前言：寻找写作灵感？中文期刊网用心挑选的学科交叉期刊的识别方法，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
1引言
伴随着学科间交流日益紧密，不同学科间知识的扩散、交叉与融合现象日益突出。在此情况下，学科研究已不能仅局限于学科自身，需要探究不同学科的知识、技术与方法的交叉融合，因此，学科交叉现象和特征的研究已成为科技管理领域的重要研究对象。学科交叉期刊作为学科交叉领域研究成果的重要载体，识别学科交叉期刊具有重要的理论和应用意义。一方面，学科交叉期刊的识别是实现学科交叉期刊的科学、客观评价的前提。目前在学术期刊评价与管理领域，主流的评价通常以聚集学科主流研究的核心期刊作为评价标杆。学科交叉期刊因其隶属不同学科领域，通常位于多个学科的边缘地带，而且不同领域期刊的评价结果存在差异，造成学科交叉期刊在评价中往往处于不利地位，因此，传统期刊评价指标难以作出客观、公正的评价。与此同时，当前多种科研评价与期刊评价有直接关系，如对研究机构和研究人员的评价通常以其发表期刊的学术影响力作为参照。因此，实现学科交叉期刊的识别并构建专门的评价方法可以消除或减弱科研评价中存在的偏差。另一方面，学科交叉期刊的识别可以辅助学科前沿的监测与预测。大量研究表明不同学科之间的理论方法的交叉、融合会推动产生重大的科学突破。而学科交叉期刊是承载学科交叉前沿研究的主要载体，但由于在评价中的劣势地位，相较于学科核心期刊受到科研人员的关注度较弱，因此，识别学科交叉期刊可以促进对学科前沿的监测与预测。但目前对学科交叉期刊的识别方法研究相对较少，已有学科交叉研究大多集中在领域的学科交叉研究以及学科交叉行为研究等，学科交叉期刊识别方法的效性研究尚处于起步阶段。学科交叉期刊识别是期刊学科交叉研究的基础，也是期刊交叉评价的前提。而期刊学科交叉识别的关键问题在于学科交叉识别方法是否适用于学科交叉期刊识别？若适用哪个识别方法的效用性较好？针对上述问题，本文首先对国内外学科交叉识别方法进行归纳梳理，在总结各方法指标的优势与劣势的基础上，将学科交叉识别方法，应用于期刊层面，并对其重新定义。同时，针对效度较差的识别方法进行改进，提出新的学科交叉期刊识别方法。最后，通过实证分析对学科交叉识别方法进行对比研究，遴选出适用于学科交叉期刊识别且效度较好的识别指标，便于后续学科交叉领域期刊影响力评价的研究。
2学科交叉领域识别方法的研究进展
学科交叉领域识别方法研究根据数据来源分析特征的不同，可分为基于引文关系的识别方法与基于主题内容的识别方法。其中基于引文关系的识别方法以识别方法的运用原理作为划分标准，分为基于社会网络方法的学科交叉识别方法，基于信息传播的学科交叉识别方法以及基于传统测度学科交叉识别指标。
2.1基于引文关系的识别方法
2.1.1利用社会网络方法的识别方法
社会网络方法的识别方法是通过计算网络中心性、网络密度、节点间最短路径等方法来识别学科交叉的趋势。虽然现阶段未形成专门测度期刊交叉度的指标体系，但学者们已较早将社会网络分析方法用于识别交叉领域（表1）。基于社会网络的识别方法结合网络特征，通过可视化的方式识别学科网络、作者合作网络、引文网络以及主题网络中的学科交叉主题。通常位于网络边缘的节点或位于多领域的交叉节点被认为具有学科交叉特性，相较于其他方法，交叉结果较为显著。但不同网络存在一定误差，易受其他因素的干扰，例如引用网络受作者知名度影响，往往会带来比预期更高的影响力，这样会造成引用网络的偏差，因此不能仅靠网络指标对学科交叉期刊进行识别。
2.1.2利用信息传播的识别方法
信息传播的部分指标通常被用于测量信息的离散程度，如信息熵等。一些学者认为这些指标也可用于学科交叉的识别，学科间的平衡性越低，学科交叉趋势越显著，并将学科间相互渗透，理解为学科间信息的相互传递，认为信息传播特征也可成为学科交叉识别的有效方法。从定量角度来看，利用信息熵等原理测算学科交叉性较准确，相比于基于社会网络方法的交叉识别方法，不易被外界信息所干扰。但对于基尼系数等指标只能测算学科的平衡度，而测算学科交叉度还有一定偏差。因此，可以用信息传递大的指标测算信息的不确定变化以及主题的差异性变化，同时也需结合网络位置变化，更好的描述信息传递的整个过程。
2.1.3利用传统方法识别指标
传统计量指标是被用于一般期刊的测量指标，如影响因子、被引频次、学科影响指标、学科扩散指标、H指数、R指数等。一些学者将传统指标用于测量学科交叉趋势，Chang等[15]利用同类型文章引文频次、书目耦合以及同学科作者合作趋势等传统的测量方法，并分析三种方法的优劣性。利用引文等进行学科交叉识别的研究占绝大多数，说明通过引文关系能体现出学科交叉性特征，但是仅利用传统方法，或基于传统方法上进行改进，都无法避免传统方法的缺陷，例如，影响因子的高低一方面受到学科的影响，另一方面也受到期刊刊期和容量大小等的影响。这样对学科交叉期刊进行识别会产生结果偏差。因此要结合其他测量指标来降低环境对结果的影响。
2.2基于主题内容的识别方法
除了上述基于引文内容的识别方法，还有不少学者总结并研究出学科交叉主题的识别方法。相比于引文关系的外部引用，主题内容立足于文章本身，克服自引等带来的引用误差，能较全面地反映文章所属学科。因此根据主题内容，产生一系列关于学科交叉识别的方法。这些方法根据识别出的交叉主题数量研究期刊学科多样性。根据主题内容分类不同，可分为高频词、特征词以及突发词等上述方法，仅从一个侧面对主题内容进行识别，如果用于学科交叉主题识别，会存在一定的差异值。许海云等研究学科交叉主题在学科多样性、主题核心性、奇异性及生长性的特征以及提出多维IDR主题识别方法，提高了学科交叉主题识别的准确度。除上述基于主题内容的识别方法外，徐庶睿等基于主题分布提出主题学科交叉度以及主题交叉度分布熵的公式，从定量的角度丰富主题内容学科交叉度的研究。基于主题内容与基于引文关系的识别方法，分别从外在关系与内在属性角度，对学科交叉进行识别。基于引文关系的识别方法，在研究被引或引用的过程中，存在自引等差异值会导致结果偏差。而基于主题内容，也存在主题离群点干扰。因此各个识别方法均有自身利弊，并且这些识别指标仅在学科交叉中识别，上述识别方法是否适用于学科交叉期刊识别应用值得进一步研究。本文将结合充分考虑期刊学科的类别特征，将学科交叉的识别方法应用于期刊领域，对各项指标进行对比分析，并对特定公式做出修正。
3学科交叉领域期刊识别方法
关于学科交叉性质的研究，Stirling详细地阐述了多样性测度的3个属性，分别为丰富性（variety）、平衡性（balance）和差异性（disparity），并构建了多样性测度的一般框架。Rafols等提出学科交叉性测度分为多样性指标（diversity）和凝聚指标测度（coherence）。笔者归纳相关理论研究，认为学科交叉领域期刊是专门收录或偏向收录学科交叉领域文章的期刊总称，该类期刊有别于一般期刊学科类别的单一性，同时具有学科多样性、学科聚合性、学科平衡性等学科交叉性特点。上述交叉识别方法在一定程度上对学科进行交叉识别，但未应用于期刊层面，并且也未对学科交叉识别方法间效度进行对比。对于学科交叉期刊识别方法研究，其核心是如何定义学科交叉期刊并制定一系列学科交叉期刊识别指标。
3.1学科交叉期刊识别方法体系
本文的学科交叉期刊识别方法主要基于引文分析的跨学科期刊识别方法，尝试从领域多样性、领域平衡性以及领域聚合性等三个学科交叉领域特性入手，分别对期刊间学科进行共现研究，具体方法组织如下：首先，基于上述识别方法，总结其优势与劣势，根据挑选既适用于期刊层面又具有代表性的识别指标，将其运用到期刊识别中，对其重新定义，并针对效度较差的识别方法进行改进，提出新的学科交叉期刊识别方法。其次，根据学科交叉的特性构建学科交叉期刊识别体系，并且根据期刊学科交叉识别体系，运用案例分析法对领域期刊进行识别方法计算。在识别方法计算中，由于涉及网络结构与引文关系的内容，运用社会网络分析法与文献计量法呈现期刊间交叉关系，即通过期刊间引文关系，分别对每个期刊的被引期刊进行映射，得到被引期刊的学科类别。如图1所示，JA有2个被引期刊JA1、JA2，根据JA1、JA2所属的学科类别进行计算，即JA包含的学科类别S1、S2与S3。为了便于期刊识别结果的比较，本文把各个识别结果进行归一化运算，使其在相同的区间范围，根据期刊间的区分度，挑选效度较好的学科交叉期刊识别方法。再次，为了进一步研究识别指标间上层因子的关系，对识别指标间进行相关性分析，通过描述性分析、相关性性分析以及因子分析对相关性较低的期刊识别指标进行组合，提高学科交叉期刊识别的准确度。
3.2识别指标体系
根据近几年学术界对学科交叉识别方法的研究以及许海云对学科交叉的研究综述，结合期刊学科交叉特性，将研究视角设定为学科期刊的交叉识别，对指标进行重新定义后，汇总于表5。其中指标属性以学科交叉的特性划分，子属性是交叉特性下用于识别测量的角度。上述指标中，期刊领域多样性指标是从期刊涉及学科类别的丰富性角度来评价是否具有学科交叉趋势的一系列指标。期刊学科平衡性是利用信息熵、权重以及基尼系数等原理对期刊学科进行信息不确定性的测量。期刊学科聚合性指标是基于网络分析的指标，大多数指标通过期刊网络中节点间的最短距离等指标进行计算。期刊学科综合性指标是整合期刊网络结构特点与学科种类分布，对期刊进行交叉识别。其中GC指标在期刊学科类别中加入权重，目的是使公式结果更精准。但该公式存在一定缺陷，随着i值不断迭加，结果会出现正负相抵的情况。同时该公式其实是权重(2i-n-1)/n的值，随着i的变化而变化，结果仅取决于i值。因此，本研究为了提高公式的精准性，对该公式进行修正。方差被认为是在概率论和统计中衡量随机变量或一组数据时离散程度的度量。方差的度量对学科偏离程度具有重要意义。本研究将学科方差作为公式的权重。
4实证分析
4.1实证数据分析
4.1.1领域期刊选取
由于ISIWebofKnowledge的WebofScience平台对数据学科分类体系较好，实证数据均来自此数据库平台。为检验本研究中学科交叉期刊识别方法的科学性和有效性，需考虑不同学科的学科领域成熟性以及学科领域创新性和学科交叉可能性。实证分析选取学科领域为“综合类”（MULTIDISCIP-LINARYSCIENCES）、“物理化学”（CHEMISTRY,PHYSICAL）和“生命科学”（BIOLOGY）领域的期刊作为实证领域。其中“综合类”期刊一般认为具有多学科交叉的特性，大多数期刊包含各个学科融合的文章，难以被分到具体某一类别。“物理化学类”期刊相比于其他学科类别，期刊数量较多，更易产生学科交叉、学科合作以及学科融合的趋势。“生命科学类”期刊发展较为迅速，期刊信息更新速度较快，同时期刊数量较多，易产生学科交叉、学科融合的趋势。检索日期为2018年3月13日，考虑分析量适中且具有影响力的领域期刊作为实证样本，最终选取引用频次大于1000、小于7000的期刊作为研究样本，遴选出“综合类”15种期刊、“物理化学”123种期刊、“生命科学”79种期刊。
4.1.2识别指标选取
为了更全面地反映各个识别方法的效用性，本研究分别针对领域多样性指标、领域平衡性、领域聚合性、领域综合性等学科交叉特点，选取了期刊适用性较强的识别指标作为计算指标。从数理结构分析，NS与S指标以学科种类为权重，能够较直接地反映期刊多样性特征。SE指标与GC指标利用信息熵理论进行交叉测量，方法较具代表性。ND与MPL指标从网络结构与节点最短距离进行交叉识别，方法角度较具体。RS与指标将学科类别与最短加权距离进行结合，方法较为全面。本研究共选取9个交叉识别指标进行计算，由于指标涉及学科交叉特点不同，并且数据可行性高，研究结果可信度较高。
4.2学科交叉期刊识别指标计算
根据表6，本研究选取“综合类”期刊共15种，“物理化学类”期刊共123种，“生命科类”期刊共79种，并分别对每个期刊的被引期刊进行映射，得到被引期刊的学科类别，并对识别指标进行归一化处理。通过计算9个学科交叉识别公式，根据期刊学科类别的丰富性以及识别公式计算的结果，来判断期刊的学科交叉趋势。由于“物理化学类”、“生命科学类”样本过多，表7仅列举期刊被引量排序前10位的期刊。
4.3期刊各指标标准偏差
由于部分识别结果差距较小，为了更显著的体现各个交叉识别方法应用于期刊的效用程度，本文根据结果偏离性质，引用标准偏差公式，计算不同领域的各个指标的标准偏差，偏差越小说明交叉结果区分度较小。根据上述各领域期刊指标计算，得到以下结论：①从学科交叉期刊识别指标角度，三个领域期刊中GI指标与S指标的区分度较好，并且GI指标与S指标的耦合度较好，交叉趋势趋同。相反，GC指标区分度较差，每个期刊的GC值大致相同。②从期刊角度，“综合类”期刊整体跨学科趋势较为明显。“综合类”期刊识别中，MPL指标的学科交叉区分度也较大，说明网络最短距离也可用于识别期刊学科交叉特性。同时以RS指标与F指标为主的学科综合性指标的学科交叉区分度也较好，说明“综合类”期刊的学科多样性与学科聚合性差异度较高。“生命科学类”期刊MPL指标与ND指标的区分度较好，说明“生命科学类”期刊的学科差异度较显著，学科间最短距离较大，并且期刊学科共线网络较紧密，但MPL、ND均存在多期刊同值的情况，不能达到识别每个期刊的效果。“物理化学类”期刊的学科间差异性较小，并且学科网络间距离较短，学科交叉趋势较不显著。③从期刊交叉识别指标适用性角度，不同领域期刊识别指标的适用性存在差异。如果一个学科期刊的学科多样性较差，学科间距离较短，RS指标与F指标不适用于对其进行识别。MPL指标也仅限于学科间差异较大的期刊，对于学科差异较小的期刊，交叉识别效性较差。因此“综合类”期刊的S指标、GI指数、MPL指标有较好的效度。对于“物理化学类”期刊，S指数、GI指数的期刊学科交叉识别方法最为有效。对于“生命科学类”期刊，S、GI以及ND指标均可用于交叉度测量。同时由结果可知，各个学科领域间，适用的识别方法存在差异性。
4.4指标相关性分析
为了较好的研究识别指标间的关联度，本研究分别针对期刊领域多样性、领域平衡性、领域聚合性及领域综合性指标进行相关性分析。通过对NS、S、SE、GC、GI等指标相关性分析，得到指标间的相似性，为后续推广指标应用提供指标互补的识别方案。
4.4.1各指标正态性检验和变异系数
“综合类”、“物理化学类”、“生命科学类”期刊各指标均成正态分布，其中各个领域期刊变异系数最大的是GI指标，指标变异程度大，说明区分学科差异性明显，可用于期刊学科交叉识别。GC指标的变异系数最小，期刊学科交叉区分度较差。P值是代表显著性的数值，P值小于0.05，说明指标间存在显著差异。各个指标的P值均为0.000，说明各个指标间存在显著差异。
4.4.2各指标间相关性分析
本次研究将采用Pearson相关系数进行双侧显著性检验来测定变量间的相关性，各变量间的相关性分析结果如表9所示。三个领域期刊中GI与S、SE指标间相关性最高，ND与RS、F指标相关度也较高，说明相关性较高的三个指标可分别用于学科交叉期刊的识别中。
4.4.3各指标间因子分析
本研究利用因子分析方法，将相似的识别指标进行综合，得到具有代表性的学科交叉识别指标。根据期刊各指标因子载荷矩阵，各领域期刊可提取3个因子，因子1负荷值大于0.5的指标均是S、SE与GI指标，这三个指标均较关注期刊学科数量，期刊学科交叉趋势效果也较为相似。因子2负荷值大于0.5的指标是RS与F指标，均较关注期刊网络特性。在期刊学科交叉识别中，S、SE与GI可以相互替代、RS与F指标可以相互替代，而ND、NS、MPL与GC要根据不同领域期刊的特点进行运用。由于因子分析方法的各个因子均有可能实现最优结果，因此根据各指标成分得分系数矩阵，将NS、S、SE、GC、GI、ND、MPL、RS以及F指标，作为自变量X1、X2、X3、X4、X5、X6、X7、X8、X9，可得出各个变量线性表达式，并根据领域名进行命名，“综合类”期刊用M表示，“物理化学类”期刊用P表示，“生命科学类”期刊用B表示。将各领域期刊进行因子分析，可提取三个因子（F1、F2、F3），并根据各指标成分得分系数矩阵，得出各个变量线性表达式。由F1、F2、F3表达式可以看出，各领域期刊F1中SE、S、GI的系数最高，对F1的影响力最大。F2中RS与F的系数较高，F3中ND、NS与GC的系数较高。从F1、F2与F3的数值分析中发现，F1中每个期刊的差值较大，而F2与F3表达式出现多个期刊同值的情况，因此F1差值较大，可用于识别计算，F2与F3表达式也不适宜用于识别学科交叉期刊中。通过对各领域期刊的各个识别指标进行相关性分析，可知GI指数的变异系数最高，学科差异性明显。同时根据相关性分析与因子分析，S、GI、SE指数的相关性较高，RS与F的相似度较高。说明相似度较高的各个指标在识别中，可以相互替代。相关性结果验证了上述识别数值所得结果，即S与GI的学科交叉期刊识别区分性较好。如图4所示，F1表达式中分考虑各个识别指标作用，比考虑学科交叉单一方面的识别指标更合理，也可用于学科交叉期刊识别中。因此在学科交叉期刊识别方法中，整合运用相关性较低的识别指标，例如，将S与RS组合识别，或将GI与F组合，这样可以充分考虑学科特性，同时避免单一特性导致结果偏差。也可运用F1作为学科交叉期刊识别方法。
4.5交叉学科识别结果
根据上述期刊学科交叉期刊识别方法的实证分析以及相关性检验，F1综合考虑各个指标的贡献率，并且期刊间区分程度较好。因此根据F1得到的数值降序排列，对各领域期刊进行学科交叉遴选。由于“物理化学类”与“生命科学类”期刊较多，遴选学科交叉排名在前10位的期刊，本研究认为前10位期刊具有一定代表性。“综合类”期刊中ScienceofNature的S值、GI值以及F1最高，说明该期刊中包含具有学科多样性特征的文章，并偏好于收录学科交叉性质的文献。说明F1表达式在“综合类”期刊中适用性较好。“物理化学类”期刊中Tetrahedron:Asymmetry的学科交叉趋势最明显，GI值最高，说明该期刊中包含较多具有学科交叉特征的文章。“生命科学类”期刊中Biometrics的学科交叉趋势最明显，F1值最高，说明该期刊中包含较多具有学科交叉特征的文章。
5结论
5.1主要结论
本研究立足期刊层面，选取适用于期刊的学科交叉识别方法，并对其进行比较分析。选取的九种期刊识别方法分别考虑到学科多样性、学科平衡性与学科聚合性等学科交叉特性。同时本研究针对GC指数的单一性，重新对其进行改进，利用方差作为学科平衡性测量的权重。通过对上述数据进行实验，得出以下几个结论：（1）从识别指标适用性角度分析，不同学科领域期刊识别指标适用性不同。GI与S指标领域期刊适用性最好，不受领域期刊差异性影响。其他识别指标根据领域期刊的特点而改变，从而需选取相应的识别指标。若期刊学科间种类差异较大，MPL的识别效果较好；若期刊学科网络节点间距离差异性较大，RS与F指标的识别效果较好。（2）从九种测量指标角度分析，该九种测量指标均考虑学科交叉特性，用于较简单直接的公式对期刊学科交叉公式的测量，其中用期刊的学科权重与学科方差作为指标变量，识别效果较好。研究表明，S指标与改进后的GI指标的区分度较好，效度较高。根据相关性分析，F1相较于S与GI指标更为全面，考虑了各个识别指标的作用，识别合理性较高。因此可用F1对期刊进行学科交叉识别，也可将GI或S指标与其他相关性较低的指标组合后进行识别。（3）从期刊学科交叉识别方法角度分析，期刊学科交叉识别方法已有初步的研究方向，交叉识别方法种类较多，但都是基于文章层面，注重文章内各个学科间的交叉关系。部分交叉识别指标由于自身的局限性，受较多因素影响，应用于期刊维度时，指标计算结果会产生偏差，出现期刊学科交叉的识别度不够等问题。通过对学科交叉期刊识别测度指标进行实证分析与相关性分析，提出GI与S指标的识别效度较好，但本研究也存在一些不足之处。一方面，领域选择较少。本研究根据期刊学科交叉可能性、学科领域成熟性以及学科领域创新性，选择学科领域为“综合类”、“物理化学”、“生命科学”的期刊为样本，进行实证分析。领域数据量较少，有可能忽略各学科领域的差异性。另一方面，未选取全部识别指标。根据学科多样性、学科平衡性与学科聚合性等特性以及指标的代表性与可行性，分别选取NS、S、SE、GC、ND等8种指标进行计算，其他指标本研究还未对其测量，因此，识别指标分析仅在本研究中选取的指标中进行。
5.2未来研究展望
当前学科交叉识别方法日趋成熟，学术界从引文内容与主题内容入手，提出一系列用于学科交叉识别的方法。但将学科交叉识别方法用于期刊识别，效果存在差异性，我们认为未来学科交叉期刊识别应该从以下两个方向入手：一方面，面向更多学科开展学科交叉期刊的识别。尽管当前已有了多种期刊学科交叉测度的可行性指标，但期刊学科领域交叉研究需要将各类学科领域期刊进行对比，对比过程需深入，不仅仅是结果层面比较。另一方面，进一步改进学科交叉期刊识别方法。鉴于学科交叉识别方法的多样性，期刊学科交叉识别方法应考虑多种因素的影响，这一过程需要对期刊学科交叉全面性计算，因此，针对学科期刊交叉特性，需要利用指标融合，对已有的识别指标进行改进。
