--- name: bibliometric-analysis-expert description: | 文献计量分析专家。提供系统化学术文献分析方法，支持共引分析、 文献耦合、科学知识图谱、研究前沿识别。核心能力包括：数据检索、 指标计算、网络分析、可视化呈现。适用于学科发展分析、研究热点发现、 学术影响力评估等场景。 license: MIT compatibility: | Python 3.8+ AI CLI: Claude/Qwen/iFlow/Gemini/Copilot/Stigmergy/OpenCode/KiloCode/QoderCLI/WorkBuddy/Cursor/Windsurf/龙虾/QClaw agentskills.io: v1.0 compliant metadata: version: "5.0.0" agentskills-io: "true" cross-platform: "true" methodology: "van Eck & Waltman (2014), Donthu et al. (2021)" --- # 文献计量分析专家 (Bibliometric Analysis Expert) ## 概述 文献计量分析是运用数学和统计学方法对学术文献进行定量分析的研究方法，揭示学科发展规律、研究热点和学术影响力。 ## 分析流程 ``` 研究问题 │ ↓ ┌─────────────────┐ │ 数据检索 │ ← WoS/Scopus/知网 └────────┬────────┘ ↓ ┌─────────────────┐ │ 数据清洗 │ ← 去重、标准化 └────────┬────────┘ ↓ ┌─────────────────┐ │ 描述性分析 │ ← 发文量、被引统计 └────────┬────────┘ ↓ ┌─────────────────┐ │ 网络分析 │ ← 共引、耦合、合作 └────────┬────────┘ ↓ ┌─────────────────┐ │ 可视化呈现 │ ← 知识图谱、热点图 └─────────────────┘ ``` ## 数据来源 ### 主要数据库 | 数据库 | 覆盖范围 | 优势 | |--------|----------|------| | Web of Science | 全球核心期刊 | 引文数据完整 | | Scopus | 全面学术资源 | 期刊覆盖广 | | Google Scholar | 全面网络资源 | 免费开放 | | CNKI | 中文学术资源 | 中文文献全 | ### 数据字段 ``` 文献记录字段: ├── 标题(Title) ├── 作者(Authors) ├── 摘要(Abstract) ├── 关键词(Keywords) ├── 期刊(Source) ├── 年份(Year) ├── 卷期(Volume, Issue) ├── 页码(Pages) ├── DOI ├── 参考文献(References) └── 被引次数(Citations) ``` ## 描述性分析 ### 基础指标 | 指标 | 计算方式 | 含义 | |------|----------|------| | 发文量 | 文献计数 | 学术产出规模 | | 被引次数 | 引用计数 | 学术影响力 | | 篇均被引 | 总被引/发文量 | 平均影响力 | | H指数 | h篇≥h次被引 | 持续影响力 | | 期刊影响因子 | 期刊前两年被引/发文 | 期刊影响力 | ### 时间趋势分析 ``` 发文量趋势: 年 │ 份 │ ████ ↑ │ ████████ │ ████████████ │ ████████████████ └─────────────────→ 年份 2018 2019 2020 2021 2022 2023 ``` ## 共引分析 ### 原理 ``` 共引关系: 文献A ──→ 被引用 ──→ 文献C 文献B ──→ 被引用 ──→ 文献C 文献A和B的共引强度 = 同时引用A和B的文献数 解读: - 共引强度高 → 文献研究主题相似 - 聚类分析 → 发现研究群体/主题 ``` ### 聚类算法 | 算法 | 特点 | 适用场景 | |------|------|----------| | VOS聚类 | 基于相似性 | VOSviewer默认 | | Louvain | 模块度优化 | 大规模网络 | | Leiden | 改进Louvain | 高质量聚类 | ## 文献耦合 ### 原理 ``` 文献耦合: 文献A ──→ 引用 ──→ 文献X 文献A ──→ 引用 ──→ 文献Y 文献B ──→ 引用 ──→ 文献X 文献B ──→ 引用 ──→ 文献Y 文献A和B的耦合强度 = 共同参考文献数 解读: - 耦合强度高 → 文献研究方法/主题相似 - 用于发现研究前沿 ``` ## 作者合作分析 ### 合作网络 ``` 作者合作网络: ┌── 作者A ──┐ │ │ 作者C ──┤ ├── 作者B │ │ └── 作者D ──┘ 边权重 = 合作发文数 节点大小 = 发文量/被引量 ``` ### 合作指标 | 指标 | 含义 | |------|------| | 合作率 | 合作论文/总论文 | | 合作广度 | 平均合作人数 | | 国际合作率 | 国际合作论文比例 | | 网络中心性 | 在合作网络中的位置 | ## 科学知识图谱 ### 图谱类型 | 类型 | 节点 | 边 | 用途 | |------|------|-----|------| | 共引图谱 | 文献/作者 | 共引关系 | 发现学科结构 | | 耦合图谱 | 文献 | 耦合关系 | 发现研究前沿 | | 合作图谱 | 作者/机构 | 合作关系 | 发现研究团队 | | 关键词图谱 | 关键词 | 共现关系 | 发现研究主题 | ### VOSviewer可视化 ```python # 从Web of Science导出数据 # 使用VOSviewer创建知识图谱 步骤: 1. 导入文献数据 2. 选择分析类型(共引/耦合/共现) 3. 设定阈值(最小被引/发文量) 4. 聚类分析 5. 可视化调整 ``` ## 研究前沿识别 ### 方法 | 方法 | 原理 | 优势 | |------|------|------| | 突发检测 | Kleinberg算法 | 识别新兴热点 | | 引文突增 | 被引增速 | 发现高影响力文献 | | 文献耦合聚类 | 前沿主题聚类 | 发现研究群体 | | 关键词时序分析 | 词频变化 | 追踪主题演变 | ### 突发词检测 ``` 突发词检测: 词频 │ │ ████ │ ████ ████ │██ ████ └────────────────→ 时间 开始 结束 突发强度 = 词频突增幅度 突发持续时间 = 热点周期 ``` ## 引文分析指标 ### 期刊指标 | 指标 | 公式 | 含义 | |------|------|------| | 影响因子(IF) | 前两年被引/发文 | 期刊平均影响力 | | 5年影响因子 | 前5年被引/发文 | 长期影响力 | | 即年指数 | 当年被引/发文 | 时效性 | | SJR | 基于PageRank | 声誉加权影响 | | SNIP | 标准化影响因子 | 领域可比 | ### 作者指标 | 指标 | 公式 | 含义 | |------|------|------| | H指数 | h篇≥h次被引 | 持续影响力 | | G指数 | 引文累计平方根 | 高被引加权 | | i10指数 | ≥10次被引论文数 | 高影响力产出 | | M指数 | H指数/学术年龄 | 年均产出效率 | ## 软件工具 | 工具 | 功能 | 特点 | |------|------|------| | VOSviewer | 可视化分析 | 免费、易用 | | CiteSpace | 时序分析 | 突发检测 | | BibExcel | 数据处理 | 灵活 | | bibliometrix(R) | 全面分析 | 编程灵活 | | CitNetExplorer | 引文网络 | 网络分析 | ## 使用示例 ``` 用户: 分析人工智能在教育领域的研究热点 AI: 我将执行完整的文献计量分析： ## 数据概况 - 数据库: Web of Science - 检索式: TS=("artificial intelligence" OR "AI" OR "machine learning") AND TS=("education" OR "learning") - 时间范围: 2018-2023 - 文献量: 5,234篇 ## 描述性分析 | 年份 | 发文量 | 增长率 | |------|--------|--------| | 2018 | 456 | - | | 2019 | 582 | 28% | | 2020 | 789 | 36% | | 2021 | 1023 | 30% | | 2022 | 1245 | 22% | | 2023 | 1139 | -8% | ## 研究热点(关键词聚类) 聚类1(35%): 个性化学习 - adaptive learning, personalization, learner modeling 聚类2(28%): 智能教学系统 - intelligent tutoring, chatbot, virtual assistant 聚类3(22%): 学习分析 - learning analytics, prediction, early warning 聚类4(15%): 自动评估 - automated scoring, essay evaluation, feedback ## 高被引文献(Top 5) 1. Holmes et al. (2019) - AI in Education: 856次 2. Luckin et al. (2020) - AI for Good Education: 623次 3. Zawacki-Richter et al. (2019) - AI in HE: 512次 ## 研究前沿(突发检测) - generative AI (2022-2023, 强度: 8.5) - ChatGPT (2023, 强度: 15.2) - large language model (2023, 强度: 12.1) ``` ## 🖥️ Python 工具 ### 工具链 | # | 工具名称 | 功能描述 | |---|----------|----------| | 1 | co_citation_analyzer.py | 共引分析，构建文献共引网络并聚类 | | 2 | keyword_cooccurrence.py | 关键词共现分析，识别研究热点主题 | | 3 | author_network.py | 作者合作网络分析，评估学术影响力 | ### CLI用法 ```bash python tools/co_citation_analyzer.py --input papers.json --output citations python tools/keyword_cooccurrence.py --input abstracts.csv --min-freq 5 python tools/author_network.py --input authors.json --visualize ``` ## 🚫 绝对禁止原则 > **使用前必读**：以下原则是不可逾越的红线，违反将导致文献计量分析结论失效。 1. **禁止脱离数据来源空谈结论** — 未明确说明数据来源（WoS/Scopus/CNKI）即进行指标计算，导致结果无法验证和复现 2. **禁止忽视数据清洗** — 跳过去重、标准化、字段补全等清洗步骤，导致计数偏差和虚假关联 3. **禁止只看单一指标** — 仅凭发文量或被引量下结论，忽略H指数、期刊影响因子等多维指标综合评估 4. **禁止混淆相关与因果** — 将共引关系、共现关系解读为因果关系，误导学科发展判断 5. **禁止忽视时间维度** — 将历史文献与近期文献同等对待，忽略引文网络的时间衰减效应 6. **禁止脱离领域语境** — 机械套用通用阈值（如H指数≥5）而不考虑学科差异，导致学科内不公平比较 ## ✅ 质量标准 ### 完整性 - 必做项清单完成度 ≥ 90% - 数据来源说明完整（数据库、时间范围、检索式） - 分析步骤可追溯 ### 方法论 - 理论框架与数据一致性 ≥ 90% - 分析步骤可复现性高 - 指标选择有学科依据 ### 深度 - 核心维度覆盖 ≥ 80% - 多指标综合评估 - 历史演变分析 ## 参考文献 1. van Eck, N.J., & Waltman, L. (2014). Visualizing bibliometric networks. In *Measuring Scholarly Impact*, 285-320. 2. Donthu, N., et al. (2021). How to conduct a bibliometric analysis. *International Journal of Research in Marketing*, 38(2), 285-309. 3. Chen, C. (2006). CiteSpace II: Detecting and visualizing emerging trends. *JASIST*, 57(3), 359-377. 4. Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. *Journal of Informetrics*, 11(4), 959-975. --- **技能版本**: 5.0.0 **方法论标准**: van Eck & Waltman (2014) **创建时间**: 2026-03-15