現(xiàn)有的學科分類模式，如成熟的 Web of Science 的學科分類，提供了一種穩(wěn)定、可靠、實用的方式來比較國家和機構的產(chǎn)出，展示幾十年來的變化。然而，由于是以整本期刊、書籍和會議錄為單位進行分類，因而掩蓋了文獻層面上不同類別之間和同類別內部的動態(tài)變化。

為了幫助您更好地了解研究主題的不斷演變，評價其中的表現(xiàn)，科睿唯安于2020年12月初重磅推出了InCites Benchmarking & Analytics? Citation Topics（引文主題）。

· 什么是 Citation Topics（引文主題）？

Citation Topics 代表通過引文相互關聯(lián)的論文組。對將近7000萬篇文獻構建文章級別的主題分類體系是一個巨大的挑戰(zhàn)。雖然算法可以根據(jù)文獻之間的關系對大量的文獻進行聚類，但如何展現(xiàn)這些聚類結果讓人們可以理解并加以利用卻是另外一回事。

在科睿唯安旗下的科學信息研究所（ISI）的指導下，InCites? 產(chǎn)品團隊與萊頓的科技研究中心（CWTS）合作，開發(fā)并實施了一種基于引用的分類算法。隨著已發(fā)表論文的相互引用，這些引用關系的強度將相關文獻匯聚到一起，形成離散的相關文獻集群。這些集群構成了我們的 Citation Topics 的核心，獨立于單篇文獻的主題和內容，卻代表著作者相互積極引用對方論文的領域。

Citation Topics 是動態(tài)的研究——所有新發(fā)表的文獻都會添加到現(xiàn)有的主題中，并且每年更新一次，確保主題持續(xù)準確地反映基礎文獻的變化。

· 主題層次結構有哪些優(yōu)勢？

在開發(fā)過程中，我們需要解決如何顯示數(shù)據(jù)的問題，以使其對您的數(shù)據(jù)分析最有幫助。范圍小而緊密的主題可以在任何分析中提供精細度，但可能無法展示大局。更大、更寬泛的主題可以提供很好的總結，但會遺漏細節(jié)。我們對 Citation Topics 采用的方法是構建一個宏觀、中觀和微觀主題的三級層次結構，使用戶能夠根據(jù)自己的問題選擇合適的精細水平進行分析。在 CWTS 和 ISI 的幫助下，我們生成了一個包含10個廣義集群、326個中觀集群和2444個微觀集群的層次結構。InCites 的用戶可以從廣義的宏觀主題到狹義的微觀主題逐層探究細節(jié)，在每個層次上進行分析。

· 如何確定 Citation Topics的名稱？

Citation Topics（引文主題）需要言之有物的描述性名稱。引用聚類只能理解文獻之間的關系，而對其主題內容一無所知。在科學信息研究所（ISI）的幫助下，我們根據(jù)內容對宏觀和中觀類別進行了標注。由于微觀 Citation Topics 數(shù)量較多，我們采用了不同的方法——使用算法工具根據(jù)最重要的關鍵詞給每個主題加標注。我們通過這種方式對近2500個微型主題確定了表述性的名稱。

· 如何使用 Citation Topics？

通過基于文獻的全新三級引文主題分類體系，InCites 用戶現(xiàn)在可以對研究人員、組織、國家/地區(qū)和資助機構的產(chǎn)出進行更精細的分析。曾經(jīng)按有限的 Web of Science 學科進行分類的出版物來源，現(xiàn)在則能夠以更高的解析度對其進行全面畫像。

Citation Topics 擁有自己的基線值和全套的規(guī)范化指標，可以幫助用戶準確揭示影響力。為了方便用戶使用，我們還引入了新的可視化視圖。我們期待聽到您的反饋，并與InCites 用戶社區(qū)一同探索理解研究領域動態(tài)的新方法。