合著网络加权模式下科研团队的发现与评价研究
任妮, 周建农
江苏省农业科学院农业经济与信息研究所 南京 210014
周建农, ORCID: 0000-0003-0973-9373, E-mail: zjn@jaas.ac.cn

作者贡献声明:任妮: 研究过程的实施, 数据采集、清洗、分析, 论文撰写; 周建农: 提出研究思路, 设计研究方案, 论文定稿。

摘要

目的 通过加权的合著网络关系研究, 发现、分析和评价某一机构或学科领域的科研团队情况。方法 利用合著次数、合著人数、作者排名、被引频次等要素构建一种综合性的合著网络加权模型, 并借助社会网络分析方法进行科研团队发现和评价的实证研究。结果 利用该模型发现的虚拟科研团队和评价结果与实际科研团队的调研结果相符。且该方法能够综合多种影响因素, 客观评价科研团队的结构组成和影响力情况。【局限】为确保得到现实中科研团队的详细情况以验证该模型的研究结论, 选择笔者所在的科研机构作为评价对象, 使得实证研究的范围较小; 且数据类型覆盖面存在局限性。结论 该方法适用于某一范围内科研团队发现、结构关系分析及建设情况评价, 有助于快速熟悉团队, 为团队的发展完善提供依据。

关键词: 科研团队发现; 科研团队评价; 合著网络; 社会网络分析
中图分类号:G353.1
The Discovery and Evaluation of Research Team Under the Mode of Weighted Co-Author Network
Ren Ni, Zhou Jiannong
Institute of Agricultural Economics and Information, Jiangsu Academy of Agricultural Sciences, Nanjing 210014, China
Abstract

[Objective] Discovering, analyzing and evaluating the research team of an organization or subject through the study of the weighted co-author network.[Methods] Build a comprehensive weighted model of the co-author network with the factors of co-author frequency, number, ranking, cited frequency and so on. Make an empirical research on the discovery and evaluation of research team with the method of social network analysis.[Results] The virtual team and its evaluating results got from this method is consistent with the research results about the actual team.The method can synthesize multiple influence factors, and objectively evaluate the structure and influence of the research team. [Limitations] In order to ensure the physical details of the actual team can be got to verify the research results, the authors choose their own institution as the evaluation object, and which makes the range of empirical research is narrow. The data type is unitary.[Conclusions] The method is suitable for the discovery of research team, the analysis of the relationship, and the evaluation of the construction within some scopes. These results are helpful to quickly know the team well, and provide the information for team optimization.

Keyword: Research team discovery; Research team evaluation; Co-author network; Social network analysis
1 引 言

21世纪以来, 国际科研合作量、合作率和合作范围均呈现逐年上升趋势[1], 科研合作日趋重要。王崇德[2]曾指出“ 人们虽然企图从各个角度去研究科学合作的性质、结构与规律, 但到目前为止, 合作的表现形式仍然只能是合著的科学论文” 。因此, 论文合著关系研究是科研评价的有效途径。

科研团队是科研合作的基本单位, 是以科学技术研究与开发为内容, 由优势互补、愿意为共同的科研目的、科研目标和工作方法而相互协作配合承担责任的科研人员组成的群体[3]。Van Raan[4]通过研究证明将研究团队作为一个整体进行计量分析非常有价值。尤其随着社会网络关系这种新范式引入合著关系网络的研究领域[5, 6], 国内外越来越多学者将合著关系网络用于科研团队的发现和评价。Guan等[7]将DEA模型运用到科研团队的表现评价中。Acedo等[8]分析了管理科学领域的合著关系网络。Velden等[9]从介观层面研究了合著关系网络。Gonzá lez-Alcaide等[10]通过分析科技论文合著网络发现了南美锥虫病研究领域中的科研合作团队。李亮等[11]利用社会网络分析方法对《情报学报》的合著者进行分析, 发现了合著网络中联系紧密的团体。庞弘燊等[12]利用社会网络分析方法研究了WISE 实验室的合作紧密度。沈耕宇等[13]将向量空间模型应用到作者合著关系网络的科研团队发掘研究中。李纲等[14]运用社会网络关系的方法对我国肿瘤学科领域进行了科研团队的挖掘。

本文综合分析前人对合著网络关系加权要素和方法的研究, 利用合著次数、合著人数、作者排名、被引频次等要素构建了一种综合性的合著网络加权模型, 并以笔者所在科研机构作为实证研究对象, 发现科研团队、并采用社会网络方法分析该团队特点和成员关系, 同时通过实际调研对分析的结果进行验证。

2 现有的合著网络加权模型分析

合著关系矩阵Co=(Wi, j)m× m是合著网络关系研究的基础, 而作者之间的关系取Wi, j值则依赖于加权要素的选择。目前的研究方法中Wi, j主要取决于合著次数[11, 12, 14, 15, 16, 17, 18, 19], 部分学者考虑了作者贡献度(合著人数和作者排名)[13, 15], 也有学者[20]认为被引频次应该用于团队影响力的评价中。

2.1 基于合著次数的加权模型

目前, 基于合著次数的加权模型是合著关系网络研究的主要方法, 有大量的实证研究[11, 12, 14, 15, 16, 17, 18, 19]。该类研究中, Wi, j=k, 其中k为合著论文的数量。

这种方法因简单、易操作而被大量用于科研团队挖掘的实践中。然而, 合著强度仅能反映合著网络中作者之间的合作关系, 对于作者在合作中的地位、作用等信息无法判断, 不利于进行深入的团队分析。

2.2 基于合著次数和作者贡献度的加权模型

2001年, Newman[5, 6]提出根据合著次数及合著人数来计算作者之间的合作关系, 使得合著网络关系研究进一步延伸。朱丽娟等[15]在Newman[5, 6]算法的基础上引入作者排名, 提出基于作者贡献度的合著网络关系计算方法。该方法同时考虑了第一作者和通讯作者共存的情况, 公式如下:

其中, s表示作者署名次序, n表示合著人数, p表示是否存在通讯作者(有通讯作者时k=1, 反之k=0), t表示通讯作者的署名位置, m表示作者是否是通讯作者(是通讯作者时m=1, 反之m=0)。

另外, 沈耕宇等[13]将向量空间模型引入到合著网络关系的计算中, 提出利用作者向量的相似度来衡量作者之间的合作关系。

上述方法均只考虑同一篇文献中作者关系的各种影响要素, 但未考虑不同文献之间影响力的差异。

2.3 基于合著次数、合著人数和被引频次的加权模型

2005年, Bö rner等[20]提出用基于发文量和被引频次的方法研究合著团队的影响力, 公式为:

其中, np表示合著人数, cp表示被引次数。

Bö rner等仅将被引频次引入合著团队影响力的研究中, 对团队内部成员之间的合作关系并不关注。然而从团队内部关系研究的角度而言, 除了合著效果外, 合著强度和作者贡献度等内部要素不可忽略。

3 一种综合的合著关系网络模型

通过上述分析可以发现, 将合著次数、合著人数、作者排名和被引频次等要素综合考虑的加权模型未见提出及应用。为了更加全面地评价科研团队及其成员关系, 笔者提出一种综合的合著网络加权模型。

首先, 假设研究的文献集合中有n篇文档, 其中涉及作者m人, 则可以构建作者对文献的贡献度矩阵(Attr)为:

Attr=(attri, j)m× n

其中, attri, j为作者i对于文献j的贡献度, 计算公式如下:

其中, k为文献j的作者总数; s是作者i在文献j中的排名; m表示作者i是否是通讯作者, 当作者i为通讯作者时, m=1, 否则m=0; p表示文献j是否有通讯作者, 如果有通讯作者p=1, 否则p=0; t表示文献j中通讯作者的排名。

然后, 假设n篇文档的被引频次向量为TC=(tc1· · · tcn), 则考虑被引频次后, 改善的贡献度矩阵(Attr’ )为:

Attr’ =(attr’ i, j)m× n

其中, attr’ i, j=attri, j× (1+tcj), tcj为文献j的被引频次。

最后, 根据作者对文档的贡献度矩阵, 利用余弦函数法计算作者与作者之间的合著关系矩阵:

Co=(Wi, j)m× n

其中, Wi, j表示作者i和作者j之间的相似度关系, 作者i的贡献度向量Attr’ i=(attr’ i, l· · · attr’ i, n), 作者j的贡献度向量Attr’ j=(attr’ j, l· · · attr’ j, n), 则作者i和作者j的合作关系矩阵计算公式如下:

4 模型验证及实证研究
4.1 数据来源及研究指标

选择江苏省农业科学院的某研究所作为实证研究对象, 根据上述合著关系综合加权模型进行数据计算, 获取合著关系矩阵, 并选取Ucinet6作为合著关系网络研究各属性指标计算的主要工具, 同时利用该软件集成的NetDraw实现合著关系网络的可视化展示。

本次验证及实证研究的数据源为2008年到2013年中国期刊网(中国期刊网: http: //www.cnki.net/.)的核心期刊数据库。按照机构名称和人员姓名构建检索式进行检索, 并且通过编写程序对初始数据进行清洗, 再辅以人工甄别处理, 获得以该部门科研人员为第一作者或通讯作者、且以本机构为第一作者单位或者通讯作者单位的研究论文为719篇, 该部门在编科研人员共64人, 其中有6人未在核心期刊发表文章或者未以本机构为作者单位发表文章, 因此有效研究对象共58人。现实中, 该58人分别隶属于7个研究团队, 包括3个研究室和4个项目组, 编号分别为S1-S7 (其中S1-S3为研究室, 分别下设项目组; S4-S7为独立项目组), 团队与人员关联构建隶属关系列表。本研究所有文献信息、作者信息等均经过严格的人工检查, 确保了数据的准确性。

本次实证研究选择的研究指标主要是社会网络分析方法中的中心性分析、凝聚子群分析和核心-边缘结构分析[21, 22]

4.2 合著关系网络图分析

根据笔者提出的合著关系综合加权模型, 编写程序对该研究所的58人719篇文章进行计算得到合著关系矩阵。利用NetDraw的File→ Open→ Ucinet Dataset→ Network路径导入合作矩阵, 利用File→ Open→ Ucinet Dataset→ Node Attributes路径导入58名科技人员与7个研究室的隶属关系列表, 然后利用弹簧算法(Layout→ Graph-Theoretic Layout→ Spring Embedding)绘制合著关系网络图。根据研究室隶属关系的不同选择7种颜色和形状的代表符号, 并根据关系强度(Properties→ Line→ Size→ Tie Strength)的大小设置了粗细不同的连接线。最终得到的合著关系网络, 如图1所示:

图1 某研究所科技人员合著关系网络结构

通过对该网络进行分析, 可以发现:

(1) 该模型计算得到的科研团队与现实中的科研团队完全一致。现实中58名科技人员组成7个团队, 与模型计算结果吻合。计算得到的三个大型团队对应于现实中的三个研究室S1-S3, 而4个小型团队S4-S7, 对应于4个项目组。项目组无论规模还是合作力度都与研究室差距悬殊。S4-S7这4个项目组的研究人员数量、成果产出、团队建设等相对于S1-S3都较为薄弱, 在网络中分布较零散。

(2) 该模型可以发现科研团队的分布规律及彼此间的合作关系。计算后发现, 团队与团队之间有节点起到桥梁作用, 将这些团队联结成一个大的合作网络。这说明各团队分布明显却并非孤立存在, 而是彼此有跨团队的交流与合作。现实中, S1-S3三个研究室聚合了该研究所的主要研究方向和资源, 而S4-S7是在三大研究方向的基础上衍生而成的项目组, 主要为处于交叉边缘学科的项目组或者科技服务性质的项目组。因此各个项目组之间既相互独立且有一定合作, 证实了模型计算结果的准确性。

(3) 该模型可以发现科研团队内部的小团队。在科研团队的研究中, 最常见的合作网络结构是星型结构和网状结构[12]。三个大团队网状结构的完备程度非常高, 说明其内部科研合作紧密。另外, 该团队结构中存在一些起中间桥梁作用的小团队A1、A2、A3、A4, 这些小团队成员少、彼此之间合作密切, 且处于大团队的连接线之间。现实中, A1和A2分别对应S5和S4项目组, 属于技术应用类的边缘学科, 重点工作是该研究所研究成果的推广应用; 而A3和A4则分别与S2和S1下属的两个项目组完全对应, 尤其是A4项目组原属独立项目组, 后在学科调整中划为S1研究室, 其研究属于学科交叉范畴。

4.3 中心性分析

中心性高的行动者相对于网络中其他行动者更为活跃, 且拥有的关系更多[23], 通过中心性分析可以挖掘在网络中处于中心地位和重要程度高的行动者。

(1) 点度中心性

一个节点与其他节点的直接联系越多, 其点度中心性越高, 该节点越处于网络的中心地位。整体来看, 该研究所合著网络的点度中心势为3.89%, 且其点度中心性均值为0.981, 方差为0.580, 说明其整体的关系相对疏松, 比较分散, 中心不突出。因为该研究所研究方向分散, 合作主要体现在项目组中, 如S3的点度中心势为23.1%, 团队紧密程度远远高于整体。

具体来看, 58名科技人员的点度中心性差距较大(Degree最大2.798, 最小0.001), 排名越靠前的科技人员越趋于网络中心。为了验证这一结论的准确性, 选取排名前10位的人员进行调研。其中, 研究员6人, 副研究员2人, 助理研究员2人; 担任项目组长的6人, 副组长1人; 40岁以上6人, 40岁以下4人。可见, 通过模型计算得到的科研团队中处于中心位置的科研人员在现实科研团队中的资历、级别、地位等亦很高, 再次验证了该模型具有很高的可信度。

(2) 中间中心性

中间中心性用以衡量行动者对资源的掌控程度。如果一个节点处于许多其他节点对的测地线(最短的途径)上, 则该节点具有较高的中间中心性。整体来看, 通过模型计算得到的合著关系网络的中间中心势是35.96%, 说明该研究所中科技人员的中介作用比较明显。且其均值为63.569, 方差为18 898.504, 方差数值相当高, 说明各科技人员的中间中心性差距悬殊, 少数人员掌握了该研究室中的大多数资源。

具体来看, 有12个节点的中间中心性为0, 说明这12名科技人员在科研工作中比较独立, 可掌控的资源较少, 处于网络的边缘位置。另外39个节点中间中心性大于0, 但其差距悬殊, M56的中间中心性为627.578, 排名第一, 且远远高于第二名, 说明该人员在该机构中能够起到科研互动的桥梁作用, 处于网络的核心位置, 拥有资源优势。这些都与现实情况相吻合。另外, 对前10名科技人员进行实际调研发现, 拥有高中间中心性有三种情况: 科研团队的带头人, 他们本身的资历和职位使其拥有大量的资源, 如M56、M03、M08、M16; 年轻的科技人员, 他们本身没有承担主要课题, 却参与多个科研团队的工作, 因此成为其他科研人员的中间桥梁, 如M15、M39、M11; 拥有一定的资历的人员, 其主要研究内容涉及到学科交叉, 因此与其他团队合作较多, 如M21、M06、M22。上述数据表明, 模型在中间中心性方面的计算结果与现实情况一致。

(3) 接近中心性

接近中心性可以衡量不受他人控制的程度, 如果一个节点通过比较短的路径与许多其他节点相连, 则该节点具有较高的接近中心性。该合著关系网络的接近中心势是28.43%, 远远高于点度中心势, 却低于中间中心势。其均值为31.756, 方差为25.626, 说明该研究所中各科技人员的接近中心性差异不大, 其不受控程度比较均衡。

从具体数值上看, M56的不受控程度最高, 且对比点度中心性和中间中心性, 可以发现M56的三个值均处于首位, 说明其在本研究所科研工作中的权利、地位、资源拥有量和不受控能力均非常高, 处于名副其实的核心地位。现实中, M56是该研究所最大研究室S2的室主任, 也是学术委员会主任, 二级研究员, 拥有大量的科研成果和科技荣誉, 在该部门虽不担任行政职务, 但学术地位首屈一指。这些均表明该模型在接近中心性方面的计算结果与现实情况一致。

4.4 凝聚子群分析

凝聚子群是一个行动者集合, 在此集合中行动者之间具有相对较强的、直接的、紧密的、经常的或者积极的关系[23]。凝聚子群分析可以揭示网络子结构及其密度情况。

(1) n-派系分析

凝聚子群分析常用的方法有派系、n-派系、n-派宗、k-丛、k-核等。其中, 建立在子群成员之间接近性或可达性基础上的n-派系对直接或间接的行动者关系同样适用。合著网络中作者关系是直接和间接交叉的, 因此, 本文选择n-派系的方法进行凝聚子群分析。同时, 为了控制派系的紧密程度, 设置n=2, 且派系的成员至少为三人。该研究所2-派系分析结果如图2图3所示。通过模型计算, 全部成员共凝聚为14个派系, 最小的派系4人(派系5和8), 最大的派系20人(派系1)。说明该研究所的科研团队规模差距较大, 存在新兴的小规模团队, 也存在发展成熟的大型研究团队。实地调研发现: 该研究所的7个项目组中, 最多的一个项目组有21人, 最少的项目组有2人, 规模差距甚大。同时, 大型项目组内部又有多个研究方向, 小型项目组多属学科交叉或科技服务类型, 且项目组织间有诸多合作, 因此, 通过合著关系发现的潜在科研团队与现实中的项目组既有交叉, 又有不同。

图2 某研究所科技人员的2-派系结果

图3 某研究所科技人员的2-派系聚类

另外, 从14个派系的成员组成来看, 有10名成员活跃度很高, 出现在多个团队中: 如M03出现在7个团队中, M15、M21、M22、M56分别出现在6个不同的团队中, M02、M06、M19、M20、M39分别出现在5个不同的团队中。现实情况中, M03是该研究所的所长, 且为S3研究室主任; 其他9位成员中, 有项目组长4名, 科技人员5名; 研究员5名, 副研究员2名, 助理研究员2名。模型计算得到的数据再次在现实中得到验证。

(2) E-I指数分析

凝聚子群密度(E-I Index)是常用来衡量社会网络中小团体现象严重与否, 以测量组织紧密程度的一个指标。E-I指数取值范围为[-1, 1]。当值趋近1时, 表明派系分立的情况较为严重; 而值靠近-1时, 则说明派系分离的情况较少; 值为0时, 说明合作关系的发生是非常平均的。

E-I指数为-0.737, 接近-1, 派系内部合作频次达到344次, 而外部合作频次仅为52次, 如图4所示, 说明本研究机构中内部关系密切、合作频繁, 合作关系多发生于派系之内, 派系分布集中。这些都与现实情况相吻合。

图4 某研究所科技人员的E-I指数分析结果

4.5 核心-边缘结构分析

核心-边缘结构是由若干元素相互联系构成的一种中心紧密相连、外围稀疏分散的特殊结构[24]。核心-边缘结构研究根据数据类型不同可以分为离散和连续两种。本文加权得到的合作矩阵非二值矩阵, 适用连续的核心-边缘模型。

连续的核心-边缘模型矩阵与理想矩阵之间的相关性系数为0.354, 虽然还没有达到完善的拟合程度, 但对于一个研究方向多元化的科研机构而言, 相关度和可信度已经较高。通过分析图5所示的矩阵, 得到处于网络核心位置的科技人员有: M04、M56、M58、M55、M25和M11, 说明其在网络中占有较高的地位。现实情况中, 这6名科技人员同属于一个研究室, 即该研究所最大的研究室S2, 可以再次印证模型计算结果是可靠的。

图5 某研究所科技人员的核心-边缘结构矩阵

5 结 语

本文将科技论文中的合著次数、合著人数、作者排名、被引频次等加权要素综合引入合著网络矩阵的构建中, 提出一种较为全面的合著关系综合加权模型。并通过社会网络方法对某科研机构进行实证研究, 发现潜在的科研团队, 分析科研团队、科研人员之间的关系、地位、权力、合作等问题, 用于验证模型的可靠、可行。结果表明, 该模型适用于某一领域、机构、地区的科研团队挖掘以及结构关系等分析, 便于快速地从整体和细节上熟悉团队的建设情况, 并为团队的发展完善提供依据。由于本研究的实证数据仅仅为CNKI中的核心期刊数据, 数据来源的局限性决定了研究结果的局限性。因此, 在后续研究中, 将综合考虑中外文期刊、中外文专利、立项课题、所获奖项等科技成果, 构建指标体系和评价模型, 规范合作矩阵, 从而使研究结果更具有代表性和实际指导价值。

参考文献
[1] 谭晓, 韩涛. 中国科学研究国际合作的测度和分析[J]. 科学学研究, 2013, 31(8): 1136-1140.
(Tan Xiao, Han Tao. Measure and Analysis of the International Research Collaboration in China[J]. Studies in Science of Science, 2013, 31(8): 1136-1140. ) [本文引用:1]
[2] 王崇德. 论科学合作[J]. 科技管理研究, 1984(5): 28-31.
(Wang Chongde. Study of the Scientific Collaboration[J]. Science and Technology Management Research, 1984(5): 28-31. ) [本文引用:1]
[3] 陈春花, 杨映珊. 基于团队运作模式的科研管理研究[J]. 科技进步与对策, 2002, 19(4): 79-81.
(Chen Chunhua, Yang Yingshan. Study of Science Research Management Based on Team-Working Model[J]. Science & Technology Progress and Policy, 2002, 19(4): 79-81. ) [本文引用:1]
[4] Van Raan A F J. Statistical Properties of Bibliometric Indicators: Research Group Indicator Distributions and Correlations[J]. Journal of the American Society for Information Science and Technology, 2006, 57(3): 408-430. [本文引用:1]
[5] Newman M E J. Scientific Collaboration NetworksⅠ: Network Construction and Fundamental Results[J]. Physical Review E, 2001, 64(1): 016131. [本文引用:3]
[6] Newman M E J. Scientific Collaboration Networks Ⅱ: Shortest Paths, Weighted Networks, and Centrality[J]. Physical Review E, 2001, 64(1): 016132. [本文引用:3]
[7] Guan J, Wang J. Evaluation and Interpretation of Knowledge Production Efficiency[J]. Scientometrics, 2004, 59(1): 131-155. [本文引用:1]
[8] Acedo F J, Barroso C, Casanueva C, et al. Co-authorship in Management and Organizational Studies: An Empirical and Network Analysis[J]. Journal of Management Studies, 2006, 43(5): 957-983. [本文引用:1]
[9] Velden T, Haque A, Lagoze C. A New Approach to Analyzing Patterns of Collaboration in Co-authorship Networks: Mesoscopic Analysis and Interpretation[J]. Scientometrics, 2010, 85(1): 219-242. [本文引用:1]
[10] González-Alcaide G, Park J, Huamaní C, et al. Scientific Authorships and Collaboration Network Analysis on Chagas Disease: Papers Indexed in Pubmed (1940-2009)[J]. Journal of the Institute of Tropical Medicine in Sao Paulo, 2012, 54(4): 219-228. [本文引用:1]
[11] 李亮, 朱庆华. 社会网络分析方法在合著分析中的实证研究[J]. 情报科学, 2008, 26(4): 549-555.
(Li Liang, Zhu Qinghua. An Empirical Study of Coauthorship Analysis Using Social Network Analysis[J]. Information Science, 2008, 26(4): 549-555. ) [本文引用:3]
[12] 庞弘燊, 方曙, 杨波, . 科研团队合作紧密度的分析研究——以大连理工大学WISE实验室为例[J]. 图书情报工作, 2011, 55(4): 28-32, 99.
(Pang Hongshen, Fang Shu, Yang Bo, et al. Research on the Close Degree of Cooperation in Research Team: An Empirical Study in WISE Laboratory in Dalian University of Technology[J]. Library and Information Service, 2011, 55(4): 28-32, 99. ) [本文引用:4]
[13] 沈耕宇, 黄水清, 王东波. 以作者合作共现为源数据的科研团队发掘方法研究[J]. 现代图书情报技术, 2013(1): 57-62.
(Shen Gengyu, Huang Shuiqing, Wang Dongbo. On the Scientific Research Teams Identification Method Taking Co-authorship of Collaboration as the Source Data[J]. New Technology of Library and Information Service, 2013(1): 57-62. ) [本文引用:3]
[14] 李纲, 李春雅, 李翔. 基于社会网络分析的科研团队发现研究[J]. 图书情报工作, 2014, 58(7): 63-70, 82 .
(Li Gang, Li Chunya, Li Xiang. The Identification of Research Teams Based on Social Network Analysis [J]. Library and Information Service, 2014, 58(7): 63-70, 82. ) [本文引用:3]
[15] 朱丽娟, 于建荣. 基于作者贡献的合著网络加权模式研究[J]. 图书馆杂志, 2011, 30(5): 16-50, 92.
(Zhu Lijuan, Yu Jianrong. Research of Weight Measurement of Co-Author Networks Based on Author Contribution [J]. Library Journal, 2011, 30(5): 16-50, 92. ) [本文引用:4]
[16] 邱均平, 伍超. 基于社会网络分析的国内计量学作者合作关系研究[J]. 图书情报知识, 2011(6): 12-17.
(Qiu Junping, Wu Chao. Study on the Co-Author Relationship of Informetrics Based on Social Network Analysis[J]. Document, Information & Knowledge, 2011(6): 12-17. ) [本文引用:2]
[17] 周玉芳. 基于社会网络分析的我国学科服务研究的主要学术合作群体和热点研究[J]. 现代情报, 2012, 32(3): 49-53, 75.
(Zhou Yufang. The Main Co-authorships and Hotspots of Subject Service in China Based on the Social Network Analysis[J]. Journal of Modern Information, 2012, 32(3): 49-53, 75. ) [本文引用:2]
[18] 李爱明. 社会网络视角下的国内数字图书馆领域作者合作关系研究[J]. 情报科学, 2013, 31(11): 57-63.
(Li Aiming. Research on Author Collaboration Relationship in Domestic Digital Library Field Based on Social Network[J]. Information Science, 2013, 31(11): 57-63. ) [本文引用:2]
[19] 彭希羡, 朱庆华, 沈超. 基于社会网络分析的社会计算领域的作者合作分析[J]. 情报杂志, 2013, 32(3): 93-100.
(Peng Xixian, Zhu Qinghua, Shen Chao. The Collaborative Research of Social Computing Based on Social Network Analysis[J]. Journal of Intelligence, 2013, 32(3): 93-100. ) [本文引用:2]
[20] Börner K, Dall’Asta L, Ke W, et al. Studying the Emerging Global Brain: Analyzing and Visualizing the Impact of Co-authorship Teams[J]. Complexity, 2005, 10(4): 57-67. [本文引用:2]
[21] 刘军. 社会网络分析导论[M]. 北京: 社会科学文献出版社, 2004.
(Liu Jun. An Introduction to Social Network Analysis [M]. Beijing: Social Sciences Academic Press, 2004. ) [本文引用:1]
[22] 林聚任. 社会网络分析: 理论、方法与应用[M]. 北京: 北京师范大学出版社, 2009.
(Lin Juren. Social Network Analysis: Theory, Method and Applications [M]. Beijing: Beijing Normal University Press, 2009. ) [本文引用:1]
[23] Wasserman S, Fause K. Social Network Analysis: Methods and Applications [M]. Cambridge: Cambridge University Press, 1994: 249. [本文引用:2]
[24] Borgatti S P, Everett M G. Models of Core/Periphery Structures[J]. Social Networks, 2000, 21(4): 375-395. [本文引用:1]