Аннотация
В статье рассматривается новый инструмент анализа научных сообществ с использованием методов моделирования тем и теории графов. Результаты применения предложенного нами подхода представлены для публикаций авторов, аффилированных с Сургутским государственным университетом в Scopus за период 1995–2021 гг. Разработанный инструмент позволяет определять основные направления научных исследований, выявлять передовые коллективы научных работников по отдельным направлениям, а также анализировать взаимосвязи научных коллективов. Представлены результаты распределения публикаций по времени, девяти основным темам, расчет метрик графов соавторства, построенных на основе исследуемого набора данных. В будущем разработанный подход можно применить для оценки научно-исследовательского потенциала научных организаций, для оперативного определения направлений научных исследований, выявления передовых коллективов и научных работников по перспективным направлениям.
Литература
Blei D. M. Probabilistic Topic Models. Communications of the ACM. 2012;55(4):77-84.
De Battisti F., Ferrara A., Salini S. A Decade of Research in Statistics: a Topic Model Approach. Scientometrics. 2015;103(2):413-433.
Venugopalan S., Rai V. Topic Based Classification and Pattern Identification in Patents. Technological Forecasting and Social Change. 2015;94:236-250.
Lee W., Han E., Sohn S. Predicting the Pattern of Technology Convergence Using Big-Data Technology on Large-Scale Triadic Patents. Technological Forecasting and Social Change. 2015;100:317-329.
Kaplan S., Vakili K. The Double-Edged Sword of Recombination in Breakthrough Innovation. Strategic Management Journal. 2015;36:1435-1457.
Chen H., Zhang G., Zhu D., Lu J. Topic-Based Technological Forecasting Based on Patent Data: A Case Study of Australian Patents from 2000 to 2014. Technological Forecasting and Social Change. 2017;119(C):39-52.
Suominen A., Toivanen H., Seppänen M. Firms' Knowledge Profiles: Mapping Patent Data with Unsupervised Learning. Technological Forecasting and Social Change. 2017;115(9):131-142.
Lüdering J., Winker P. Forward or Backward Looking? The Economic Discourse and the Observed Reality. Journal of Economics and Statistics. 2016;236(4):483-515.
Griffith T., Steyvers M. Finding Scientific Topics. Proceedings of the National Academy of Sciences. 2004;101:5228-5235.
Ambrosino A., Cedrini M., Davis J., Fioria S., Guerzoni M., Nuccio M. What Topic Modeling Could Reveal about the Evolution of Economics. Journal of Economic Methodology. 2018;25(4):367-377.
Chang H.-C. The Synergy of Scientometric Analysis and Knowledge Mapping with Topic Models: Modelling the Development Trajectories of Information Security and Cyber-Security Research. Journal of Information & Knowledge Management. 2016;15(4):1650044.
Liu L., Tang L., Dong W., Yao S., Zhou W. An Overview of Topic Modeling and its Current Applications in Bioinformatics. SpringerPlus. 2016;5(1):1608.
Larsen V., Thorsrud L. Business Cycle Narratives. CESifo Working Paper Series 7468, CESifo. 2019.
Huang A., Lehavy R., Zang A. Y., Zheng R. Analyst Information Discovery and Interpretation Roles: A Topic Modeling Approach. Management Science. 2017;64(6):2833-2855.
Farrell J. Corporate Funding and Ideological Polarization about Climate Change. Proceedings of the National Academy of Sciences. 2016;113(1):92-97.
Chae B., Park E. Corporate Social Responsibility (CSR): A Survey of Topics and Trends Using Twitter Data and Topic Modeling. Sustainability. 2018;10(7):1-20.
Roberts M. E., Stewart B., Tingley D., Lucas C., Leder-Luis J., Gadarian S., Albertson B., Rand D. Structural Topic Models for Open-Ended Survey Responses. American Journal of Political Science. 2014;58(4):1064-1082.
Tvinnereim E., Fløttum K. Explaining Topic Prevalence in Answers to Open-Ended Survey Questions about Climate Change. Nature Climate Change. 2015;5:744-747.
Savin I., Drews S., Maestre-Andres S., van den Bergh J. Public Views on Carbon Taxation and Its Fairness: A Computational-Linguistics Analysis. Climatic Change. 2020;162:2107-2138.
Savin I., Drews S., van den Bergh J. Free Associations of Citizens and Scientists with Economic and Green Growth: A Computational Linguistics Analysis. Ecological Economics. 2021;180:106878.
VOSviewer – Visualizing Scientific Landscapes. Available at: https://www.vosviewer.com/.
De Oliveira B. S., Milanez D. H., Leiva D. R., de Faria L. I. L., Botta W. J., Kiminami C. S. Thermal Spraying Processes and Amorphous Alloys: Macro-Indicators of Patent Activity. Materials Research. 2018;20(Suppl. 1):89-95.
Palmblad M., van Eck N. J. Bibliometric Analyses Reveal Patterns of Collaboration between ASMS Members. Journal of The American Society for Mass Spectrometry. 2018;29(3):447–454.
Waltman L., van Eck N. J., Noyons Ed. A Unified Approach to Mapping and Clustering of Bibliometric Networks. Journal of Informetrics. 2010;4:629-635. 10.1016/j.joi.2010.07.002.
Van Eck N. J., Waltman L. Citation-Based Clustering of Publications Using CitNetExplorer and VOSviewer. Scientometrics. 2017;111:1053–1070. 10.1007/s11192-017-2300-7.
Низомутдинов Б. А., Тропников А. С. Автоматизированный сбор данных для наукометрического анализа. Научный сервис в сети Интернет: труды XXI Всероссийской научной конференции (23-28 сентября 2019 г., г. Новороссийск). М.: ИПМ им. М. В. Келдыша; 2019;523-531.
Blei D. M., Ng A. Y., Jordan M. I. Latent Dirichlet Allocation. Journal of Machine Learning Research. 2003;3(4–5):993–1022.
Van der Maaten L. J. P., Hinton G. E. Visualizing Data Using t-SNE. Journal of Machine Learning Research. 2008;9:2579–2605.
Ognyanova K. Network Visualization with R. 2019. Available at: https://kateto.net/network-visualization.
Hu Y. Algorithms for Visualizing Large Networks. Combinatorial Scientific Computing. 2011;5. 10.1201/b11644-20.
Watts D. J., Strogatz S. Collective Dynamics of 'Small-World' Networks. Nature. 1998;393(6684):440–442.