为识别与分类中英文安全科学相关期刊,以Web of Science数据平台为依托,分别从科学引文索引(SCI)和中国科学引文数据库(CSCD)中检索2018—2020年《中国安全科学学报》和Safety Science发表的论文数据;采用VOSviewer软件和期刊共被引分...为识别与分类中英文安全科学相关期刊,以Web of Science数据平台为依托,分别从科学引文索引(SCI)和中国科学引文数据库(CSCD)中检索2018—2020年《中国安全科学学报》和Safety Science发表的论文数据;采用VOSviewer软件和期刊共被引分析方法,从所采集论文的参考文献中识别和分析安全期刊列表和聚类。结果表明:从《中国安全科学学报》的期刊共被引网络中提取的期刊,主要分布在“安全管理科学”、“安全科学与人的因素”、“火灾、燃烧、工程热物理以及工业过程”、“可靠性”等10个领域的安全期刊群;Safety Science引用的刊源主要来自“可靠性工程、专家系统、海洋工程、运筹学”、“安全管理心理与职业卫生”、“安全人机工程学”、“安全科学与建筑安全”、“火灾安全、疏散、交通”、“交通安全与职业医”以及“过程安全、风险、灾害与工程力学”7个期刊群。展开更多
【目的】严重的期刊影响因子操纵现象影响了影响因子客观性,这种不正当行为应该被严格禁止,识别受操纵期刊的有效方式亟待发掘。【方法】以Web of Science平台发布的历年JCR数据为研究对象,选取正常期刊和异常(因影响因子受操纵而被镇压...【目的】严重的期刊影响因子操纵现象影响了影响因子客观性,这种不正当行为应该被严格禁止,识别受操纵期刊的有效方式亟待发掘。【方法】以Web of Science平台发布的历年JCR数据为研究对象,选取正常期刊和异常(因影响因子受操纵而被镇压)期刊的14个文献计量学指标的历年数据,形成正常和异常2个期刊数据集。利用Python Scikit-learn库编写机器学习算法程序,对由正常、异常期刊数据集合并生成的训练集、验证集和测试集分别进行分类、训练、验证、测试。【结果】机器学习算法可以有效地对正常、异常期刊数据集进行分类,对验证集分类的准确率、精确率和召回率均达到98%以上,对算法最重要的5个特征的特征重要性为91.55%。部分算法对镇压后恢复正常期刊在镇压后第5年的数据的识别效果开始降低,所有编辑关注期刊均被分类为异常期刊,2021版JCR镇压期刊及镇压预警期刊均被准确分类为异常期刊。支持向量机算法具有最好的预测效果。【结论】机器学习算法在识别影响因子操纵期刊上具有天然的快速性和客观性优势。随着对影响因子的操纵手法及文献计量学指标不断增多,人工综合各种指标来识别、判定受操纵期刊的难度越来越大,各种机器学习算法的优势不断凸显。展开更多
【目的】研究2009-2018年图书情报学期刊的自引率及其派生指标的历时变化,对其在识别期刊过度自引中的应用效果进行检验和比较。【方法】从Web of Science中获取样本期刊各年度的发文和引文数据,计算自引证率与自被引率、两年自引证率...【目的】研究2009-2018年图书情报学期刊的自引率及其派生指标的历时变化,对其在识别期刊过度自引中的应用效果进行检验和比较。【方法】从Web of Science中获取样本期刊各年度的发文和引文数据,计算自引证率与自被引率、两年自引证率与两年自被引率的年度值,并提出相对两年自引证率与相对两年自被引率指标,利用上述4种自引率指标和2种派生指标识别疑似过度自引的期刊,并对各类指标的有效性和敏感性进行比较。【结果】不同类型的自引率指标分别从不同角度反映了期刊的自引属性,识别结果存在显著差异,自引证率和两年自引证率不适用于识别过度自引,两年自被引率更具敏感性,所提出的2个派生指标能够实现对原有指标的互补。【结论】任何单一的自引率指标都不足以成为过度自引的有效判定依据,应结合多种指标和方案进行综合分析和交叉检验。展开更多
文摘为识别与分类中英文安全科学相关期刊,以Web of Science数据平台为依托,分别从科学引文索引(SCI)和中国科学引文数据库(CSCD)中检索2018—2020年《中国安全科学学报》和Safety Science发表的论文数据;采用VOSviewer软件和期刊共被引分析方法,从所采集论文的参考文献中识别和分析安全期刊列表和聚类。结果表明:从《中国安全科学学报》的期刊共被引网络中提取的期刊,主要分布在“安全管理科学”、“安全科学与人的因素”、“火灾、燃烧、工程热物理以及工业过程”、“可靠性”等10个领域的安全期刊群;Safety Science引用的刊源主要来自“可靠性工程、专家系统、海洋工程、运筹学”、“安全管理心理与职业卫生”、“安全人机工程学”、“安全科学与建筑安全”、“火灾安全、疏散、交通”、“交通安全与职业医”以及“过程安全、风险、灾害与工程力学”7个期刊群。
文摘【目的】严重的期刊影响因子操纵现象影响了影响因子客观性,这种不正当行为应该被严格禁止,识别受操纵期刊的有效方式亟待发掘。【方法】以Web of Science平台发布的历年JCR数据为研究对象,选取正常期刊和异常(因影响因子受操纵而被镇压)期刊的14个文献计量学指标的历年数据,形成正常和异常2个期刊数据集。利用Python Scikit-learn库编写机器学习算法程序,对由正常、异常期刊数据集合并生成的训练集、验证集和测试集分别进行分类、训练、验证、测试。【结果】机器学习算法可以有效地对正常、异常期刊数据集进行分类,对验证集分类的准确率、精确率和召回率均达到98%以上,对算法最重要的5个特征的特征重要性为91.55%。部分算法对镇压后恢复正常期刊在镇压后第5年的数据的识别效果开始降低,所有编辑关注期刊均被分类为异常期刊,2021版JCR镇压期刊及镇压预警期刊均被准确分类为异常期刊。支持向量机算法具有最好的预测效果。【结论】机器学习算法在识别影响因子操纵期刊上具有天然的快速性和客观性优势。随着对影响因子的操纵手法及文献计量学指标不断增多,人工综合各种指标来识别、判定受操纵期刊的难度越来越大,各种机器学习算法的优势不断凸显。
文摘【目的】研究2009-2018年图书情报学期刊的自引率及其派生指标的历时变化,对其在识别期刊过度自引中的应用效果进行检验和比较。【方法】从Web of Science中获取样本期刊各年度的发文和引文数据,计算自引证率与自被引率、两年自引证率与两年自被引率的年度值,并提出相对两年自引证率与相对两年自被引率指标,利用上述4种自引率指标和2种派生指标识别疑似过度自引的期刊,并对各类指标的有效性和敏感性进行比较。【结果】不同类型的自引率指标分别从不同角度反映了期刊的自引属性,识别结果存在显著差异,自引证率和两年自引证率不适用于识别过度自引,两年自被引率更具敏感性,所提出的2个派生指标能够实现对原有指标的互补。【结论】任何单一的自引率指标都不足以成为过度自引的有效判定依据,应结合多种指标和方案进行综合分析和交叉检验。
