基于科學(xué)文獻(xiàn)下載數(shù)據(jù)的科研趨勢識別研究——以計算神經(jīng)學(xué)領(lǐng)域為例.pdf

1、研究熱點和研究趨勢的識別是科學(xué)計量學(xué)領(lǐng)域中重要的研究內(nèi)容。本文提出了一種能夠快速、及時識別研究趨勢的方法，本文提出的思想是:如果科學(xué)家在進(jìn)行某一領(lǐng)域的研究時，就會從科學(xué)文獻(xiàn)數(shù)據(jù)庫檢索和下載該領(lǐng)域的相關(guān)論文。因此，通過研究科研人員下載論文的情況，再利用數(shù)據(jù)挖掘方法能夠得到當(dāng)前該領(lǐng)域內(nèi)的研究熱點，從而分析出研究趨勢。本文以計算神經(jīng)學(xué)為例，從數(shù)據(jù)、信息、知識和智慧四個層次，逐層進(jìn)行提取和處理，對計算神經(jīng)學(xué)領(lǐng)域的研究熱點和研究趨勢進(jìn)行分析。

2、r>　　首先，本文通過springer.realtime.com平臺，收集了計算神經(jīng)學(xué)四本期刊中所有文獻(xiàn)的元數(shù)據(jù)、內(nèi)容數(shù)據(jù)和下載數(shù)據(jù)。四本期刊分別為Neural Computing&Applications、Journal of Computational Neuroscience、Neural Processing Letters＼以及Neuroinformatics,共4476篇文獻(xiàn)，本文收集了每一篇文獻(xiàn)在2014年2月到2015年

3、1月中每一天的下載數(shù)量。本文使用主題模型的方法對已經(jīng)發(fā)表論文的摘要進(jìn)行文本挖掘，在傳統(tǒng)主題模型的基礎(chǔ)上，增加文獻(xiàn)的下載次數(shù)作為權(quán)重，處理后得到每月研究主題。
　　在第四章中，識別出每月的研究熱點，并對研究熱點進(jìn)行分析。將研究熱點基本分為四類，分別是對生物原型神經(jīng)網(wǎng)絡(luò)及神經(jīng)元的現(xiàn)實性模型研究、算法與技術(shù)研究、類腦式仿真模型研究，以及應(yīng)用研究。研究發(fā)現(xiàn)對生物原型的研究主要集中在對神經(jīng)元形態(tài)和運行機(jī)制的研究，以及對腦部神經(jīng)元的可視化及模

4、擬方面，對算法和技術(shù)的研究主要表現(xiàn)為機(jī)器學(xué)習(xí)算法。本文研究還發(fā)現(xiàn)，在算法方面，并沒有完全占據(jù)統(tǒng)治地位的算法，故該領(lǐng)域?qū)τ谒惴ǖ难芯繜狳c缺乏連續(xù)性。
　　在第五章中，本文分析了每類研究熱點的動態(tài)發(fā)展，“計算機(jī)學(xué)習(xí)算法”主題和“神經(jīng)元形態(tài)與運行機(jī)制”主題屬于增長型，隨著時間的變化，下載量逐漸變高。而“算法神經(jīng)網(wǎng)絡(luò)”主題、“網(wǎng)絡(luò)屬性神經(jīng)網(wǎng)絡(luò)”主題、“可視化及模擬”主題以及“模式識別”主題屬于穩(wěn)定型發(fā)展，在統(tǒng)計時間段內(nèi)下載數(shù)量并沒有發(fā)生巨