如何通过文献计量分析方法（Bibliometric Analysis）为科研选题提供支持 ...

图1 JAN每年发表论文数量，页数，参考文献数量，作者数量，机构数量趋势图

有关文献计量分析方法（Bibliometric analysis）的定义有很多，最早提出的作者是Pritchard （1969年），文献计量分析方法是用来表现出一门学科或专业在发展过程中书面沟通材料的变化与特点，采取的方法可以是对书面交流材料的各个方面（题目、作者、发表年限和主要内容等）进行量性分析。1976年，《大英标准词典收录该词》，并对其解释为“运用数学和统计学方法对书面文件或发表文献进行研究”（the study of use of documents and patterns of publication where mathematical and statistical methods have been applied）。一年以后，Hawkins又将文献计量分析方法总结为“对文献的书目录信息进行量性分析”（The quantitative analysis of the bibliographic features of a body of literature）。 2004年，Van Raan又进一步对文献计量分析方法进行了深化，他认为文献计量分析方法是对文献在传播过程中社会学特征进行测量。在他的理解中，文献的标题、年份、关键词、摘要等信息不仅仅是书目录信息，也不仅仅是图书馆或数据库管理员对文献归类与整理的标签，而是文献在传播过程中的社会学特征。

作为一名图书馆管理学专家，Van Raan不仅提升了“文献计量分析方法”的意义，同时引入了一些很炫的图画分析工具（Infographics），如文献计量分析地图（Bibliometric Mapping，见图2与图3）。他认为文献计量分析地图通过图画的形式展现出一种评估学术发展或特点的途径。在这种点状图中，他综合各方面的信息，并通过横纵坐标、颜色、大小、标签等方式将结果呈现出来。

下面我们以图2与图3来解释一下文献计量分析地图所展现的信息。

图2 JAN发表论文的主题地图

如图2，作者在图中包含了主题词（标签）、发表年限（颜色）、论文数量（圆圈大小），从该图我们可以总结出，JAN中发表的论文经历了六个阶段，1995年至1998年集中于护理教育与教授（nursing education and teaching）；1999年至2001年集中在护理理论与实践，同时还关注照护中的伦理问题（nursing theory and practice, with a focus on ethics in caring）；2002年至2004年关注护理临床研究；2005年，“开业护士nurse practitioner”，“协会associations’”，“抑郁depression”，“精疲力竭burnout’”这些词大量出现，这从一定意义上可以表现出那个时候，研究者越来越多地关心护士人群中健康状况与压力问题；2006年，发表论文更加关心儿童这一人群以及身体活动的重要性；2010年至今的论文特点是护理领域的各种研究方法不断涌现出来。

图3 JAN发表论文的关键词地图

因为关键词与主题词不一样，主题词是数据库管理员根据文献对其进行分类的标签，而关键词是作者对其文章的分类标签，是作者与读者沟通的一个常用渠道，也是作者对自己发表论文的定位。该研究在图3中，综合2011年至2015年发表论文的关键词（标签）、发表年限（颜色），论文数量（圆圈大小）、一篇文章同时出现的数个关键词（连线），从而呈现出哪些关键词用的最多，关键词之间是如何联系的，以及关键词最常出现的时间。在文献计量分析结果中，作者发现JAN发表的文章总共用了3,505个不同关键词。在点状图中，作者选取出现频率超过10次的关键词。结果显示，“护理nursing”，“护士nurses”，“概念分析concept analysis”, “产科midwifery”, “质性研究qualitative research” 和“系统综述systematic review”是最常用的关键词，这些高频关键词与其他关键词的连接次数为425~2981次。

制作文献计量分析地图，文中提到的VOSviewer是一个常用的软件，同时，Web of Science和Scopus这两个数据库中也已经自带了这种功能。如果您感兴趣，可以马上试一下！无论是点状图形式或者是表格形式，都可以很直观地表现出某一领域的研究概况，聚焦热点和研究分布。但是，值得注意的是，文献计量分析地图和统计分析方法一样，只是我们开展科研的一个工具而已。它所得的信息是否真的对我们的科研有帮助取决于我们如何使用这个工具以及我们是否选择和提供了合适的信息。

就如统计中有一个很流行的俗语“rubbish in, rubbish out”。人工智能再厉害，还是需要人不断用大数据来喂养。