档案学合著网络研究

档案学合著网络研究（精选3篇）

档案学合著网络研究 篇1

0 引言

研究发现, 欲建立一个基于超过18 000条原始数据的Erdos1合著者网络, 首先需要进行数据处理, 剔除无效数据, 保留有效数据。无效数据是指Erdos1文件中外界的人员关系, 即与网络相关性甚小的节点。本文建立了数据筛选模型, 运用COUNTIF函数对原始数据进行预处理[1], 即计算出各节点的关联次数, 并从17 783个原始节点中剔除相关度小的无效节点。

1 基于合著行为的人物关系网络模型

1.1 数据处理

建立数据筛选模型, 将数据进行有效化处理。由于数据材料中各合作者均有合著关系, 且合作相关性至少为1, 即每一著作者均至少与一人合著文章。用合作的相关度λ代表与其他著作者合作, λi=x表示第i位著作者与x个人合著过文章。x越大, 表示该著作者影响力越大, 当x≤2, 称之为 (较) 边缘节点, 在实际网络模型中, 边缘节点对整个网络影响不大, 为便于处理, 舍弃边缘节点。

运用COUNTIF函数对原始数据进行预处理。COUNTIF函数是Microsoft Excel中对指定区域符合指定条件的单元格计数的一个函数, 其语法为:COUNTIF (range, criteria) , 其中Range参数是单元格区域, 即范围;Criteria参数是为确定哪些单元格计算在内的条件, 其形式可以为数字、表达式或文本, 即条件。

将原始节点数据导入Excel表格, 输入函数:=COUNTIF (G:G, Gi) i=1, 2, …, 得出各节点相关度矩阵。为便于剔除无效节点, 首先将各节点相关度矩阵可视化, 画出相关度矩阵散点图以便于分析。由图1可见, 相关度甚小的节点对合著者网络影响较小。为增强网络可视性, 将结果矩阵元素升序排列, 并将相关度λi=x≤2的节点剔除, 仅保留λi=x>2的节点, 得到有效节点矩阵。

1.2 基于合著行为的人物关系网络模型建立

将各合著者视为每一单独节点, 将合著关系视为连接曲线, 运用图论理论, 在各节点间建立相关性, 从而得出合著者网络。合著网络中存在核心成员与普通成员, 网络核心就是那些具有较高相关性的网络节点, 即具有较高影响力的著作者。

这里, 合著关系即为0—1关系, 1代表有联系, 0代表无联系。需要将所有的信息以矩阵形式输入到网络中, 并用几个定义的宏观量来衡量网络的密度特征, 从而找出最核心的成员。

人物关系的建立是基于合著行为的, 如果一个人的相关系数越大, 他的学术影响力就越大, 所得人物关系网络为1 387×1 387矩阵, 这里的1 387是有效节点数。

1.3 普遍性社交网络构建

(1) 网络建立。这里使用社群图, 用社群矩阵来表达相互关系。社群图主要由点 (代表行动者) 和线 (代表行动者之间的关系) 构成。社群图中的点集可以表示为:

一个群体成员之间的关系可以用一个由点和线连成的图表示。

(2) 几何量定义。对于社会网络的研究除了考虑度、路径、聚集度以外, 还会考虑中介度、连通性、接近度等几何量。这些几何量的基本含义如下:

节点度:节点v∈V (G) , 则节点v的节点度d (v) =|{vj, , (v, vj) or (vj, v) ∈E (G) }|

这是描述网络局部特性的基本参数, 度分布函数反映了网络系统的宏观统计特征。理论上利用度分布可以计算出其它表征全局特性参数的量化数值。

路径:对于s, t∈V是一组边和顶点的交替序列, 开始于顶点s, 结束于顶点t。每一个边关联它的前项和后项顶点, 其中路径中边的个数称为这条路径的长度。从s到t所经历的边的数量最少的路径, 称为从s到t的最短路径, 图1是所有节点对间的平均最短路径平均值, 反映了网络的尺寸, 因此通常叫做网络直径。

聚集度:设节点v有dv个邻居, 那么邻居之间最多有Dy* (dy-1) /2条边, 聚集度等于邻居间实际边数除以m的商。聚集度描绘了表1中出现的小集团特性, 无标度网络的特征主要反映在聚集度上。

中介度:反应了节点的影响能力。设顶点为v, σ表示从顶点s到t的最短路径的个数, σ (v) 表示顶点v从s到t的最短路径中出现的个数, 则节点v的中介度

紧密度:用C表示节点v的紧密度, 则

紧密度表示了节点传播信息的能力。

1.4 针对合著行为的网络构建

(1) 网格分析。 (1) 网络中的节点代表著作者, 节点间的边表示著作者之间的合著关系, 如合著关系成立, 则表示二者之间合作出版过刊物; (2) 各节点在网络中的作用或者“位置”基本不同, 核心成员具有较多合著关系, 在Erdos1网络中具有一定的影响力, 属于网络的少数; (3) 由于合著关系错综复杂, 彼此之间有着直接或间接的关联, 大的合著网络往往由几个子合著团组成, 在整个集团中各子合著团起着不同的功能作用; (4) 各网络成员或合著团并不是孤立存在的, 团伙间存在一些联系和交互。

(2) 核心成员挖掘。通过合著行为来求整个团体的核心成员, 采用中心度来衡量。中心度是在社会网络中, 一个行动者与其他很多行动者有直接联系, 该行动者就处在中心地位, 即朋友越多, 越显示出节点的重要性。可以节点的入度 (度) 表示点度中心度, 即点度中心度可以衡量一个人在这个群体中的核心度, 即所求的具有影响力的关键人物。

(3) 模型建立。中心度:根据实际情况, 为便于计算, 中心度采用联系度与中介度的和与紧密度的比值:

(4) 处理思路。通过得出的中心度大小进行排序, 中心度大的著作者判定为核心成员, 即所谓的具有影响力的关键人物。同时参考联系度、紧密度、中介度等数值。

1.5 针对合著行为的网络构建软件实现

由于所处理的数据多且复杂, 因此采用计算机处理。将筛选后的节点人物姓名按相关度从小至大的顺序记为a1, a2..., 输入1 387个人之间的关系, 得到1 387个人每个人的节点中心度, 图1是Ucinet得出的按节点中心度排序的前30名人物。

1.6 数据分析

首先采用节点中心度来判断核心成员, 得到a1387、a1382、a1386的节点中心度排在前3名, 对应数据源的3名作者, 可以认为他们是关键人物集团。

2 基于分块的任务网络模型分析

2.1 可视化显示

可视化显示 (个人关系网络) 如图2所示。

2.2 人物关系网络中的群集行为

结合以上给出的关键人物, 为更好刻画合著网络结构, 我们进一步探讨人物关系网络中的群集行为。

合著网络的子群是指在整个网络中, 因为学术相关及互补性, 以及人物人际关系的集合圈定, 为创作需要, 一些著作者聚集在一起共同合著文章, 其中必有第一作者, 在此将第一作者成为子群的核心, 从而构成一个有核心成员的子网络[2]。合著网络的子群 (子团伙) 是合著网络的重要结构组成。

2.3 块的定义

对于已有数据的处理, 采用构建块的方法。

定义1:一个块模型是由如下两项组成的: (1) 把一个网络中的各个行动者按照一定标准分成几个离散的子集, 称这些子集为“位置”, 也可称之为“聚类”、“块”; (2) 考察每个位置之间是否存在关系。一个块模型就是一种模型, 或者一种关于多元关系网络的假设, 它提供的信息是关于各个位置 (而不是每个行动者) 之间的关系, 因而研究的是网络总体特点。

定义2:个块模型是把一个网络N中的行动者分区, 在各个位置存在一个对应法则θ, 它把行动者分到各个位置之中, 即如果行动者i处于位置B之中, 则

考察b表征位置Bk和B1在关系Xr上是否存在联系, 如果存在联系, 则b=1, 否则为b=0。

定义3:合著网络块模型定义:将合著网络CN通信标识码i依据其在合著网络的信息流动中所扮演的角色, 划分成不同的合著子团伙B1, ...Bk, 并按照对应法则θ把i归属到各个子团伙之中。这里的对应法则θ是i与Bk的紧密度是否小于等于Bk内部节点紧密度的平均值。

2.4 块的构建

合著网络块模型构建: (1) 选取关于合著网络子团伙划分的方法, 把各个合著成员划分到各个子团伙中; (2) 选取整个网络的平均密度值α来确定各个块的取值。

2.5 软件实现

由于相对度较小的节点对各子群影响不大, 为了便于处理, 缩小测量方式, 仅取λi=x>10的节点进行主要群集行为研究, 并将处理后的数据人名记为b1, b2...。

进行关系密度的计算, 得到如图3的关系密度矩阵, 利用矩阵得到树型结构图。

3 合著网络影响力求证与结果检验

结合以上数据分析发现, 合著者网络中有一个核心团队, 分别是b87、b86、b82, 其中b87是核心人物, 在Erdos1网络中最具影响力, 对照数据人物, 知道b87是ALON NOGA M。

通过合著网络模型, 知道了ALON NOGA M是网络中的核心人物, 利用Google学术搜索可以发现, “ALON NOGA M.is the Professor of Mathematics and Computer Science, Tel Aviv University”, 在组合数学方面贡献突出。

找到他的诸多著名著作, 如The Probabilistic Method, The space complexity of approximating the frequency moments, Eigenvalues and expanders and so on。其中最为著名的是The Probabilistic Method, 该文总被引用次数4730次, 另外, 发现有诸多著作者与其有学术往来, 其中相关性最大的是Michael Knvelevich。所以通过网络分析得出的人物Noga Alon确实是学术、论文著作十分杰出的作者。

4 结语

目前, 大数据、云计算推动了互联网的发展, 微博“郭美美事件”如何从炫富转型为腐败, “网络反腐”信息在社交网络人群中是通过哪些人物节点以何种方式进行传播的, 这都对网络分析、节点关系的研究方式提出了挑战。从最基础的核心人物挖掘入手不断深入此领域开展研究, 前景广阔。

参考文献

[1]PHILLIP BONACICH.Power and centrality:a family of measures[J].American Journal Of Sociology, 1986:1170-1182.

[2]M E J NEWMAN.Scientific collaboration networks II[J].Shortest paths, weighted networks, and centrality, Physical Review, 2001, 64-68.

档案学合著网络研究 篇2

1 数据来源与处理方法

本文的研究以《新闻与传播研究》杂志所刊载论文的作者为研究样本, 这是因为该刊由中国社会科学院主办, 主要登载、发表国内新闻学和传播学研究最新成果, 代表国内新闻学和传播学学术研究的最高水准, 因此选择其作为研究样本具有较高的代表性。

数据来源。《新闻与传播研究》通过CNKI下载《新闻与传播研究》 (1994~2011) 所刊载论文共计1253篇, 剔除非学术论文记录共得到1170篇;然后抽取作者合著论文共计412篇, 涉及376个作者;合著率为0.35, 平均每篇论文的作者数为1.93个。

处理方法。本文采用社会网络分析与可视化软件Node XL (V1.0.1.201) 对所获取的合著网络分别进行中心性分析、凝聚子群分析和核心—边缘结构分析, 并简要对分析结果进行讨论。

2 结果分析

我国新闻传播学研究合著的概况。我国新闻传播学研究的合著整体情况, 从图1中可以看出, 1994年到2011年, 我国新闻传播学领域的合作次数整体上呈现逐年上升的趋势, 这跟因为随着研究对象和问题不断复杂化, 越来越多的问题超出了单个作者所能解决的范围, 合作研究成为必然的趋势[1], 但从整体上看, 由于我国新闻传播学研究多以定性描述为主, 定量研究相对不足, 导致新闻传播学领域的合著比例远远小于其他自然科学领域的合作研究, 也小于很多社会科学研究的合作水平。

合著网络聚类系数与平均距离。网络的聚类系数的大小反映了网络的聚集程度。节点的聚类系数表示网络中与该节点相连的节点之间相连的可能, 对网络中所有节点的聚类系数求均值可得到整个网络的聚类系数, 而平均距离表示了可达网络中任意两点间能够达到彼此的最短路径的平均值。[2]据此对图2所示的合著网络进行分析, 得出其聚类系数为0.283, 平均距离为1.088, 直径为6。这说明与随机网络相比, 我国新闻传播学作者合著网络的聚类系数高、平均距离短, 显示出较强的“小世界”效应。聚类系数高表明与同一研究机构具有合作关系的研究机构之间容易建立起合作关系, 而短路径意味着新的科学发现更容易通过学术合作网络进行传递[3]。

合著网络的度分布。度是指与节点直接相连的节点数量。[4]图3为度分布的单对数坐标图, 度的分布服从幂指数为-1.2038的幂率分布, 表明网络具有无标度性。这表明, 我国新闻传播学研究领域不同作者的合作情况差异很大, 大多数作者的合作次数很少, 少数作者广泛的合作, 使这些作者具备较强的知识共享和传播能力。为了保证知识流转的顺畅, 应充分发挥这些作者在新闻传播学研究中的作用。

合著网络的中间中心性。网络中, 如果一个行动者处于许多其他两点之间的路径上, 可以认为该行动者居于重要地位, 因为他具有控制其他两个行动者之间的交往的能力, 根据这种思想来刻画行动者个体中心度的指标是中间中心性, 它测量的是行动者对资源控制的程度[5]。对本文的合著网络进行中间中心性分析, 得到排名前27位的机构 (见表1) 。中间中心性 (betweenness centrality) , 可以理解为一个节点在多大程度上位于图中其他节点的“中间位置”[6]。中间中心性大的节点将对合作网络的联通起到重要作用, 并为其他机构之间的潜在合作创造条件。

通过表1得出, 在本文所构建的合著网络中, 武汉大学的夏倩芳教授、张明新副教授, 清华大学的刘建民教授在合著网络中间中心性排名中居于前列。也就是说他们在我国新闻传播学合著网络中处于至关重要的位置, 对于合著网络的连通性及网络的发展有着巨大的影响, 是我国新闻传播学合著网络的核心节点。同时, 即使是取前27名作者, 不同作者间对合著网络的影响也存在显著地差别, 因此, 对于关键作者的发现, 有利于我们在宏观科技政策上加强对我国新闻传播学研究的管理和优化。

合著网络的派系分析。派系是指包含三个及以上节点的最大完全子网络。[7]本文通过对图2的分析发现, 我国新闻传播学领域存在明显的凝聚子群, 其中最大的子群中存在着14位作者和21个合作关系。根据对这些作者所在机构的分析可以发现, 中国人民大学确、复旦大学、武汉大学、中国社科院新闻研究所是构成我国新闻传播学合著网络凝聚子群的最重要来源, 这些机构对维持整个合作网络的结构和发展起重要作用。这一方面反映了这些机构在我国新闻传播学研究领域的重要学术影响, 但另一方面, 从促进知识扩散和创新的角度来看, 却对我国新闻传播学的发展起着阻碍的作用。

3 结论

通过对《新闻与传播研究》 (1994~2011) 论文作者信息的抽取, 本文构建了我国新闻传播学领域的作者合著网络, 并对其进行了研究。基于对一些基本网络特征, 如节点数、聚类系数与网络直径等指标的分析,

发现我国新闻传播学研究者间的合作关系并不紧密, 许多作者没有融入主要的合作网络, 网络具有小世界和无标度特性;国内知名的学者拥有很强的合作频次, 并构成了我国新闻传播学领域研究合作网络的核心群体, 他们对我国新闻传播学研究合作网络的联通和知识的流动发挥着重要作用。如何保持和提高这些作者的研究水平, 对于更好地强化知识传播, 加快我国新闻传播学的科学发展具有显著地理论和现实意义。

本文研究仅选取了《新闻与传播研究》一个刊物的数据, 虽然该刊作为我国新闻传播学领域的重要期刊, 在很大程度上代表了我国新闻传播学研究的现状, 而不可否认的是, 数据选择范围的相对狭小或多或少会对结论产生影响。但是这并不能妨碍我们通过社会网络分析的理论与工具来探索和揭示我国新闻传播学研究的知识生产、传播的规律与趋势。

摘要：从社会网络分析法的不同角度对我国新闻传播学研究合著的现状进行了分析, 初步探索和揭示了我国新闻传播学研究的知识生产、传播的规律与趋势。

关键词：新闻传播,合著,网络分析

参考文献

[1]邱均平, 瞿辉.我国科研机构合作网络知识扩散研究——以“生物多样性”研究为例[J].图书情报知识, 2011, (6) .

[2]Newman M.Scientific collaboration networks.II.Shortest paths, weighted networks, and centrality[J].Physical review E.2001, 64 (1) .

[3]闫相斌, 宋晓龙, 宋晓红.我国管理科学领域机构学术合作网络分析[J].科研管理, 2011, (12) .

[4]Nooy W, Mrvar A, Batagelj V.Exploratory social network analysis with Pajek[M].Cambridge University Press, 2005:91-102.

[5]李亮, 朱庆华.社会网络分析方法在合著分析中的实证研究[J].情报科学, 2008 (4) .

[6]罗家德.社会网分析讲义[M].北京:社会科学文献出版社, 2005.

档案学合著网络研究 篇3

学术论文不仅为科学家提供了获取专业成就和增长知识的方法,也为研究人员提供了获取科学资源、建立科学界与工业精英之间学术交流网络的有效途径。学术论文常包含了两个或者两个以上的作者,独著论文日趋于减少,这种现象表明,随着科学技术变革速度越来越快、理、工学科日益交叉融合、新兴前沿学科不断涌现,科学合作有助于促进资源共享、思想交流、知识,提高科研产出效率。传统的数理统计方法难以适用于当前管理学的需要,将合著网络抽象为社会复杂网络,合著论文中的作者抽象成社会网络中的节点,合著关系表示成节点与节点之间的关系,利用社会复杂网络方法对其进行研究已成为当前的主要技术手段。

社会网络分析(Social Network Analysis, SNA)是20世纪70年代以来在社会学、心理学、人类学、数学、通信科学等领域逐步发展起来的一个研究分支。国内外学者已经把社会网络分析应用在很多研究领域,如竞争情报、知识管理、产业集群、学科热点、科研人员合著等方面。根据国内外已有的研究成果来看,在对科研人员合著现象的研究中,社会网络分析方法表现的非常有效[1,2,3,4,5,6,7,8]。

2 当前合著网络的研究现状

1994年以来,IEEE和ACM等大型数字图书馆出现以来,国内外的一些学者就开始关注和研究合著网络。其主要原因在于:对合著网络的当前状态和结构进行观察可以提供许多有价值的数据。合著网络属于一种典型的社会复杂网络,它具有其拥有的一些结构特征,如小世界特征、网络中存在内聚倾向以及无标度特征等等。因此,一些分析社会复杂网络的工具和方法同样可应用于合著网络,以深入挖掘合著网络潜藏的有用信息。这些工具和方法已成为当前研究合著网络的主要手段。

Newman M在文献[1-2]内,针对生物医疗、数学和物理等3个领域,分别对Los Alamos e-Print Archive、Medline、Stanford Public Information Retrieval System和Networked Computer Sci-ence Technical Reference Library等4个数据库中的论文构建单独的合著网络,对科研人员撰写科学论文的合作模式进行了定量的分析。在文献[1-2]中,Newman M分析了合著网络的基本结构特征,包括论文的数量、作者的数量,以及不同学科、不同时间下的合作模式的变化特点,观察到合著网络存在着以下特点:1)计算机、理论物理领域合作作者的平均数量较小,实验物理领域的合作作者平均数量非常大,不同学科不同方向之间存在着较大的差异;2)形成的最大连通子集一般包含了80-90%的作者,说明了同一学科形成的学术团体是相互连通的;3)在同一学科内,任意两个作者之间的平均距离为6,说明了合著网络符合小世界特征。

在文献[3]中,Newman M提出了计算中间中心度的快速算法,并通过中间中心性分析表明,与其它的社会复杂网络相似,中间中心度高的科研人员地位一般高于具有较小值的人。与一般网络不同的是,合著网络呈现一种小世界效应,作者之间的平均距离并不随网络节点个数的增加呈现对数级增长。在该文中,Newman M还讨论了带权值的合著网络以评估作者之间的合作强度。量化权值公式的基本思想是,合作论文数量越多,论文合著作者数越少,对应的权值越大。依据此公式,通过从事实验物理领域研究的科研人员构建的合著网络发现,基于权值的接近中心性分析比无权值的接近中心性分析更符合实际情况。主要根据是,若采用无权值的接近中心性分析,若干个最大接近中心度的节点都是从事实验物理领域研究的科研人员,这与该领域论文的平均作者数量较大有直接关系,因此难以衡量不同作者之间的合作关系强度。而采用基于权值的接近中心度分析方法,连接强度高的节点容易取得较高的值,如第5个最好的物理科学家,虽然只有3个科研合作者,但由于他们之间存在着紧密的科研合作,且这些科研人员自身与外界之间具有很强的合作关系,在该分析方法下,他所对应的接近中心度值较高,更能有效反映真实的科研合作情况。

Yoshikane等以43个顶级计算机期刊论文为例,考虑了研究者在科学研究中的两种角色,领导者角色和跟随者角色[4]。分析了合著网络中作者在不同角色中的重要程度,以及计算机理论和计算机应用领域之间在这方面的区别。结论指出,计算机应用论文对应的作者较多,计算机理论论文对应的作者较少。这与实际的观感是相符的,计算机应用常常更为复杂的实验,需要更多的研究人员共同来完成。而计算机理论一般注重理论推导,对实验的要求不高。此外,与计算机理论不同的是,在计算机应用领域,研究人员扮演的角色定位较为清晰,或领导者角色,或跟随者角色。

Yin等以交叉学科数据库COLLNET为数据源,研究交叉学科领域合著网络的特点[6]利用社会网络分析方法分析,得出如下结论:与一般的学科相比,交叉学科合著网络节点间平均距离较大,反映了交叉学科研究人员进行科研合作、信息流动率不高。此外,节点平均度较小,反映其领域研究人员之间的合作性不强等。基于以上结论,作者给出了交叉学科合作性差的原因,由于交叉学科发展时间不长,跨国界跨区域之间合作还较少,因此,随着时间的增长,该领域研究人员之间的合作必然会得到增强。

而在国内,一些学者也开始了这方面的研究,并取得了一定的研究成果。Liu X. 等基于ACM、IEEE和联合的ACM和IEEE的数字图书馆内的合著网络,提出了一种带方向性的网络结构,设计了评价因子Author- Rank,对研究人员的贡献进行量化分级[10]。李凌云等针对有关“虚拟实验”方面的文章,从合著度与合著率、合著网络的中心性、凝聚子群、社群图等方面进行了分析[7]。在文献[8]中,作者根据收集整理的2004到2008年《科研管理》构建的合著网络,利用社会网络分析对整个合作网络进行了小团体分析、集聚程度分析和中心性分析。文献[9]利用社会网络分析方法,从中心性分析、凝聚子群分析以及核心和边缘结构分析三个结构,选择《情报学报》的合著者为对象,对国内情报学领域的合著网络进行了实证研究,指出了该学报的合著网络核心作者的数量和所属科研机构。

3 当前的研究工作存在的不足

从以上分析可以看出,现有基于合著网络的研究涉及到很多领域,如生物医疗、数学和物理、信息可视化、交叉学科等,从一些具有代表性期刊形成的合著网络出发,从全局范围内挖掘出当前具有影响力、较高学术贡献的研究人员和研究团队。这些研究虽然很有理论意义和实际价值,然而还存在着以下的不足:

1)学术界以往常常基于有影响力的期刊中搜索数据源,构建和形成合著网络,针对某一个具体团队成员的合著网络研究较少,也缺乏基于合著网络、分析某一二级机构下的科研团队结构的特征分析的研究成果。然而,小科研团队是从事科研活动的单元和基础,是承担国家重大的科学技术研究课题和经济社会发展中的重大理论问题和政策问题研究的核心力量,挖掘不同层次科研团队当前的状态和内部特征,有助于单位人事管理部门修正和制定相应的发展策略,以改善高校科研团队的结构,获得更多和更好的科研成果,应该对科研团队进行进一步的深入研究。

2)与国外著名机构相比,国内机构,尤其是地方性科研院所的科研实力还比较弱,在有影响力的期刊内发表的论文较少,因此,基于该样本构建的合著网络对于分析其所属学科科研团队的特征缺乏实际意义。若基于所有的期刊数据库的期刊论文作为数据源,又会导致出现一个新的问题:论文质量的度量问题。在前面的文献里面,有影响力的期刊论文质量都较好,然而,国内期刊质量参差不齐,有些期刊甚至以收取版面费作为盈利工具,不考虑论文质量,甚至缺乏基本的审稿程序。虽然以往的文献涉及到构建带权值的合著网络,但针对数据源样本质量参差不齐的情况,以往的文献还缺乏深入研究。面对这种情况,如何构建合适的合著网络,以评价研究个体在网络中的作用、重要性等,是需要解决的关键性问题。

4 总结

本文综述当前研究合著网络的代表性成果的基本思想和总体结论,重点叙述如何对关系进行量化表征、揭示关系的结构、解释社会现象的过程。在此基础上,分析和讨论当前合著网络存在的缺点和不足。

摘要：在科研研究过程中,交流与合作日趋普遍,其研究成果一般以论文等形式呈现。随着参与科研任务的研究人数越来越多,科学论文形成的合著网络规模日趋增大。综述当前合著网络的研究现状,详细介绍一些典型的研究合著网络的方法和分析结果,并分析总结了当前合著网络的研究不足