下载掌阅APP，畅读海量书库
立即打开
通过文献计量或内容分析等方法得到的影响因素与被引之间的相关关系是否真实反映了施引者的引用意向，回答该问题的适合人选显然应该是施引者。本研究从施引者引用意向视角开展学术论文被引影响因素研究，通过量表开发和建模，探索性地发掘被引影响因素集中真实反映施引者引用意向的部分，并区分不同影响因素的重要性。
现有研究尚未考虑跨学科性与论文被引影响因素的关系。本研究选取作者、主题、参考文献和施引文献作为分析单元，以研究较少的人文社会科学领域作为研究对象，采用不同方法对4种跨学科性进行测度，发掘跨学科性与被引的关系。
已有大量研究探索了影响论文被引的论文相关、期刊相关和作者相关因素。关于参考文献特征，目前涉及的指标仅包括参考文献数量、参考文献平均年龄等少数几个。本研究采用以人工编码为主的方式对参考文献特征进行深入分析，探讨了引用外文期刊论文的数量、引用外文期刊论文的平均学术质量、引用外文期刊论文的学科专属度、引用外文期刊论文的平均时效性、参考文献总被引量、参考文献篇均被引量、参考文献影响因子、作者自引比、期刊自引比、期刊论文占比、会议论文占比、著作占比、网络资源占比及学位论文占比等10余个指标与被引量的关系。
与在心理学、教育学及医学等领域的广泛应用相比，meta分析法在近几年才引起图书情报学者的关注；现有的图书情报学meta分析主要涉及信息行为研究，而信息计量研究甚少。本研究探索性地采用meta分析法解决信息计量学中存在争议的研究问题，并通过蒙特卡洛模拟解释了异质性检验的经验准则在大样本信息计量研究中的不适用性，破除了该方法在信息计量主题应用中的障碍，推动了该方法的应用。
学术论文影响力的预测具有重要意义。目前，被引频次的预测研究可分为两类。一类是将其视为分类问题，采用决策树、支持向量机（SVM）等机器学习方法对被引所属类别进行预测，该做法的局限在于分类的结果往往是离散的，类别之间的边界模糊不清。另一类则将其视为回归问题，直接预测被引频次的具体值，其中，线性回归、负二项回归等统计模型在该思路的研究中应用广泛。然而两种模型都存在被引数据不符合正态分布和负二项分布的局限性。深度神经网络相关研究的进步为被引频次的预测提供了新方法。据此，本研究采用4层BP神经网络模型，对学术论文的5年被引进行了预测。实验结果表明，BP神经网络的表现显著优于其他6个基线模型，模型具有较好的泛化能力。