[13]; Porter等提出的专业化(Specialization)和区分度(Reach)指数[14]。学科交叉凝聚指标的测度方法主要有网络中间中心性、网络密度、网络平均路径长度和网络分裂指数。
本研究采用布里渊指数作为学科交叉多样性的测度指标。Brillouin等于1956年提出用于测度传播过 程中的信息熵或不确定性的指标, 其计算方法如公 式(1)[13]所示。
$H=\frac{\log N!-\mathop{\sum }^{}(\log {{n}_{i}}!)}{N}$ (1)
其中, N为观测总数, ni是观测数中类别i的数量, $H\in [0,+\infty ]$。该指标既考虑了跨学科引用中的差异性, 也考虑了均衡性。当观测数中的类别i越大, 且观测对象在各类别中分布越均匀时, H值就越大。如果所有引用都集中在一个学科, H值则为0。
(1) 科学家的成长规律
关于科学家成长规律的研究, 研究对象一般会选取学术影响力较高的科学家, 例如高被引学者、诺贝尔奖获得者等。分析的重点则会落在论文产出年龄分析、人才流动的地域或机构分析和论文合作关系分析等。例如从年龄分析的视角, Way等发现大多学者的最高产年份都出现在其拿到教职后的第1年到第10年内, 其中普遍来看第4-6年的发文量最高[15]。Wang等发现科学家合作网络中存在学术年龄同配现象, 即学术年龄大的学者更多地连接于学术年龄大的学者, 而学术年龄小的学者更多与学术年龄小的学者连接[16]。
从国别迁移的视角, 可以分析高被引科学家向美国集聚的特征与缘由, 有学者发现学士到博士阶段是高被引科学家向美国集聚的主要阶段[17]。
从论文合作关系的视角, Amajad等发现, 一些处于起步阶段的年轻学者如果得到顶尖学者指导, 可以很快脱颖而出。但这并非唯一路径, 还有大量成功学者在早期并没有受益于顶尖学者的指导, 通过自己的努力同样获得了成功[18]。
(2) 跨学科活动中的科学家
对跨学科活动中科学家群体的研究主要有两个思路:
①纵向研究跨学科活动给科学家群体带来的影响, 例如, 有学者用社会网络理论和创造性思维理论分析跨学科团队的知识创新过程, 模拟累进式知识创新和激进式知识创新改变网络知识分布状况, 认为其能共同扩充个人和群体的知识存量, 提升跨学科团队整体的知识水平[19]; 有学者证实引用学科范围越广泛的文献影响力越大[20]。
②横向研究不同性质的科学家群体在跨学科活动中的行为偏好。例如, 有学者经研究发现, 相比于男性, 女性更倾向于进行跨学科的研究活动[21]。
本文研究对象为国家自然科学基金杰出青年项目入选者。通过国家自然科学基金委员会网站, 得到2016年国家自然科学基金杰出青年项目入选者(简称杰青)名单①(①http://www.nsfc.gov.cn/publish/portal0/tab38/info52789.htm.), 该名单上的学者分为8个学部: 地学部21人, 工程与材料科学部38人, 管理学部7人, 化学学部30人, 生物学部26人, 数学物理学部24人, 信息学部28人, 医学学部26人。年龄大多为40岁左右, 男性173人, 女性27人。查找这200位杰青的简历, 参照简历在Web of Science数据库中按姓名和机构检索出200位杰青的全部论文和引用的参考文献。得到论文和引文数据后分别计算学科交叉程度和学者影响力的指标值。
本研究采用H指数和H5指数判断学者的学术影响力。
H指数由美国加利福尼亚大学圣地亚哥分校的物理学家Hirsch于2005年提出, 可用于量化科研人员作为独立个体的研究成果。一名科学家的H指数指其发表的Np篇论文中有H篇每篇至少被引H次, 其余Np-H篇论文每篇被引小于或等于H次[21]。H指数是一个累积型的量化指标。
采用H5指数衡量杰青近5年的学术影响力。H5指数由谷歌学术提出[22], 是一个滚动型的量化指标, 其意义为过去5年中所发表文章集合的H指数。计算200位杰青2004年-2016年每个年份的H5指数。
本研究的学科交叉度测量从以下两个维度展开: 论文合作的学科交叉, 即与不同学科背景的学者进行学术合作; 其引文体现的学科交叉, 即参考文献涉及不同学科。这两个维度都采用布里渊指数计算。
参照简历在Web of Science数据库中按姓名和机构检索出200位杰青的全部论文和引用的参考文献。人工去除掉重名后, 得到13 521条数据。
(1) 跨学科合作测度
处理从Web of Science下载数据的C1字段(作者地址), 提取出每篇论文的合作者和机构信息, 通过机构信息判断合作者的学科背景, 按照教育部划分的12个学科门类(文史哲艺经管法教理工农医)进行标注。
例如, “周远扬”的论文“Natural Morita Equivalences Of Degree N”作者共有3人, 其中“Fan, Yun”和“Zhou, Yuanyang”的机构信息为“Cent China Normal Univ, Dept Math & Stat”, 而“Yang, Qinqin”的机构信息为“Wuhan Univ, Dept Comp Sci”。对于前者, 笔者将其学科标注为“理学”, 对于后者标注为“工学”。因此, 如果“周远扬”只发表了这一篇文献, 根据公式(1), 观测总数N为3, 即有3个作者; n1为2, 即属于“理学”的有2个作者; n2为1, 即属于“工学”的有1个作者。
在实际计算中, “周远扬”发表的论文不止一篇。因而基于论文合作视角的学科交叉度计算是基于该作者发表的全部文献展开, 即观测总数N应为每篇论文作者数量的总和, ni应为每个学科门类下的作者数量总和。最后得到200位杰青的合作者布里渊指数。
(2) 跨学科引用测度
处理从Web of Science下载数据的CR字段(参考文献), 提取出每篇论文的参考文献, 根据参考文献所在期刊的学科属性判断该篇参考文献的学科属性。依照Journal Citation Reports(JCR)的分类体系和教育部的12学科门类分类体系进行两次标签工作。
举例而言, “周远扬”在2007年发表的全部论文一共引用9篇文献, 即观测总数N为9。其中引用期刊在JCR的学科属性为“ACOUSTICS”的文献有7篇, 即n1为7; 引用期刊在JCR的学科属性为“CLINICAL NEUROLOGY”的文献有1篇, 即n2为1; 引用期刊在JCR的学科属性为“PHILOSOPHY”的文献有1篇, 即n3为1。根据公式(1)得到周远扬在2007的引文学科交叉度。
用12学科门类分类体系计算引文布里渊指数的过程大致相同。最后得到200位杰青于2004年-2016年每年份在JCR分类体系(约240个学科分类)下和12学科门类分类体系下的引文布里渊指数表。
(1) H指数、H5指数的趋势
200位杰青的H指数按不同学部集中呈现如图1所示。
每一个条柱代表一个学者的H指数, 每一个学部内按照H指数高低对学者从左到右降序排列。对学部按照H指数的平均值排列, 即化学学部的H指数平均值在8个学部中是最高的, 而管理学部是最低的。
在学部内的H指数差异性方面, 计算各学部的标准偏差后发现地学部的标准偏差最大, 而生物学部的标准偏差最小, 即生物学部内的学者H指数整体差异较小。
2004年-2016年杰青的H5指数变化情况如图2所示。
每一条折线代表一个学者, 学部按H5指数平均值高低从左到右降序排列, 即化学学部的H5指数平均值在8个学部中是最高的, 而管理学部是最低的, 这与图1结果无较大差异。不难看出, 200位杰青的H5指数多为先上升后下降态势, H5指数达到峰值的时间大多为近5年。
(2) 合作者布里渊指数和引文布里渊指数的趋势
各学部杰青的跨学科合作情况如图3所示。
每一个条柱代表一个学者, 学部按合作者布里渊指数平均值的高低从左到右降序排列。管理学部虽然杰青人数最少, 但其平均合作者布里渊指数却最高。这表示相对于其他学部而言, 管理学部跨学科合作的情况更为显著。信息学部的平均合作者布里渊指数最低, 说明信息学部总体可能更倾向于与自己专业相同或相近的学科进行合作。
各学部杰青的跨学科引用情况, 即研究成果的参考文献涉及的学科情况如图4-图5所示。每一个折线代表一个学者, 各学部从左到右按引文布里渊指数平均值的高低降序排列。
按JCR分类体系, 生物学部的引文布里渊指数排在最前, 管理学部排在最后。但按照教育部分类体系, 地学部排在最前, 管理学部排在第二。
结合杰青的跨学科合作数据, 管理学部在不同分类体系中的排名说明管理学部的跨学科合作和跨学科引用在较细致的分类体系下更明显, 即相比其他学部, 管理学部杰青跨学科的偏好更明显。
生物学部和地学部无论是在JCR分类体系下还是在12学科门类分类体系下的引文布里渊指数 均列前三。根据计算公式, 可以看到引文布里渊指数受引用的学科种类和引用的学科分布均衡度 影响, 因此相比其他学部, 生物学部和地学部学 者的知识基础涵盖的学科种类更多, 学科分布更 均衡。
工程与材料科学部和数学物理学部无论是在JCR分类体系下还是在12学科门类分类体系下的引文布里渊指数均在末尾。说明这两个学部的知识来源可能较为单一, 多只涉及理工科门类, 对其他学科门类的引用较少。
各个学部的合作者布里渊指数与H指数的散点图如图6所示。每一个圆点代表一个学者, 纵轴为合作者布里渊指数, 横轴为H指数。
各学部杰青跨学科合作与H指数之间的Pearson相关系数如表1所示。结果显示, 只有生物学部科学家的跨学科合作程度与学术影响力在0.01的置信水平上显著相关, 相关系数为0.541; 而其他学部科学家 的跨学科合作程度与学术影响力之间均不存在相关 关系。
表1 H指数与跨学科合作的相关性分析
| 学部 | 跨学科合作与H指数的 相关系数 |
|---|---|
| 地学部 | -0.083 |
| 工程与材料科学部 | 0.168 |
| 管理学部 | 0.252 |
| 化学学部 | -0.131 |
| 生物学部 | 0.541** |
| 数学物理学部 | 0.394 |
| 信息学部 | 0.351 |
| 医学学部 | -0.225 |
(1) JCR分类体系下的引文布里渊指数
各学部杰青H5指数与跨学科引用程度的Pearson相关系数如表2所示。地学部和管理学部的两个变量在0.01的置信水平上不存在显著相关关系, 其余学部均存在。
表2 H5指数与跨学科引用(JCR)的相关性分析
| 学部 | 相关系数 |
|---|---|
| 地学部 | 0.127 |
| 工程与材料科学部 | 0.237** |
| 管理学部 | 0.042 |
| 化学学部 | 0.288** |
| 生物学部 | 0.377** |
| 数学物理学部 | 0.205** |
| 信息学部 | 0.262** |
| 医学部 | 0.452** |
生物学部和医学学部的引文布里渊指数(JCR)与H5指数的关系如图7所示。纵轴是JCR分类体系下的引文布里渊指数, 横轴是H5指数, 每一个点代表一对引文布里渊指数(JCR)和H5指数。例如, 周远扬在2010年的引文布里渊指数(JCR)是0.592, H5指数是2, 而在2009年, 其引文布里渊指数(JCR)是0.324, H5指数仍是2, 这属于两对引文布里渊指数(JCR)和H5指数, 在图中相应位置以两个点呈现。可以看到, 两张散点图都呈现出一定线性关系。
(2) 教育部学科分类体系下的相关关系校验
按照教育部学科分类体系, 只有生物学部和医学部的H5指数与跨学科引用程度在0.01的置信水平上存在显著相关关系, 具体相关性分析如表3所示。
表3 H5指数与跨学科引用(教育部学科分类)的相关性分析
| 学部 | 相关系数 |
|---|---|
| 地学部 | -0.052 |
| 工程与材料科学部 | -0.099 |
| 管理学部 | -0.046 |
| 化学学部 | 0.049 |
| 生物学部 | 0.181** |
| 数学物理学部 | 0.002 |
| 信息学部 | 0.072 |
| 医学学部 | 0.241** |
从更细的分类体系(JCR)转到更粗的分类体系(教育部), 所有学部的相关系数都或多或少地有所降低, 说明分类标准可能对判断学科交叉与学术影响力之间的关系有影响。
以2016年200位杰青在Web of Science的发文和参考文献作为研究对象, 分析科学家的成长特征, 即其H指数、H5指数、跨学科合作程度和跨学科引用程度在不同学部中的差异, 以及H5指数、引文布里渊指数随时间的演变情况, 研究发现, 在8个学部中, 无论是H指数还是动态的H5指数, 化学学部的学术影响力高于其他学部, 而管理学部最低; 200位杰青 2004年-2016年的H5指数多为先上升后下降态势, H5达到峰值的时间大多为近5年; 相对而言, 生物学部和地学部的知识来源涵盖的学科种类更多, 学科分布更均衡, 工程与材料科学部和数学物理学部的知识来源较为单一, 多局限于理工科。
通过跨学科合作、跨学科引用与学术影响力的关系分析后发现, 在8个学部中, 只有生物学部的跨学科合作与学术影响力具有相关关系; 无论是在JCR分类体系中, 还是在教育部学科分类体系中, 生物学 部和医学部的跨学科引用与学术影响力均具有相关 关系。
为什么在引用学科范围更广的管理学部不存在跨学科引用与学术影响力之间的相关关系?管理学部的引用学科范围更广是由它的科学化趋势决定的, 社会科学的科学化指社会科学学科大量吸收理工类知识, 研究范式越来越接近于科学研究范式的趋势[23]。
传统的文献计量方法不能有效评价跨学科研究的成果, 原因在于对跨学科合作的评价不是单一学科评价的线性累加, 而是有其自身的规律和标准。如果能较为准确地描述出更丰富的学科知识来源与差异化的学科合作对学者自身学术能力成长的影响, 不仅能判断怎样才算有效地跨学科、哪些学科之间更容易碰撞出有影响力的火花, 还能给研究生的培养教育提供一定的指导帮助。
本研究存在一定的局限性: 学科分类并没有统一的标准, 而经研究发现学科分类标准对学科交叉度的测量有一定影响; 学者的研究成果只选取Web of Science收录的文献, 数据不全面可能会对分析结果造成影响; 用机构信息判断学者所属学科的方法较为粗糙, 且因机构的学科判断原先没有统一标准, 需要人工标注, 或多或少影响了客观性。
李江: 提出研究思路, 设计研究方案;
李东: 进行实验, 论文起草;
李东, 童寿传: 采集、清洗和分析数据;
李江, 李东: 论文最终版本修订。
所有作者声明不存在利益冲突关系。
支撑数据由作者自存储, E-mail: lidongzju@zju.edu.cn。
[1] 李东, 童寿传, 李江. 2016年杰青论文数据. xlsx. 根据2016年杰青名单在Web of Science中下载的论文数据, 已人工重名处理.
[2] 李东, 童寿传, 李江. 引文布里渊(教育部).xlsx. 提取所有参考文献后, 根据教育部12学科门类的划分匹配期刊学科, 计算得到的引文布里渊指数.
[3] 李东, 童寿传, 李江. 引文布里渊(JCR). xlsx. 提取所有参考文献后, 根据JCR的划分匹配期刊学科, 计算得到的引文布里渊指数.
[4] 李东, 童寿传, 李江. 合作者布里渊.xlsx. 提取所有合作者的机构后, 人工标注所属学科, 计算得到的合作者布里渊指数.
[5] 李东, 童寿传, 李江. H指数与布里渊关联.xlsx. 为绘制图谱和计算Pearson相关系数进行的数据准备.
| [1] |
|
| [2] |
“跨学科性”的概念框架与测度[J] .https://doi.org/10.13366/j.dik.2014.03.087 URL [本文引用: 3] 摘要
针对跨学科研究文献中的概念混用,重新定义了“跨学科性”,并从 “跨学科发文”与“跨学科引用”两个方面构建了“跨学科性”的概念框架.然后,基于该概念框架,以图书情报领域全球101位优秀学者为例,采用“专门度” 和“布里渊指标”两个指标,分别测度学者发文的跨学科性与引用的跨学科性.研究结果表明:①学者引用的跨学科性与学者的学术影响力显著相关,即引用范围越 广泛的学者的影响力越大;②从事文献计量研究的学者的跨学科性均显著高于从事信息系统研究的学者,即前者的知识背景更加多元化.
The Concept and Measurement of Interdisciplinarity [J].https://doi.org/10.13366/j.dik.2014.03.087 URL [本文引用: 3] 摘要
针对跨学科研究文献中的概念混用,重新定义了“跨学科性”,并从 “跨学科发文”与“跨学科引用”两个方面构建了“跨学科性”的概念框架.然后,基于该概念框架,以图书情报领域全球101位优秀学者为例,采用“专门度” 和“布里渊指标”两个指标,分别测度学者发文的跨学科性与引用的跨学科性.研究结果表明:①学者引用的跨学科性与学者的学术影响力显著相关,即引用范围越 广泛的学者的影响力越大;②从事文献计量研究的学者的跨学科性均显著高于从事信息系统研究的学者,即前者的知识背景更加多元化.
|
| [3] |
|
| [4] |
Interfield Theories [J].https://doi.org/10.1086/288723 URL [本文引用: 1] |
| [5] |
“跨学科研究”评价方法与资助对策[D] .Evaluation Methods and Financing Countermeasures of “Interdisciplinarity Research” [D] . |
| [6] |
学科交叉与交叉科学的意义 [J].https://doi.org/10.3969/j.issn.1000-3045.2005.01.015 URL [本文引用: 1] 摘要
学科交叉是“学科际”或“跨学科”研究活动，其结果导致的知识体系构成了交叉科学。自然界的各种现象之间本来就是一个相互联系的有机整体，人类社会也是自然界的一部分，因而人类对于自然界的认识所形成的科学知识体系也必然就具有整体化的特征。科学史表明，科学经历了综合、分化、再综合的过程。现代科学则既高度分化又高度综合，而交叉科学又集分化与综合于一体，实现了科学的整体化。
Implications in the Disciplinary Crossbreeding and Interdisciplinary Sciences [J].https://doi.org/10.3969/j.issn.1000-3045.2005.01.015 URL [本文引用: 1] 摘要
学科交叉是“学科际”或“跨学科”研究活动，其结果导致的知识体系构成了交叉科学。自然界的各种现象之间本来就是一个相互联系的有机整体，人类社会也是自然界的一部分，因而人类对于自然界的认识所形成的科学知识体系也必然就具有整体化的特征。科学史表明，科学经历了综合、分化、再综合的过程。现代科学则既高度分化又高度综合，而交叉科学又集分化与综合于一体，实现了科学的整体化。
|
| [7] |
An Approach to Interdisciplinarity Through Bibliometric Indicators [J].https://doi.org/10.1023/A:1010529114941 URL [本文引用: 1] |
| [8] |
The Potential of Transdisciplinary Research for Sustaining and Extending Linkages Between the Health and Social Sciences [J].https://doi.org/10.1016/0277-9536(92)90038-R URL PMID: 1462174 [本文引用: 1] 摘要
The last decade of the twentieth century is witnessing a profusion of projects drawing together social and health scientists to study and recommend solutions for a wide range of health problems. The process--practices in both developed and developing countries--is usually called multidisciplinary or interdisciplinary research. Its historical precedents are briefly reviewed in this paper along with the types of problems addressed. From a review and discussion of a sample of projects selected from two major proponents of this approach to research, the Social and Economic Research Component of the UNDP/World Bank/WHO Special Programme for Research and Training in Tropical Diseases and the Applied Diarrheal Disease Research Project, conclusions are drawn about the nature of contributions from such efforts--very useful for short-term problem solving, less so for longer-term programmatic changes, especially beyond the health sector, and even more limited in impact on theory building for coping with the changing human condition. The recognition of such limitations is now widespread in the social and natural sciences beyond the health sector, in population, ecology, and the humanities. Following these observations, I argue for a new approach to transcend the disciplinary bounds inherent in multi-and interdisciplinary research. A transdisciplinary approach can provide a systematic, comprehensive theoretical framework for the definition and analysis of the social, economic, political, environmental, and institutional factors influencing human health and well-being. The academic and career challenges for such researchers, while considerable, may be overcome since there is now flexibility in research-supporting organizations to encourage new ideas in international health, such as that of essential national health research.
|
| [9] |
How Interdisciplinary is a Given Body of Research? [J].https://doi.org/10.3152/095820208X364553 URL [本文引用: 1] 摘要
This article presents results to date produced by a team charged with evaluating the National Academies Keck Futures Initiative, a 15-year US$ 40 million program to facilitate interdisciplinary research in the United States. The team has developed and tested promising quantitative measures of the integration (I) and specialization (S) of research outputs, the former essential to evaluating the impact of the program. Both measures are based on Thomson-ISI Web of Knowledge subject categories. ‘I’ measures the cognitive distance (dispersion) among the subject categories of journals cited in a body of research. ‘S’ measures the spread of subject categories in which a body of research is published. Pilot results for samples from researchers drawn from 22 diverse subject categories show what appears to be a surprisingly high level of interdisciplinarity. Correlations between integration and the degree of co-authorship of selected bodies of research show a low degree of association. Copyright , Beech Tree Publishing.
|
| [10] |
A General Framework for Analysing Diversity in Science, Technology and Society [J].https://doi.org/10.1098/rsif.2007.0213 URL PMID: 2373389 [本文引用: 1] 摘要
This paper addresses the scope for more integrated general analysis of diversity in science, technology and society. It proposes a framework recognizing three necessary but individually insufficient properties of diversity. Based on 10 quality criteria, it suggests a general quantitative non-parametric diversity heuristic. This allows the systematic exploration of diversity under different perspectives, including divergent conceptions of relevant attributes and contrasting weightings on different diversity properties. It is shown how this heuristic may be used to explore different possible trade-offs between diversity and other aspects of interest, including portfolio interactions. The resulting approach offers a way to be more systematic and transparent in the treatment of scientific and technological diversity in a range of fields, including conservation management, research governance, energy policy and sustainable innovation.
|
| [11] |
Diversity and Network Coherence as Indicators of Interdisciplinarity: Case Studies in Bionanoscience [J].https://doi.org/10.1007/s11192-009-0041-y URL [本文引用: 1] |
| [12] |
An Indicator of Cross-Disciplinary Research [J].https://doi.org/10.1007/BF02016934 URL [本文引用: 1] 摘要
Study of interdisciplinary research processes and performance is hampered by a lack of data. This project investigated possible indicators based in the open scientific literature to measure such processes. Focusing on the Journal Citation Reports as a suitable data base, alternative indicators were validated on a sample of 383 articles drawn from 19 journals. The results support the use of Citations Outside Category as an indicator of cross-disciplinary research activity. An estimated version of this indicator is used to examine three research categories — Demography, Operations Research/Management Science, and Toxicology — as to the extent of cross-disciplinary citation occurring by the journals in these categories and to them. Results suggest that Citations Outside Category can be a quite informative bibliometric measure. A key substantive finding is that citation across broad field categories (engineering, life sciences, physical sciences, and social sciences) is extremely infrequent.
|
| [13] |
Science and Information Theory [J]. |
| [14] |
Measuring Researcher Interdisciplinarity [J].https://doi.org/10.1007/s11192-007-1700-5 URL [本文引用: 1] |
| [15] |
The Misleading Narrative of the Canonical Faculty Productivity Trajectory [J].https://doi.org/10.1073/pnas.1702121114 URL PMID: 29042510 [本文引用: 1] 摘要
Abstract A scientist may publish tens or hundreds of papers over a career, but these contributions are not evenly spaced in time. Sixty years of studies on career productivity patterns in a variety of fields suggest an intuitive and universal pattern: Productivity tends to rise rapidly to an early peak and then gradually declines. Here, we test the universality of this conventional narrative by analyzing the structures of individual faculty productivity time series, constructed from over 200,000 publications and matched with hiring data for 2,453 tenure-track faculty in all 205 PhD-granting computer science departments in the United States and Canada. Unlike prior studies, which considered only some faculty or some institutions, or lacked common career reference points, here we combine a large bibliographic dataset with comprehensive information on career transitions that covers an entire field of study. We show that the conventional narrative confidently describes only one-fifth of faculty, regardless of department prestige or researcher gender, and the remaining four-fifths of faculty exhibit a rich diversity of productivity patterns. To explain this diversity, we introduce a simple model of productivity trajectories and explore correlations between its parameters and researcher covariates, showing that departmental prestige predicts overall individual productivity and the timing of the transition from first- to last-author publications. These results demonstrate the unpredictability of productivity over time and open the door for new efforts to understand how environmental and individual factors shape scientific productivity.
|
| [16] |
Scientific Collaboration Patterns Vary with Scholars’ Academic Ages [J].https://doi.org/10.1007/s11192-017-2388-9 URL [本文引用: 1] 摘要
Abstract Scientists may encounter many collaborators of different academic ages throughout their careers. Thus, they are required to make essential decisions to commence or end a creative partnership. This process can be influenced by strategic motivations because young scholars are pursuers while senior scholars are normally attractors during new collaborative opportunities. While previous works have mainly focused on cross-sectional collaboration patterns, this work investigates scientific collaboration networks from scholars local perspectives based on their academic ages. We aim to harness the power of big scholarly data to investigate scholars academic-age-aware collaboration patterns. From more than 621,493 scholars and 2,646,941 collaboration records in Physics and Computer Science, we discover several interesting academic-age-aware behaviors. First, in a given time period, the academic age distribution follows the long-tail distribution, where more than 80% scholars are of young age. Second, with the increasing of academic age, the degree centrality of scholars goes up accordingly, which means that senior scholars tend to have more collaborators. Third, based on the collaboration frequency and distribution between scholars of different academic ages, we observe an obvious homophily phenomenon in scientific collaborations. Fourth, the scientific collaboration triads are mostly consisted with beginning scholars. Furthermore, the differences in collaboration patterns between these two fields in terms of academic age are discussed.
|
| [17] |
高被引科学家美国集聚的特征与原因分析 [J].https://doi.org/10.3969/j.issn.1001-4519.2014.02.007 URL [本文引用: 1] 摘要
迁移至美国一直被认为是全球科技精英人才国别迁移的主要特征。本文通过对2430名高被引科学家的简历进行内容分析，以及对其中308名高被引科学家迁移原因的问卷调查结果进行统计分析发现，高被引科学家向美国集聚的现象呈现出阶段性特征，且随着职业发展，高被引科学家出现从美国逆向集聚的现象。从美国逆向集聚过程中获利的国家包括亚太地区的创新型国家(地区)，中国香港和中国台湾也在其列。而影响高被引科学家从美国逆向集聚的原因，与这些国家(地区)为科技精英人才提供更适宜的工作环境有很大关系。故本文认为，通过对国内发达城市一流大学的投入，创建适宜的工作环境，能为中国吸引更多的科技精英人才。
International Migration: An Empirical Study on Highly-cited Scientists’ Agglomeration in the USA [J].https://doi.org/10.3969/j.issn.1001-4519.2014.02.007 URL [本文引用: 1] 摘要
迁移至美国一直被认为是全球科技精英人才国别迁移的主要特征。本文通过对2430名高被引科学家的简历进行内容分析，以及对其中308名高被引科学家迁移原因的问卷调查结果进行统计分析发现，高被引科学家向美国集聚的现象呈现出阶段性特征，且随着职业发展，高被引科学家出现从美国逆向集聚的现象。从美国逆向集聚过程中获利的国家包括亚太地区的创新型国家(地区)，中国香港和中国台湾也在其列。而影响高被引科学家从美国逆向集聚的原因，与这些国家(地区)为科技精英人才提供更适宜的工作环境有很大关系。故本文认为，通过对国内发达城市一流大学的投入，创建适宜的工作环境，能为中国吸引更多的科技精英人才。
|
| [18] |
Standing on the Shoulders of Giants [J]. |
| [19] |
跨学科团队的知识创新及其演化特征——基于创新单元和创新个体的双重视角 [J].https://doi.org/10.3969/j.issn.1003-2053.2013.05.012 URL [本文引用: 1] 摘要
特定的社会化科学结构与主体创造性思维的交互作用是跨学科研究的创意来源。基于社会网络理论和创造性思维理论分析跨学科团队的知识创新过程,引入创新单元和创新个体之间的知识创新与认知扩展的互动关系视角建立跨学科团队的知识创新模型,揭示多学科知识和创造性思维在内的异质性整合和认知调整,解释创新个体间知识关联与运动促进认知发展过程,和实现跨学科团队知识创新目标的本质。通过对模型性能及影响因素的仿真分析得出,累进式知识创新和激进式知识创新改变网络的知识分布状况,共同扩充个人和群体的知识存量,提升跨学科团队整体知识水平。
Knowledge Innovation of Interdisciplinary Research Team and Evolving Features: Based on Innovation Unit and Innovation Individual Views [J].https://doi.org/10.3969/j.issn.1003-2053.2013.05.012 URL [本文引用: 1] 摘要
特定的社会化科学结构与主体创造性思维的交互作用是跨学科研究的创意来源。基于社会网络理论和创造性思维理论分析跨学科团队的知识创新过程,引入创新单元和创新个体之间的知识创新与认知扩展的互动关系视角建立跨学科团队的知识创新模型,揭示多学科知识和创造性思维在内的异质性整合和认知调整,解释创新个体间知识关联与运动促进认知发展过程,和实现跨学科团队知识创新目标的本质。通过对模型性能及影响因素的仿真分析得出,累进式知识创新和激进式知识创新改变网络的知识分布状况,共同扩充个人和群体的知识存量,提升跨学科团队整体知识水平。
|
| [20] |
The Impact of Interdisciplinary Research in the Environmental Sciences: A Forestry Case Study [J]. |
| [21] |
An Index to Quantify an Individual’s Scientific Research Output [J].https://doi.org/10.1073/pnas.0507655102 URL [本文引用: 2] |
| [22] |
Google Scholar Metrics [EB/OL]. [ |
| [23] |
我国图书情报学国际化发展的现状与趋势 [J].https://doi.org/10.13366/j.dik.2017.06.024 URL [本文引用: 1] 摘要
论文基于SSCI数据库收录的中国大陆于1998—2016年发表的2251篇图书情报学论文,首先从发文量、被引次数、加权被引次数、合作国家/地区、热点研究主题等角度回顾我国图书情报学的国际化发展历程;然后,从参考文献中分析我国图书情报学发展的知识来源的学科变化;最后,从施引文献的国家/地区和学科分类中分析我国图书情报学知识的去向。研究发现:(1)我国图书情报学领域国际论文被SSCI收录的文献数量总体呈指数上升趋势,同时,影响力在逐步增长;(2)我国图书情报学国际化进程中的合作对象为美国、比利时、中国台湾、澳大利亚等国家/地区;(3)我国图书情报学国际论文的热点主题主要包括信息技术与信息系统、信息计量等;(4)我国图书情报学国际成果的知识主要来源于学科内自引,其次是管理学、计算机信息系统等学科;(5)我国图书情报学知识主要流向国内,其次是美国、中国台湾等国家/地区;主要流向学科内(占比高达59%),其次是交叉科学、管理学等学科。基于实证分析结果,论文提出了我国图书情报学未来应该重点发展的两大方向:(1)进一步科学化,强调描述性推论与因果推论的研究方法;(2)从学科交叉中寻找新的学科生长点。
The Development and Trend of China’s International Publications in the Field of Library and Information Science [J].https://doi.org/10.13366/j.dik.2017.06.024 URL [本文引用: 1] 摘要
论文基于SSCI数据库收录的中国大陆于1998—2016年发表的2251篇图书情报学论文,首先从发文量、被引次数、加权被引次数、合作国家/地区、热点研究主题等角度回顾我国图书情报学的国际化发展历程;然后,从参考文献中分析我国图书情报学发展的知识来源的学科变化;最后,从施引文献的国家/地区和学科分类中分析我国图书情报学知识的去向。研究发现:(1)我国图书情报学领域国际论文被SSCI收录的文献数量总体呈指数上升趋势,同时,影响力在逐步增长;(2)我国图书情报学国际化进程中的合作对象为美国、比利时、中国台湾、澳大利亚等国家/地区;(3)我国图书情报学国际论文的热点主题主要包括信息技术与信息系统、信息计量等;(4)我国图书情报学国际成果的知识主要来源于学科内自引,其次是管理学、计算机信息系统等学科;(5)我国图书情报学知识主要流向国内,其次是美国、中国台湾等国家/地区;主要流向学科内(占比高达59%),其次是交叉科学、管理学等学科。基于实证分析结果,论文提出了我国图书情报学未来应该重点发展的两大方向:(1)进一步科学化,强调描述性推论与因果推论的研究方法;(2)从学科交叉中寻找新的学科生长点。
|
| 版权所有 © 2015 《数据分析与知识发现》编辑部 地址：北京市海淀区中关村北四环西路33号 邮编：100190 电话/传真：(010)82626611-6626，82624938 E-mail:jishu@mail.las.ac.cn |
/
| 〈 |
|
〉 |
