-----|----------|------|
| Web of Science | 全球核心期刊 | 引文数据完整 |
| Scopus | 全面学术资源 | 期刊覆盖广 |
| Google Scholar | 全面网络资源 | 免费开放 |
| CNKI | 中文学术资源 | 中文文献全 |
数据字段
文献记录字段:
├── 标题(Title)
├── 作者(Authors)
├── 摘要(Abstract)
├── 关键词(Keywords)
├── 期刊(Source)
├── 年份(Year)
├── 卷期(Volume, Issue)
├── 页码(Pages)
├── DOI
├── 参考文献(References)
└── 被引次数(Citations)
描述性分析
基础指标
| 指标 |
计算方式 |
含义 |
| 发文量 |
文献计数 |
学术产出规模 |
| 被引次数 |
引用计数 |
学术影响力 |
| 篇均被引 |
总被引/发文量 |
平均影响力 |
| H指数 |
h篇≥h次被引 |
持续影响力 |
| 期刊影响因子 |
期刊前两年被引/发文 |
期刊影响力 |
时间趋势分析
发文量趋势:
年 │
份 │ ████
↑ │ ████████
│ ████████████
│ ████████████████
└─────────────────→ 年份
2018 2019 2020 2021 2022 2023
共引分析
原理
共引关系:
文献A ──→ 被引用 ──→ 文献C
文献B ──→ 被引用 ──→ 文献C
文献A和B的共引强度 = 同时引用A和B的文献数
解读:
- 共引强度高 → 文献研究主题相似
- 聚类分析 → 发现研究群体/主题
聚类算法
| 算法 |
特点 |
适用场景 |
| VOS聚类 |
基于相似性 |
VOSviewer默认 |
| Louvain |
模块度优化 |
大规模网络 |
| Leiden |
改进Louvain |
高质量聚类 |
文献耦合
原理
文献耦合:
文献A ──→ 引用 ──→ 文献X
文献A ──→ 引用 ──→ 文献Y
文献B ──→ 引用 ──→ 文献X
文献B ──→ 引用 ──→ 文献Y
文献A和B的耦合强度 = 共同参考文献数
解读:
- 耦合强度高 → 文献研究方法/主题相似
- 用于发现研究前沿
作者合作分析
合作网络
作者合作网络:
┌── 作者A ──┐
│ │
作者C ──┤ ├── 作者B
│ │
└── 作者D ──┘
边权重 = 合作发文数
节点大小 = 发文量/被引量
合作指标
| 指标 |
含义 |
| 合作率 |
合作论文/总论文 |
| 合作广度 |
平均合作人数 |
| 国际合作率 |
国际合作论文比例 |
| 网络中心性 |
在合作网络中的位置 |
科学知识图谱
图谱类型
| 类型 |
节点 |
边 |
用途 |
| 共引图谱 |
文献/作者 |
共引关系 |
发现学科结构 |
| 耦合图谱 |
文献 |
耦合关系 |
发现研究前沿 |
| 合作图谱 |
作者/机构 |
合作关系 |
发现研究团队 |
| 关键词图谱 |
关键词 |
共现关系 |
发现研究主题 |
VOSviewer可视化
# 从Web of Science导出数据
# 使用VOSviewer创建知识图谱
步骤:
1. 导入文献数据
2. 选择分析类型(共引/耦合/共现)
3. 设定阈值(最小被引/发文量)
4. 聚类分析
5. 可视化调整
研究前沿识别
方法
| 方法 |
原理 |
优势 |
| 突发检测 |
Kleinberg算法 |
识别新兴热点 |
| 引文突增 |
被引增速 |
发现高影响力文献 |
| 文献耦合聚类 |
前沿主题聚类 |
发现研究群体 |
| 关键词时序分析 |
词频变化 |
追踪主题演变 |
突发词检测
突发词检测:
词频
│
│ ████
│ ████ ████
│██ ████
└────────────────→ 时间
开始 结束
突发强度 = 词频突增幅度
突发持续时间 = 热点周期
引文分析指标
期刊指标
| 指标 |
公式 |
含义 |
| 影响因子(IF) |
前两年被引/发文 |
期刊平均影响力 |
| 5年影响因子 |
前5年被引/发文 |
长期影响力 |
| 即年指数 |
当年被引/发文 |
时效性 |
| SJR |
基于PageRank |
声誉加权影响 |
| SNIP |
标准化影响因子 |
领域可比 |
作者指标
| 指标 |
公式 |
含义 |
| H指数 |
h篇≥h次被引 |
持续影响力 |
| G指数 |
引文累计平方根 |
高被引加权 |
| i10指数 |
≥10次被引论文数 |
高影响力产出 |
| M指数 |
H指数/学术年龄 |
年均产出效率 |
软件工具
| 工具 |
功能 |
特点 |
| VOSviewer |
可视化分析 |
免费、易用 |
| CiteSpace |
时序分析 |
突发检测 |
| BibExcel |
数据处理 |
灵活 |
| bibliometrix(R) |
全面分析 |
编程灵活 |
| CitNetExplorer |
引文网络 |
网络分析 |
使用示例
用户: 分析人工智能在教育领域的研究热点
AI: 我将执行完整的文献计量分析：
## 数据概况
- 数据库: Web of Science
- 检索式: TS=("artificial intelligence" OR "AI" OR "machine learning")
AND TS=("education" OR "learning")
- 时间范围: 2018-2023
- 文献量: 5,234篇
## 描述性分析
| 年份 | 发文量 | 增长率 |
|------|--------|--------|
| 2018 | 456 | - |
| 2019 | 582 | 28% |
| 2020 | 789 | 36% |
| 2021 | 1023 | 30% |
| 2022 | 1245 | 22% |
| 2023 | 1139 | -8% |
## 研究热点(关键词聚类)
聚类1(35%): 个性化学习
- adaptive learning, personalization, learner modeling
聚类2(28%): 智能教学系统
- intelligent tutoring, chatbot, virtual assistant
聚类3(22%): 学习分析
- learning analytics, prediction, early warning
聚类4(15%): 自动评估
- automated scoring, essay evaluation, feedback
## 高被引文献(Top 5)
1. Holmes et al. (2019) - AI in Education: 856次
2. Luckin et al. (2020) - AI for Good Education: 623次
3. Zawacki-Richter et al. (2019) - AI in HE: 512次
## 研究前沿(突发检测)
- generative AI (2022-2023, 强度: 8.5)
- ChatGPT (2023, 强度: 15.2)
- large language model (2023, 强度: 12.1)
🖥️ Python 工具
工具链
| # |
工具名称 |
功能描述 |
| 1 |
co_citation_analyzer.py |
共引分析，构建文献共引网络并聚类 |
| 2 |
keyword_cooccurrence.py |
关键词共现分析，识别研究热点主题 |
| 3 |
author_network.py |
作者合作网络分析，评估学术影响力 |
CLI用法
python tools/co_citation_analyzer.py --input papers.json --output citations
python tools/keyword_cooccurrence.py --input abstracts.csv --min-freq 5
python tools/author_network.py --input authors.json --visualize
🚫 绝对禁止原则
使用前必读：以下原则是不可逾越的红线，违反将导致文献计量分析结论失效。
- 禁止脱离数据来源空谈结论 — 未明确说明数据来源（WoS/Scopus/CNKI）即进行指标计算，导致结果无法验证和复现
- 禁止忽视数据清洗 — 跳过去重、标准化、字段补全等清洗步骤，导致计数偏差和虚假关联
- 禁止只看单一指标 — 仅凭发文量或被引量下结论，忽略H指数、期刊影响因子等多维指标综合评估
- 禁止混淆相关与因果 — 将共引关系、共现关系解读为因果关系，误导学科发展判断
- 禁止忽视时间维度 — 将历史文献与近期文献同等对待，忽略引文网络的时间衰减效应
- 禁止脱离领域语境 — 机械套用通用阈值（如H指数≥5）而不考虑学科差异，导致学科内不公平比较
✅ 质量标准
完整性
- 必做项清单完成度 ≥ 90%
- 数据来源说明完整（数据库、时间范围、检索式）
- 分析步骤可追溯
方法论
- 理论框架与数据一致性 ≥ 90%
- 分析步骤可复现性高
- 指标选择有学科依据
深度
- 核心维度覆盖 ≥ 80%
- 多指标综合评估
- 历史演变分析
参考文献
- van Eck, N.J., & Waltman, L. (2014). Visualizing bibliometric networks. In Measuring Scholarly Impact, 285-320.
- Donthu, N., et al. (2021). How to conduct a bibliometric analysis. International Journal of Research in Marketing, 38(2), 285-309.
- Chen, C. (2006). CiteSpace II: Detecting and visualizing emerging trends. JASIST, 57(3), 359-377.
- Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959-975.
技能版本: 5.0.0
方法论标准: van Eck & Waltman (2014)
创建时间: 2026-03-15
ptreezh