[论文解读] Mining Scientific Papers for Bibliometrics: a (very) Brief Survey of Methods and Tools

Iana Atanassova, Marc Bertin+1 more|arXiv (Cornell University)|May 6, 2015

Data Mining Algorithms and Applications参考文献 8被引用 7

一句话总结

本文综述了通过文本分析和自然语言处理技术提升文献计量学的科学论文挖掘方法与工具。文章强调开放获取和标准化格式在实现全文论文大规模分析中的作用，倡导文献计量学与计算语言学之间的跨学科融合，以从科学文献中挖掘更深层次的洞察。

ABSTRACT

The Open Access movement in scientific publishing and search engines like Google Scholar have made scientific articles more broadly accessible. During the last decade, the availability of scientific papers in full text has become more and more widespread thanks to the growing number of publications on online platforms such as ArXiv and CiteSeer. The efforts to provide articles in machine-readable formats and the rise of Open Access publishing have resulted in a number of standardized formats for scientific papers (such as NLM-JATS, TEI, DocBook). Our aim is to stimulate research at the intersection of Bibliometrics and Computational Linguistics in order to study the ways Bibliometrics can benefit from large-scale text analytics and sense mining of scientific papers, thus exploring the interdisciplinarity of Bibliometrics and Natural Language Processing.

研究动机与目标

• 探讨文献计量学如何从科学论文的大规模文本分析与语义挖掘中获益。
• 识别并回顾现有用于挖掘全文科学论文的工具与方法。
• 促进文献计量学与计算语言学之间的跨学科研究。
• 考察开放获取与标准化格式对文本挖掘数据可及性的影响。
• 通过先进的文本分析技术，激发科学文献分析的创新。

提出的方法

• 对现有科学论文挖掘工具与方法的系统性综述。
• 聚焦于 arXiv 和 CiteSeer 等开放获取存储库作为主要数据源。
• 分析 NLM-JATS、TEI 和 DocBook 等标准化格式，以实现机器可读的科学内容处理。
• 整合自然语言处理（NLP）技术，以实现对全文论文的语义理解。
• 评估大规模文本挖掘在文献计量研究中的可行性与优势。
• 利用数字图书馆基础设施与元数据，支持可扩展的挖掘工作流。

实验结果

研究问题

• RQ1 如何有效挖掘全文科学论文以支持文献计量分析？
• RQ2 目前有哪些工具与方法可用于科学文献的大规模文本挖掘？
• RQ3 自然语言处理在哪些方面可以增强传统的文献计量指标？
• RQ4 开放获取与标准化格式如何提升数据可及性以支持挖掘？
• RQ5 在文献计量学与计算语言学整合过程中，面临的关键挑战与机遇是什么？

主要发现

• 通过开放获取平台获取全文科学论文，显著提升了大规模文本挖掘的潜力。
• 标准化格式如 NLM-JATS 和 TEI 使得科学文档的机器处理更加可靠与一致。
• 自然语言处理技术可提取超越基础引用指标的语义与上下文洞察。
• 文献计量学与计算语言学之间的跨学科合作可带来更细致且富有信息量的研究评估。
• 现有工具与方法虽具潜力，但仍需进一步发展以充分挖掘全文挖掘的潜能。
• 将文本分析整合到文献计量研究中，可提升科学影响力评估的深度与准确性。