近10年SCI收錄生物醫(yī)學(xué)領(lǐng)域文本挖掘研究文獻(xiàn)計(jì)量學(xué)分析

摘要：本研究以美國(guó)科技信息研究所出版的《科學(xué)引文索引》（SCI）為數(shù)據(jù)源檢索2004～2013年生物醫(yī)學(xué)領(lǐng)域文本挖掘文獻(xiàn)，并從年度變化、國(guó)家/地區(qū)分布、作者等方面進(jìn)行文獻(xiàn)計(jì)量學(xué)分析。結(jié)果顯示：全球生物醫(yī)學(xué)文本挖掘文獻(xiàn)總量呈上升趨勢(shì)。而對(duì)其進(jìn)一步的研究，必將促進(jìn)文本挖掘技術(shù)的進(jìn)步和成熟，從而也為生物醫(yī)學(xué)領(lǐng)域的發(fā)展注入新的活力。

關(guān)鍵詞：文本挖掘；生物醫(yī)學(xué)；發(fā)展動(dòng)態(tài)；文獻(xiàn)計(jì)量學(xué)；SCI

文本挖掘（Text mining）是數(shù)據(jù)挖掘的一個(gè)方向，當(dāng)數(shù)據(jù)挖掘的對(duì)象完全由文本這種數(shù)據(jù)類型組成時(shí)，這個(gè)過(guò)程就稱為文本挖掘[1]。1988 年， Swanson 教授在MEDLINE 的生物醫(yī)學(xué)文獻(xiàn)中發(fā)現(xiàn)了諸如鎂缺失與偏頭痛的醫(yī)學(xué)關(guān)系[2]并獲得了實(shí)驗(yàn)的驗(yàn)證。至此之后， 強(qiáng)有力的文本挖掘工具在現(xiàn)代生物醫(yī)學(xué)研究中扮演著越來(lái)越重要的角色。本研究采用文獻(xiàn)計(jì)量學(xué)的方法，對(duì)SCI數(shù)據(jù)庫(kù)收錄的2004～2013年間生物醫(yī)學(xué)領(lǐng)域的文本挖掘相關(guān)文獻(xiàn)從年度變化、國(guó)家/地區(qū)分布、作者等方面進(jìn)行文獻(xiàn)計(jì)量學(xué)分析，旨在了解該領(lǐng)域的研究現(xiàn)狀和發(fā)展趨勢(shì)，以期為后續(xù)的研究提供參考。

1 方法

筆者所統(tǒng)計(jì)的文獻(xiàn)數(shù)據(jù)全部來(lái)源于美國(guó)ISI 的SCI 網(wǎng)絡(luò)版（SCI of Web），以與文本挖掘相關(guān)的自由詞text mining，Literature mining，Knowledge discovery in text，Text data mining和以生物醫(yī)學(xué)相關(guān)的自由詞Biomedicine，Systems biology，Medicine，Genomics，Proteomics，Metabolomics， Bioinformatics，Biology，Traditional Chinese Medicine對(duì)上述數(shù)據(jù)庫(kù)進(jìn)行主題詞搜索。然后對(duì)下載的所有文獻(xiàn)進(jìn)行數(shù)據(jù)的篩選和清理后，最終選擇納入文獻(xiàn)797篇。檢索完成時(shí)間為2014年3月20日。

2 結(jié)果

2.1年度發(fā)表量 我們整理出來(lái)的2004～2013年生物醫(yī)學(xué)領(lǐng)域文本挖掘文獻(xiàn)總共有797篇，每年的發(fā)文數(shù)量從2004年的43篇到2013年的124篇，總體呈現(xiàn)增長(zhǎng)趨勢(shì)。

2.2國(guó)家/地區(qū) 經(jīng)統(tǒng)計(jì)，在所有797篇文章中總共有53個(gè)國(guó)家參與了文章的發(fā)表，遍及全世界五個(gè)大洲，但各個(gè)大洲的對(duì)該領(lǐng)域的研究極不平衡。雖然歐洲有著最高的發(fā)文總量，但是北美洲的美國(guó)卻以最高發(fā)文量（289篇）位居全球國(guó)家排名的第一位，緊隨其后的是英國(guó)（125）和中國(guó)（82）.

2.3高被引論文 根據(jù)普賴斯定律[3]可以算出在納入統(tǒng)計(jì)的文獻(xiàn)中被引頻次≥42 的為高被引文獻(xiàn)（注：Mp=42.21， Npmax=3177）。797篇文獻(xiàn)中被引頻次≥42 的論文共79篇。高被引論文排名前3位的文章為。《Systematic and integrative analysis of large gene lists using DAVID bioinformatics resources》（被引3177次），《The Gene Ontology Annotation （GOA） Database： sharing knowledge in Uniprot with Gene Ontology》（366次）和《RegulonDB （version 6.0）： gene regulation model of Escherichia coli K-12 beyond transcription， active （experimental） annotated promoters and Textpresso navigation》（274次）

2.4核心作者分析 在生物醫(yī)學(xué)領(lǐng)域文本挖掘研究的797篇文獻(xiàn)中，共有2565位作者（包含所有合著者），根據(jù)普賴斯定律，核心作者最低發(fā)文數(shù)m 的值為： 。其中指發(fā)文最多的作者發(fā)表的論文數(shù)。本次研究中 為23，故m 取整數(shù)為4。作者論文4篇以上為80人，其發(fā)表的論文為468篇，占總論文量58.7%，高于總論文數(shù)的50%，說(shuō)明在生物醫(yī)學(xué)領(lǐng)域的文本挖掘研究已經(jīng)形成了較為穩(wěn)定的研究群體。

3 結(jié)論

2004～2013年以來(lái)發(fā)文數(shù)量總體呈現(xiàn)增長(zhǎng)趨勢(shì)。全球大約有60%左右的文章都是通過(guò)國(guó)家間合作完成的，美國(guó)是發(fā)表文章最多的國(guó)家，其次是英國(guó)和中國(guó)。目前文本挖掘技術(shù)在生物醫(yī)學(xué)中的應(yīng)用還處于不斷的研究和發(fā)展階段，但國(guó)際上對(duì)該領(lǐng)域的認(rèn)識(shí)正不斷提高，初步形成了一批在該領(lǐng)域的核心研究地區(qū)、核心作者和核心研究領(lǐng)域。

致謝：衷心感謝北京市“青年英才計(jì)劃”基金（YETP0821）的支持。

參考文獻(xiàn)：

[1] Hearst M A. Text data mining： issues， techniques， and relationship to information access. Presentation notes for UW/MS workshop on data mining， 1997.

[2] Swanson D， Smalheiser N R. Assessing a gap in the biomedical literature： magnesium deficiency and neurologic disease[J]. Neuroscience Research Communications， 1994， 15： 1-9.

[3] 劉雪立，王兆軍.2004—2008 年我國(guó)情報(bào)專題研究高被引論文的統(tǒng)計(jì)與分析[J].情報(bào)雜志，2010， 29（1）： 64-67.

編輯/王敏