[论文解读] A Reproducible Journal Classification and Global Map of Science Based on Aggregated Journal-Journal Citation Relations.

Loet Leydesdorff, Lutz Bornmann+1 more|arXiv (Cornell University)|Apr 10, 2016

Advanced Text Analysis Techniques被引用 3

一句话总结

本文提出了一种可重现的、非主观的期刊分类系统，基于科学引文索引和社会科学引文索引中11,149种期刊的聚合期刊-期刊引用数据。利用VOSviewer和Pajek生成层次化、树状分类，构建出一个稳定、可重现的科学地图，包含九个顶级学科领域，其中包括对社会科学的详细分解（LIS与STS），从而实现对科学领域随时间变化的客观比较。

ABSTRACT

A number of journal classification systems have been developed in bibliometrics since the launch of the Citation Indices by the Institute of Scientific Information (ISI) in the 1960s. The best known system is the so-called Web-of-Science Subject Categories (WCs). Each system has its own advantages and disadvantages. Using the Journal Citation Reports 2014 of the Science Citation Index and the Social Science Citation Index (n of journals = 11,149), we examine the options for developing an unambiguous classification of the journals into subject categories on the basis of aggregated journal-journal citation data. Combining routines in VOSviewer and Pajek, a tree-like classification is developed which can be reproduced unambiguously. At each level one can generate a map of science for all the journals subsumed under the category. Nine major fields are distinguished at the top level, with the social sciences as a single field (n of journals = 3,131). In this study, further decomposition of the social sciences is pursued for the sake of example with a focus on journals in information science (LIS) and science studies (STS). The classification improves alternative options by removing subjective judgement and avoiding the problem of randomness in the seed number that has made algorithmic solutions hitherto irreproducible. A non-subjective map and classification can provide a baseline for measuring the effectiveness of policy interventions. Maps can be compared between years, and change in the (social) sciences can be indicated.

研究动机与目标

• 开发一种基于引用数据的可重现、非主观的期刊分类系统，以克服现有方法中常有的任意性或基于随机种子的局限性。
• 利用聚合的期刊-期刊引用关系，将期刊稳定地分类为具有层次结构的主题类别。
• 生成可重现且可随时间比较的全球科学地图，为衡量政策有效性提供基准。
• 展示利用基于引用的聚类方法将社会科学分解为子领域（如LIS与STS）的可行性。
• 通过使用确定性、数据驱动的算法流程，消除算法分类中的主观判断与随机性。

提出的方法

• 汇集科学引文索引与社会科学引文索引的《期刊引用报告2014》中的期刊-期刊引用数据（n = 11,149种期刊）。
• 在Pajek中应用网络分析技术，识别期刊之间的密集引用聚类。
• 使用VOSviewer将引用聚类的层次结构可视化并优化，形成树状分类。
• 实施确定性聚类算法，避免随机种子选择，确保结果可重现。
• 构建包含九个顶级学科领域的多层分类体系，其中社会科学为一个顶级领域，并进一步分解为子领域（例如）。
• 在每个分类层级生成科学地图，以可视化科学领域的结构。

实验结果

研究问题

• RQ1 能否基于聚合的期刊-期刊引用数据，开发一种可重现的、非主观的期刊分类？
• RQ2 如何组织基于引用的聚类，以实现无需主观输入的稳定、分层的期刊分类？
• RQ3 在多大程度上可利用引用数据将社会科学有意义地分解为子领域（如LIS与STS）？
• RQ4 该分类系统能否作为衡量科学领域随时间变化的基准？
• RQ5 与现有依赖种子选择而存在随机性问题的算法分类系统相比，该方法有何改进？

主要发现

• 所提出的方法可将11,149种期刊确定性地分类为九个主要学科领域，社会科学为其中之一（n = 3,131种期刊）。
• 分类过程成功地将社会科学分解为LIS与STS等子领域，证明了该方法的细致程度与适用性。
• 通过避免随机种子选择，该方法消除了以往算法分类中常见的不可重现性问题。
• 所得分类可生成在每个层级上均稳定、可重复的科学地图，便于纵向比较。
• 该方法为评估科学领域变化及政策影响提供了非主观的基准。
• VOSviewer与Pajek的整合实现了稳健的聚类与清晰的科学地图可视化。