科研分类与结构化数据的价值
高质量的科研分析依赖于经过验证且结构化的数据。一个管理得当的数据库，如果同时具备全面的元数据，能够与其他数据源实现互操作，其用途将更加广泛。
科研分类的定义与重要性
- 科研分类可以基于学科、领域、研究方向、研究活动类型或文献类型。
- 科研工作的每一条信息都附有一系列特征属性，即元数据，它们揭示了科研活动的特定信息：研究内容、发生地点、完成时间、研究主体与合作者，以及资助方。
- 当元数据出现不完整、不一致或结构混乱时，研究发现与分析可能产生严重偏差。
科研文化与研究文献
- 不同类型的科研活动逐渐形成了各具特征的论文与引文模式。
- 研究文献的主要类型及其特征包括：研究论文与综述论文、会议论文、图书、图书章节与专著、灰色文献。
- 在科研评估中，经过同行评议的研究论文与综述论文通常仍是引文数据的核心来源。
科研分类对引文分析的重要性
- 期刊论文的引文通常在发表后的最初几年迅速增长，随后年增量逐渐下降，并在大约十年后趋于稳定。
- 为使引文分析中的数据更具同类可比性，我们需要按照发表年份和学科分类对所有论文进行分类。
- 新的时间变量：在线发表日期。
- 学科分类：Web of Science的254个学科类别，构成了稳定、精细的基础性分类体系；ESI的22个学科类别，则提供了管理层面的宏观概览。
引文网络如何识别学科分类
- Web of Science与ESI的分类体系主要采用“自上而下”的方式构建。
- 一种更具时效性的方法，是基于论文之间的引文关联，“自下而上”构建分类体系。
- 2019年，荷兰莱顿大学科学技术研究中心（CWTS）研究团队与ISI合作，开发了首个此类动态分类体系，名为“引文主题”。
跨内容学科分类
- “研究主题”分类体系的设计，旨在应对科研数据组织中的一个长期挑战：实现跨平台、跨内容的数据整合。
- “研究主题”通过构建统一的分类架构，能够一致地应用于不同类型的研究成果，从而克服了传统分类体系的局限。
- “研究主题”分类体系具有动态性，因为基于内容的分类框架会随着研究格局的发展而不断演化。
将数据类别映射至国家评估体系
- 不同分类体系下的出版数据能够形成相关、且具有可解释性的聚类，并可实现相互关联。
- 在澳大利亚，用于澳大利亚卓越科研评估（ERA）的学科分类体系，基于澳大利亚与新西兰标准科研分类（ANZSRC）框架下的“研究领域”（Fo R）。
- 英国的Research Assessment Exercise（简称RAE，后演变为前文所述的REF）体系并未明确规定各学科对应的期刊。
将科研元数据映射至发展目标
- 联合国可持续发展目标（SDG）是一个全球认可的框架，由17个相互关联的目标组成，旨在于2030年前应对最紧迫的社会、经济与环境挑战。
- 科睿唯安已将SDG引入其高级科研分析解决方案（如InCites与Web of Science Research Intelligence平台），作为一种分类体系，用于对与全球发展重点相关的研究成果开展系统性计量与对比分析。
国际合作的分类
- 随着国际合作占比的提升，跨国合作论文的被引频次高于其他论文的现象也愈发明显。
- ISI的一项近期研究进一步拓展了科研成果的“同类可比”分类原则。
- 为纳入合作这一维度，ISI开发了“合作性学科规范化引文影响力”（Collab-CNCI）指标。
结论：结构化科研活动数据的重要性
- 结构化、经过验证且具备互操作性的科研活动数据，并非只是便利工具，而是实现可信检索、发现与评估的前提条件。
- 科睿唯安将分类与规范化机制贯穿从索引到分析的每一个环节，将庞大、异构的数据资源，转化为稳定、可解释且可落地应用的科研信息，服务于科研人员与科研分析人员。
