分类:科学计量学导引
核心思路和理念
基于网络科学的大科学学
系联、间接影响
从科学（作者、论文、概念）到科学，从科学（论文）到技术（专利），从技术到技术，从科学和技术到产品，从产品到产品，从产品到研发经费，从科学研究到科学的传播和学习
数据框架、问题框架、计算分析方法、实践检验、促进科学技术的发展转播和学习
为了建立这个框架而做的具体研究
本书的写作目的：把科学计量学的研究对象、研究问题和典型思维方式以及分析方法，以及这个学科如何服务于社会和其他学科，用统一的框架呈现出来，促进学科的成熟和发展。将来，这个学科的研究就可以表述成为：在这个基础数据框架(有必要也是可以更新这个数据框架的)上，我们研究什么问题，我们需要什么方法，可以发挥什么作用。
科学计量学的学科大图景
典型研究对象、典型研究问题、典型思维方式、典型分析方法、和世界以及其他学科的关系。暂时见[吴金闪的工作和思考]博客站点上的[什么是科学计量学]。
科学计量学是以科学家（广义的，包含研究科学家、技术发明者、以及相关的期刊出版参与和管理者、科技项目和基金管理者、传播科学的老师、接受传播的学生和大众等）的研究学习和教学活动、科学家活动的结果记录，以及跟这些活动相关的这些记录的审稿、出版、传播以及科学研究项目和基金的管理等，为研究目标，旨在促进科学的发展、科学家的培养和成长、科学的传承和传播，的一门科学。
科学和科学研究
可计算的数学模型，现实，可证伪性和可重复性，尽量忠实尽量简单的表示
概念网络：知识高速公路
概念网络、概念网络与科学研究和科学传播的关系
科学计量学的数据
科学计量学的数据框架
作者-论文-概念三层网络框架，发明人-专利-技术三层网络框架，性别、位置(必要的时候可以成为网络)、期刊等数据作为顶点的属性
科学计量学数据的精炼
作者识别
引用骨架识别和赋权
粗粒化
粗粒化就是把研究论文聚成类，可以是相当于概念或者主题的类，也可以是相当于学科或者学科方向的类。一般来说所聚出来的类有一定的层级结构。
为什么需要粗粒化。 [1]指出来为什么从评价的角度，粗粒化也就是论文聚类是重要的。
粗粒化怎么做？
[2]发展了网络科学聚类算法（CWTS聚类算法）来用于文章聚类。
[3]把自然语言处理用于文章聚类。
[4]发展了把引用和文本结合的聚类方法。
自然语言处理技术word2vec[5]、GloVe[6]、Doc2Vec[7]在词汇的基础上还考虑了词汇之间的语义联系，用来聚类。网络表示算法node2vec[8]也可以通过引用网络得到顶点的矢量表示。
粗粒化的结果怎么检验？
[9]对比了几种论文聚类的算法。
科学计量学的任务
科学领域及其相互关系
技术领域及其相互关系
科学－技术关系
科学－技术－经济相互关系
经济产业部门的相互关系
加上科学和技术到产品的联系
科学家活动的模式
科学出版的模式
评价指标和科研管理
[1]总结了关于影响因子的研究的现状、动机和未来方向。
教和学科学
科学计量学的思维方式和分析方法
科学计量学之科学思维和科学方法
网络科学的思想和技术
[10] 介绍了网络科学的基本精神，并把网络研究分成几个方面做了总结。 [11] 整理了用网络的思想和方法来研究科学学的工作。
关系为王
几何性，一切都是关系并且只有关系
直接和间接联系
一级近邻不需要网络分析，间接影响
新框架下的共现分析
作者-作者共现，共施引，共被引，作者-主题共现，主题-主题共现
统计分析
对排序指标的需求，均值，检验，百分比，h指数，领域归一化(需要网络分析)
[1]总结了关于影响因子的研究的现状、动机和未来方向。
作为分析技术的网络分析
主题分类，共施引，共被引，合作网络分析，Eigenfactor，IOfactor
典型方法用于典型问题
数据精炼问题的解决
粗粒化问题的解决
[9]对比了几种论文聚类的算法。
科学家活动模式分析
科学出版活动模式分析
评价指标和科研管理问题的解决
[1]总结了关于影响因子的研究的现状、动机和未来方向。 [12]把网络科学和PageRank算法用于期刊、作者、研究机构、论文影响力度量。
相互关系问题的分析
科学的教和学问题的分析
参考文献
- ↑ 1.0 1.1 1.2 1.3 Waltman, Ludo, A review of the literature on citation impact indicators, JOURNAL OF INFORMETRICS, 10(2) 365-391(2016), DOI: 10.1016/j.joi.2016.02.007 .
- ↑ Waltman, L., & van Eck, N. J. (2012). A new methodology for constructing a publication-level classification system of science. Journal of the American Society for Information Science and Technology, 63(12), 2378–2392.
- ↑ Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77–84.
- ↑ Glänzel, W., & Thijs, B. (2017). Using hybrid methods and `core documents’ for the representation of clusters and topics: The astronomy dataset. In J. Gläser, A. Scharnhorst & W. Glänzel (Eds.), Same data—different results? Towards a comparative approach to the identification of thematic structures in science, Special Issue of Scientometrics. doi:10.1007/s11192-017-2301-6 .
- ↑ Mikolov, Tomas; et al. "Efficient Estimation of Word Representations in Vector Space". arXiv:1301.3781.
- ↑ Jeffrey Pennington, Richard Socher, and Christopher D. Manning. 2014. GloVe: Global Vectors for Word Representation.
- ↑ https://radimrehurek.com/gensim/models/doc2vec.html, https://deeplearning4j.org/docs/latest/deeplearning4j-nlp-doc2vec .
- ↑ 引用错误：无效
<ref>标签；未给name属性为Leskovec:node2vec的引用提供文字 - ↑ 9.0 9.1 Boyack, K. W., & Klavans, R. (2010). Co-citation analysis, bibliographic coupling, and direct citation: Which citation approach represents the research front most accurately? Journal of the American Society for Information Science and Technology, 61(12), 2389–2404.
- ↑ 吴金闪,狄增如，从统计物理学看复杂网络研究，物理学进展，24(1),18-46(2004).
- ↑ An Zeng, Zhesi Shen, Jianlin Zhou, Jinshan Wu, Ying Fan, Yougui Wang, H Eugene Stanley. 2017. "The science of science: From the perspective of complex systems." PHYSICS REPORTS-REVIEW SECTION OF PHYSICS LETTERS, 714, 1-74 (2017).
- ↑ Carl T. Bergstrom, Jevin D. West and Marc A. Wiseman, The Eigenfactor™ Metrics, Journal of Neuroscience, 28 (45) 11433-11434(2008). DOI: https://doi.org/10.1523/JNEUROSCI.0003-08.2008 .
本分类目前不含有任何页面或媒体文件。
