单位：北京市农林科学院数据科学与农业经济研究所

前沿主题体现着科技创新进程里极具新颖性、前瞻性以及引领性的研究方向, 能够对未来研究走向做出有效预判, 助力科技人员精准掌握最新研究进展，还为科研管理者与政策制定者把人力、物力以及财力精确投入到最具战略价值的研究方向给予有力支持。

这项研究, 选取了项目以及 SCI 论文这两种数据来源, 去构建目标领域的数据集, 采用主题提取模型来进行文本语义识别从而达到提取研究主题的目的；构建了基于项目和论文的前沿主题识别指标体系；在农业资源与环境领域选取范围开展实证研究以便提出该领域的研究前沿。借助提取目标领域的前沿主题这种方式, 以此提高前沿主题识别的精准度以及前沿探测的前瞻性价值, 进而为特定领域知识服务以及科技创新提供重要支撑。

1研究方法

1.1 研究思路

项目数据源自美国国家食品与农业研究所, 也就是National Institute of Food and Agriculture, 简称NIFA, 论文数据来源于Web of Science核心合集数据库, 即WOS。因NIFA项目数据的研究课题都在美国范围之内, 然而WOS论文数据却覆盖着全球。因而, 针对项目数据与论文数据主题的对比, 主要是从两个维度来进行展开的, 其一为NIFA项目数据同WOS全球论文数据之间的对比, 其二是NIFA项目数据与WOS美国国内论文数据的对比。

1.2 研究主题提取方法

这个能自动提取文本里语义信息，挖掘背后语义关联的潜在狄利克雷分布, 也就是Latent Dirichlet Allocation, LDA模型, 属于无监督模型, 它具有可对海量异构文本数据建模的优势, 在科技文献知识挖掘, 在科学研究热点发现与主题演化分析, 在新兴前沿主题探测等研究方向都有广泛应用。

就上述数据集而言, 本研究运用LDA主题分析工具来开展研究主题的相应聚类以及诸般性的分析工作。通过将困惑度以及一致性参数予以结合, 进而确定研究主题的具体数量。

1.3 前沿主题类别的判定方法

分别运用LDA主题聚类模型, 识别出项目数据的研究主题, 再识别出论文数据的研究主题。之后, 结合领域专家的智慧, 判断其是否为共同研究前沿。主要结合主题新兴度、主题关注度等外部指标结果, 再加上创新性指标、交叉度指标, 对识别出的前沿主题进行多维度分析。本研究把研究前沿主题划分成4种类型, 它们分别是热点研究前沿主题、新兴研究前沿主题、消亡研究前沿主题、潜在研究前沿主题。

从时间维度来说指的是研究主题时间新颖性的新兴度, 越是新出现的主题, 在时间维度上, 越容易涵盖最新的研究内容, 并且更有变为研究前沿的可能性。

创新性, 指的是内容涉及方面的创新性, 着重突显研究主题内容里的突破性以及引领性, 运用Kleinberg突发词检测这种方式来开展计算。

关注度所指的是, 在时间跨度当中, 一项研究内容受到的关注水平。项目的关注度, 是依据项目获取资助的时间长度怎样、获得资金数额的高低情况、项目数量、经费的每年变化幅度, 以及主题里项目数量的占比来予以反映的。论文是通过平均被引次数、每年论文数量的变化幅度, 以及主题之内论文数量的占比来进行表征的。

交叉性所呈现出来的是学科交叉的那种广度, 多学科相互交叉的这种情况, 使得科学研究成果在跨领域应用方面的机会得以增加, 进而出现创新性影响的概率也随之加大。

鉴于项目乃是科研管理机构针对科学研究而做出的前瞻布局, 并且论文是科学研究处于阶段性之时成果所呈现予以体现出来象征, 故而项目相比论文而言会更具备有前瞻性。依据参考结合依靠参照已有学者的研究思路, 在本次本项本研究之中, “共同存在主题”的新兴度是以项目数据当作作为计算依据根基, “非共同存在主题”的新兴度则分别逐个逐一进行计算。“共同存在主题”的关注度是为项目和论文的关注度两者所加起来之和, “非共同存在主题”的关注度、创新性以及交叉度分别各自单独进行计算。各项指标的高低状况以及强弱程度，是以总体的平均值当作参考依据的, 要是大于平均值的话, 就要判定为高或者强, 而若是小于平均值, 那就判定为低或者弱。具体的判别方法流程呈现像图1所展示的那样。

图1 基于项目和论文的研究前沿判别方法

2前沿主题类型的识别与实证研究

2.1 单一数据源主题提取结果

针对2016 - 2021年农业资源与环境领域的NIFA项目数据, 运用LDA主题分析工具实施聚类, 得到5个研究主题。针对该领域的SCI论文数据, 运用LDA主题分析工具实施聚类, 也得到5个研究主题。之后, 把新兴度、创新性、关注度以及交叉性结合起来, 去进行评分。接着通过等权重方式, 对这些指标予以归一化。最终据此得出每个主题的综合得分。那些得分超过0.50的主题, 被认定在各种指标方面展现良好, 进而被确定为研究前沿主题。所以, 在2016至2021年期间, 农业资源与环境领域当中有关项目数据以及SCI论文数据的研究前沿, 呈现于表1和表2。经由领域专家进行解读, 明确了基于项目数据的研究主要布置在废水处理技术与水资源的高效利用、农业废弃物增值利用与可持续发展、植物 - 根际 - 微生物互作与多样化农田管理、农牧生态系统管理与污染控制等4个方向。基于论文数据展开的研究, 主要布局于这样三个方向, 其一为农艺管理措施之下的土壤生态响应机制研究方向, 其二是植物 - 根际 - 微生物互作机制研究方向, 其三是土壤滑坡、侵蚀退化机理研究与预测评估方向。

表1, 2016年至2021年期间, NIFA农业资源与环境项目所涉及的各聚类主题词。

分列于表2之中的, 是2016年至2021年期间, 全球农业资源与环境SCI论文所涉及的各聚类主题词。

2.2 不同前沿主题类型的研判

在本研究里, 会依据基于LDA模型所获取到的项目前沿主题, 对SCI论文的前沿主题展开人工专业判读, 最终, 把“植物 - 根际 - 微生物多样性互作机制”认定为项目与论文共同存在的研究前沿；把“废水处理技术与水资源的高效利用”, “农业废弃物增值利用与可持续发展”, “农牧生态系统管理与污染控制”, “农艺管理措施下土壤生态响应机制”, 以及“土壤滑坡、侵蚀退化机理研究与预测评估”确定为并非共同存在的研究前沿主题。各个前沿主题的新兴度、关注度等指标如表3所示。

经过针对各指标均值展开计算, 从而得出, 新兴度的均值是2018.50, 创新性的均值为0.20, 基金关注度的均值为0.946, 论文关注度的均值是9.778, 基金与论文关注度的累计均值为10.724, 项目交叉度的均值为6.479, 论文交叉度为1.974。

借助把上述共同具有的主题、并非共同具有的主题各指标跟均值进行对照, 其中共同具有的主题“植物 - 根际 - 微生物互作机制”主题的新兴程度、受到关注程度、创新性质以及交叉程度都是比较高的, 显现出该主题是近些年来的热点研究前沿；美国项目安排的“废水处理技术与水资源的高效利用”、“农业废弃物增值利用与可持续发展”的主题, 还有源自论文数据提取的“农艺管理措施下土壤生态响应机制”、“土壤滑坡、侵蚀退化机理研究与预测评估”的主题, 它们的新兴程度、创新性质以及受到关注程度都高于均值, 表明这类研究主题安排的年份比较新颖, 基金项目的安排展现了其战略意义和研究价值, 然而在科学研究里还没有高产出的阶段性成果, 或者是部分主题在基金项目里还没有安排, 不过有研究者提前开展相关研究并取得阶段性成果, 这类主题将会有比较大的可能性获得良好发展, 所以, 把上述4个主题判定为潜在研究前沿主题。

存在一个主题, 它是由美国项目管理部门布局的, 主题为“农牧生态系统管理与污染控制”, 此主题有着最高的新兴度, 然而, 其受到的关注度略微低于均值, 这表明美国项目管理部门对该研究主题的布局年度是比较新的, 只是因为时间比较短, 所以还没有引发高度的关注, 因此被认定为新兴研究前沿主题。未来要是该项目进行持续的布局, 并且产出相关的成果, 就会引发高度的关注, 从而有机会成为潜在的研究前沿或者热点研究前沿。

表3 美国项目数据与全球论文数据主题对比分析

2.3 前沿主题识别方法的验证

拿所获得的研究前沿, 跟中国农业科学院农业信息研究所发布的《2022全球农业研究热点前沿分析解读》做对比, 用来检验本研究依赖于LDA主题模型以及前沿指标体系来判别研究前沿的科学性。中国农业科学院的2022全球农业研究热点前沿, 其基础是SCI论文和CSCD论文数据（2017至2021年）, 从Essential Science Indicators（ESI）数据库提取高共被引论文, 也就是在同学科同年度被引频次排在前1%的论文, 把高共被引论文和施引论文共同构成的核心论文主题簇当作研究热点前沿, 通过论文分类映射, 结合共被引理论、语义聚类方法、指标筛选、专家访谈以及定性定量分析, 从最初形成的989个农业主题数据里, 遴选得到了2022农业9大学科71个农业研究热点。由此可知, 所论及的农业资源跟环境范畴之内的热点前沿, 主要聚焦于根际范畴的生态环境, 土壤在固碳固氮方面的机理, 肥料的研发以及利用情况, 植物有益菌的抗性表现, 还有土壤与作物的管理等诸多方向。具体情形如同表4所展示的那样。

表4, 由中国农业科学院所提出的, 关于农业资源与环境学科领域的, 研究热点以及前沿。

经对比, 本研究所提出的热点前沿是“植物 - 根际 - 微生物多样性互作机制”, 它覆盖了多项研究热点, 其中包括上述的“土壤和根际微生物对土地利用方式的响应及机理”, 还有“植物有益菌的促生抗逆效应与机理”, 以及“根系微生物组的组装规律和控制机理”, 和“土壤氮转化的微生物机理及其农学环境效应”等, 并且它与中国农业科学院基于ESI高共被引论文数据得出的研究热点内容相近。本研究所提出的新兴研究前沿是“农牧生态系统管理与污染控制” , 这里面嵌入了上述热点前沿“土壤 - 作物管理对温室气体排放的影响及调控”的内容 ；本研究所提出的潜在研究前沿为“农艺管理措施下土壤生态响应机制” , 此又覆盖了上述热点前沿“植物固氮机理与调控” 、“土壤固碳潜力及其调控机理”的内容。本研究所提出的“农业废弃物增值利用与可持续发展”在其中也关联到了上述“新型肥料研发与高效利用”的部分内容。因此, 全面去看, 能够推断出, 本研究是根据LDA主题模型, 从SCI论文与项目融合这个角度着手进行研究前沿主题挖掘的办法, 并且所构建的前沿主题识别系统具备一定可行性。此外, 本研究还关联具体判别指标, 对所获取的研究前沿展开多维度剖析, 把研究前沿主题进一步划分成热点研究前沿主题、新兴研究前沿主题、消亡研究前沿主题、潜在研究前沿主题这4种类型。

3结论

本研究是基于项目以及论文数据集来展开的, 其研究了以LDA模型进行主题抽取的方法, 还结合领域专家的智慧去判断两种数据源的主题是异还是同, 综合运用主题新兴度、主题关注度、创新性以及交叉度等指标, 针对识别出的项目和论文数据的前沿主题进行多维度的研判, 研究了热点研究前沿主题、新兴研究前沿主题、消亡研究前沿主题、潜在研究前沿主题的识别以及判定的方法, 并且提出了农业资源与环境领域的研究前沿。研究有所证实, 针对项目以及论文数据, 在开展主题提取之后, 将专家智慧同前沿指标相结合, 以此来进行主题判别, 这样的一种方法, 属于是一种可供选择的前沿主题识别方法。

这份研究, 乃是针对借助项目数据与论文数据, 于研究前沿主题提取以及识别方法方面展开的一种探索, 它充分汲取了前人的研究经验。在往后的研究里, 依旧需要融合规划文本、政策文本以及代表技术研发的专利这些多个数据来源, 去进行深入地分析, 还得进一步优化主题提取模型以及各个维度的指标筛选, 结合数据源的特征、贡献来完善指标的权重。经由增加多维数据来源、优化主题提取模型、完善研判指标, 从而从全方位为科学研究与管理布局决策给予支撑。

那篇文章, 是于二零二四年六月, 发表在了SCI期刊《Applied Science》这上面的。关于全文内容, 可进行参阅, 具体如下:

这并不是一个句子呀, 请你提供正确的句子以便我按照要求进行改写。

本周三！！小绿头 发布：没/关/注的先/关/注下呦！！

【原创报告】科技促进北京粮食产业链增值的对策研究

【前沿资讯】美国发布首个全球土壤病毒图谱

【前沿资讯】USDA授予一项基因编辑大豆豁免权

【前沿资讯】, 日本的科学家, 促使基因编辑工具“prime edito”。

就在本周三！！！ 就在本周三！！！ 就在本周三！！！

关注“农科智库”小绿头号，提前查看最新农业资讯！！