一種時(shí)間維度的論文影響力評(píng)價(jià)研究

許恩平　賈娜　李敏　余以勝

摘要：針對(duì)目前h指數(shù)存在的不足，學(xué)界尚缺乏一種綜合有效的評(píng)價(jià)指標(biāo)，為此，筆者期待介紹一種論文評(píng)價(jià)的ammaa算法，并提出一種融入時(shí)間維度的優(yōu)化算法，即t_ammaa算法，通過(guò)對(duì)論文影響力的評(píng)價(jià)來(lái)反映學(xué)者個(gè)人的影響力評(píng)價(jià)。研究過(guò)程中，以Web of Science作為數(shù)據(jù)源，聚焦國(guó)內(nèi)圖情領(lǐng)域作者發(fā)文，計(jì)算論文ammaa值及t_ammaa值，進(jìn)而得出學(xué)者的ammaa值及t_ammaa值，并將兩種算法結(jié)果排名與學(xué)者H值排名通過(guò)歸一化處理，進(jìn)行實(shí)證對(duì)比分析。結(jié)果表明：t_ammaa算法綜合考慮發(fā)文被引次數(shù)、被引次數(shù)的闕值限制、合著者人數(shù)及論文被引時(shí)間的異質(zhì)性，既可以對(duì)獨(dú)著和合著論文影響力進(jìn)行綜合性評(píng)價(jià)，也可以消除時(shí)間因素帶來(lái)的影響，是一種更為合理的學(xué)者和論文影響力評(píng)價(jià)計(jì)量方法。

關(guān)鍵詞：ammaa算法;時(shí)間異質(zhì)性;多作者論文影響力;作者影響力;評(píng)價(jià)指標(biāo);破“五唯”

中圖分類(lèi)號(hào)：G350;G6444 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008-5831（2021）06-0111-14

眾所周知，學(xué)者所進(jìn)行的科學(xué)研究及成果傳播在科學(xué)進(jìn)步及社會(huì)發(fā)展中發(fā)揮著重要作用[1]，其成果形式多以學(xué)術(shù)論文、著作和專(zhuān)利為主。事實(shí)上，高校和科研單位的

人才引進(jìn)、職稱(chēng)評(píng)定也愈加倚重學(xué)術(shù)論文在個(gè)人學(xué)術(shù)影響力評(píng)價(jià)中的作用。2018年教育部聯(lián)合多個(gè)部門(mén)，開(kāi)展清理“唯論文、唯帽子、唯職稱(chēng)、唯學(xué)歷、唯獎(jiǎng)項(xiàng)”（以下簡(jiǎn)稱(chēng)“五唯”）專(zhuān)項(xiàng)行動(dòng)。需要注意的是，在破“五唯”過(guò)程中，尤其是破“唯論文”現(xiàn)象時(shí)，尚應(yīng)充分考慮我國(guó)科研發(fā)展的不同階段及其具體情況，“一步到位”既不現(xiàn)實(shí)也無(wú)必要，筆者以為應(yīng)著力于扭轉(zhuǎn)不科學(xué)的教育評(píng)價(jià)導(dǎo)向，進(jìn)而對(duì)學(xué)者進(jìn)行合理的學(xué)術(shù)影響力評(píng)價(jià)。

目前，國(guó)際上廣泛應(yīng)用的學(xué)術(shù)影響力評(píng)價(jià)指標(biāo)，如被引次數(shù)、h指數(shù)、g指數(shù)等均是用于評(píng)估單作者影響力的方法。但隨著信息技術(shù)的發(fā)展，科學(xué)合作與知識(shí)交流普遍常態(tài)化，多著者合作的形式可以顯著提高學(xué)術(shù)研究水平[2]，科學(xué)研究的進(jìn)步需要多領(lǐng)域研究人員之間的合作[3]。在理工科領(lǐng)域，物理學(xué)論文的合作者可達(dá)上百人，目前共同作者數(shù)量有增加的趨勢(shì)，文章由不止一位作者撰寫(xiě)成為越來(lái)越正常的現(xiàn)象[4]。但近年來(lái)，客座作者[5]、禮物作者[6]、非學(xué)術(shù)合作者[7]等署名資格問(wèn)題[8]已經(jīng)成為影響科研誠(chéng)信的重要議題。相關(guān)研究也發(fā)現(xiàn)，合著者人數(shù)的增多，卻未必能提高研究成果的影響力，如被引頻次、下載量等[9]。因此，學(xué)術(shù)期刊大多要求每位合著者都要作出相應(yīng)的努力和貢獻(xiàn)[10-12]，基于此，D.Gnana Bharathi提出了一種多作者聚合分析算法指標(biāo)，即aggregating metrics for multiple authors’ analysis，簡(jiǎn)稱(chēng)ammaa算法[13]。

一、相關(guān)研究文獻(xiàn)分析

2005年，Hirsch[14]提出綜合考慮學(xué)者發(fā)文數(shù)量和發(fā)文質(zhì)量的h指數(shù)影響力評(píng)價(jià)指標(biāo)，并得到學(xué)術(shù)界的認(rèn)可和推廣應(yīng)用。同年，即被Nature文章[15]評(píng)論道，h指數(shù)的魅力在于它能凸顯那些有持久重大貢獻(xiàn)卻未得到與其聲望相稱(chēng)榮譽(yù)的研究者。自h指數(shù)提出以來(lái)，國(guó)內(nèi)外學(xué)者對(duì)其做了很多研究。隨著研究的不斷深入，h指數(shù)的固有缺點(diǎn)也不斷暴露，如：（1）虛假合作，不能區(qū)分作者貢獻(xiàn)[16];（2）對(duì)論文數(shù)量不敏感，只考慮h核內(nèi)的論文數(shù)量和被引頻次，忽略h核以外的論文;（3）無(wú)法跨領(lǐng)域評(píng)價(jià)作者影響力[17];（4）無(wú)法對(duì)學(xué)者近期影響力進(jìn)行評(píng)價(jià)[18]等。至今，對(duì)h指數(shù)的修正研究擴(kuò)展指數(shù)已不下30余種[19]。2006年，L.Egghhe從論文被引頻次的累計(jì)貢獻(xiàn)角度，提出g指數(shù)[14]，同樣側(cè)重論文被引頻次角度的還有R指數(shù)及Hr指數(shù)[20]。2010年，Prathap G.提出p指數(shù)，優(yōu)化了h指數(shù)的靈敏度和區(qū)分度[21]。從作者合作角度進(jìn)行修正的改進(jìn)則包括均等共享和差異分享論文影響力兩種。差異分享論文影響力研究包括考慮主要貢獻(xiàn)作者和計(jì)算合作者權(quán)重。其中，考慮主要貢獻(xiàn)作者是在計(jì)算h指數(shù)時(shí)，只納入該作者作為主要貢獻(xiàn)作者的論文，如hmaj指數(shù)[22];計(jì)算合作者權(quán)重則基于作者排序和合著者數(shù)量的榮譽(yù)分配法[23]。均等共享論文影響力研究包括直接對(duì)h指數(shù)進(jìn)行平均和對(duì)論文數(shù)或被引次數(shù)進(jìn)行平均，前者如hI指數(shù)[24]，后者如hm指數(shù)[25]、pf指數(shù)[22]等。2016年，學(xué)者Shaon Sahoo針對(duì)合著論文個(gè)人貢獻(xiàn)率問(wèn)題提出I指數(shù)，使得各合著者隨著論文作者數(shù)量的增加而減小，在一定程度上降低了沒(méi)有實(shí)質(zhì)貢獻(xiàn)的“論文掛名”的影響[26]。2019年，學(xué)者D.Gnana Bharathi提出多作者聚合分析算法指標(biāo)，即ammaa算法[13]，該算法實(shí)現(xiàn)了通過(guò)對(duì)論文影響力的評(píng)價(jià)進(jìn)而對(duì)學(xué)者影響力進(jìn)行評(píng)價(jià)的目的。

綜合以上研究，雖然都在一定程度上對(duì)h指數(shù)的缺點(diǎn)有所彌補(bǔ)或改進(jìn)，但依然沒(méi)有一種綜合有效的方法應(yīng)用于學(xué)者影響力評(píng)價(jià)中。為此，筆者期待在D.Gnana Bharathi提出的ammaa算法基礎(chǔ)上考慮到時(shí)間異質(zhì)性，提出一種融入時(shí)間因素的改進(jìn)算法，即t_ammaa算法，并嘗試通過(guò)數(shù)據(jù)實(shí)證，與h指數(shù)進(jìn)行對(duì)比和相關(guān)性分析，證明t_ammaa算法對(duì)學(xué)者影響力評(píng)價(jià)結(jié)果更全面、公平和精細(xì)。

二、ammaa算法介紹

（一）ammaa算法原理

ammaa算法引入一種閾值變量T，也就是合著者數(shù)量的乘數(shù)。對(duì)任一論文而言，從以下公式（1）（2）（3）不難看出，若論文為單作者獨(dú)著成果，則該文ammaa值就是其被引頻次;當(dāng)作者人數(shù)大于1時(shí)，其ammaa值是總引文量的平方除以閾值T和作者數(shù)量，再加上按著者數(shù)平分總引文量的值，使得每篇論文的影響力都隨著引文數(shù)的增加而增加，直至該值達(dá)到由合著者數(shù)量和閾值設(shè)定的引文限制（即aT-T），其ammaa值才等于文章的總引文量，如以下公式（2）所示，這時(shí)，每個(gè)著者才可以算是獲得了該文章所有的引文影響力。這種所有作者平均共享被引次數(shù)，每增加1次引用，其影響力的值就會(huì)同等份額逐漸增加的度量方法，原理類(lèi)似于為工人生產(chǎn)率的每一次增長(zhǎng)都提供同等的績(jī)效激勵(lì)，直至達(dá)到目標(biāo)要求，團(tuán)隊(duì)的所有成員都可以得到全額獎(jiǎng)勵(lì)。這樣既不會(huì)由所有作者平分引文總數(shù)那樣弱化實(shí)際作者貢獻(xiàn)值，降低合著者的積極性，也不會(huì)夸大沒(méi)有實(shí)際貢獻(xiàn)合著者的影響力。

一篇論文的ammaa值計(jì)算公式如下：

對(duì)于單作者的文章，ammaa值等于總被引次數(shù)，即：

當(dāng)a=1時(shí)，AMMAA=c（1）

對(duì)于其他任何形式多作者合著文章，即：

當(dāng)a>1，且c<aT-T時(shí)，AMMAA=（c+c2/T）/a（2）

當(dāng)a>1，且c≥aT-T時(shí)，AMMAA=c（3）

式中，c為被引次數(shù)，a為作者人數(shù)，T為閾值變量。

在衡量同一學(xué)科的多作者論文影響力時(shí)，T值是相同的，所有合著者都享有的全部引文量閾值（aT-T）就會(huì)隨著合著者人數(shù)的增多而變大，如圖1所示。在達(dá)到閾值前，引文量相同的情況下，ammaa值會(huì)隨著合著者人數(shù)a的增多而變小，如圖2所示。由此，ammaa算法同時(shí)考慮了作者人數(shù)及論文被引頻次兩個(gè)因素，實(shí)現(xiàn)了既可以對(duì)單作者論文評(píng)價(jià)，也可以對(duì)多作者論文進(jìn)行評(píng)價(jià)的創(chuàng)新融合。

T的賦值可通過(guò)普遍共識(shí)或由特定國(guó)家、團(tuán)體或組織來(lái)確定。傳統(tǒng)上被引用次數(shù)較少的學(xué)科，如地質(zhì)學(xué)、數(shù)學(xué)，其T值較低。被引用次數(shù)較多的學(xué)科，如生物醫(yī)學(xué)、生物化學(xué)，其T值較高。T的其他任何值也可以在科學(xué)合理的基礎(chǔ)上設(shè)置，通用情況下，作者建議將T值暫設(shè)為100，一旦設(shè)置了T，就可以為每篇合著文章計(jì)算其ammaa值，也就是衡量每篇論文為合著者中的每位學(xué)者帶來(lái)的影響力。T值的設(shè)定是根據(jù)學(xué)科性質(zhì)確定的，所以，當(dāng)出現(xiàn)普遍低被引學(xué)科的作者與普遍高被引學(xué)科的作者跨學(xué)科合作時(shí)，T值的設(shè)定還可以平衡由學(xué)科差異帶來(lái)的影響。

（二）ammaa算法的不足

在論文影響力評(píng)價(jià)過(guò)程中，統(tǒng)計(jì)評(píng)價(jià)指標(biāo)時(shí)常常忽略時(shí)間軸不統(tǒng)一的問(wèn)題[27]，從而降低評(píng)價(jià)的有效性。ammaa算法綜合考慮了論文被引次數(shù)、作者人數(shù)兩方面因素，卻忽視了時(shí)間因素對(duì)評(píng)價(jià)效果的影響。論文被引時(shí)間的異質(zhì)性體現(xiàn)論文成果傳播的時(shí)間差異性，被引時(shí)刻才是知識(shí)傳播和交流、發(fā)揮效用的時(shí)間，發(fā)文與被引的時(shí)間差反映了論文的知識(shí)流動(dòng)性和影響力的大小[28]。兩篇不同論文的發(fā)表時(shí)間不同，總被引頻次相同時(shí)，發(fā)表時(shí)間更短的論文有更大的影響力;發(fā)表時(shí)間相同，總被引頻次相同，引文量逐年上升和引文量逐年下降的論文學(xué)術(shù)價(jià)值也是不同的[29]。因此，筆者在分析ammaa算法忽略時(shí)間維度的情況下，力求基于發(fā)文時(shí)間和被引時(shí)間的異質(zhì)性對(duì)ammaa算法進(jìn)行優(yōu)化。

三、t_ammaa算法的提出

加權(quán)是為平衡某一要素在整個(gè)要素體系中，因重要程度不同而分別賦予該要素不同權(quán)值的過(guò)程[30]。本優(yōu)化方法對(duì)論文發(fā)表后每年的ammaa值賦予不同的權(quán)重，計(jì)算論文的加權(quán)ammaa。這樣，一篇論文的t_ammaa值就是對(duì)它每年的ammaa值賦予不同權(quán)重后之和，作者的t_ammaa值就等于其所有論文t_ammaa值之和。

對(duì)于每篇論文而言：

t_ammaa=（1*ammaa1+2*ammaa2+3*ammaa3……+n*ammaan）/n（4）

式中，n=（數(shù)據(jù)采集時(shí)間-論文發(fā)表時(shí)間）/年;ammaa1、ammaa2……ammaan表示論文發(fā)表后第一年、第二年……第n年的ammaa值，每年的ammaa值利用作者所發(fā)文章在這一年的被引頻次c計(jì)算。

對(duì)于每個(gè)作者而言：

t_ammaa=t_ammaa1+t_ammaa2+t_ammaa3……+t_ammaan（5）

式中n為某作者的第n篇論文;t_ammaa1、t_ammaa2、t_ammaa3……t_ammaan為該作者的第一篇、第二篇……第n篇論文的t_ammaa值。

四、t_ammaa算法實(shí)證研究

（一）數(shù)據(jù)來(lái)源及處理

本文以國(guó)內(nèi)圖情領(lǐng)域?qū)W者為研究對(duì)象，選取Web of Science核心合集（以下簡(jiǎn)稱(chēng)為WOS）作為實(shí)驗(yàn)數(shù)據(jù)來(lái)源，檢索策略為：SU=（Information science and library science）;檢索時(shí)間跨度為2010年至2019年，限定語(yǔ)言類(lèi)型為英文;精煉限定：國(guó)家/地區(qū)為（“PEOPLES R China”） OR （“China”），文獻(xiàn)類(lèi)型為ARTICLE，結(jié)果顯示共有21 279條文獻(xiàn)記錄。

為保證所得數(shù)據(jù)的可靠性，剔除標(biāo)注為“被撤回的出版物”以及無(wú)作者記錄12條，考慮數(shù)據(jù)的可操作性，刪除年均被引頻次小于1的論文記錄6 528條，剩余14 739條可用記錄。通過(guò)Python程序分詞統(tǒng)計(jì)得到60 342位作者，及每位作者的全部發(fā)文和被引詳情。并采取前文所述中的作者建議，暫把T值設(shè)為100。根據(jù)公式（1）（2）（3）和公式（4）（5），分別計(jì)算每位作者的ammaa值和t_ammaa值，并排序。

（二）實(shí)驗(yàn)過(guò)程

本文嘗試從兩個(gè)角度進(jìn)行數(shù)據(jù)梳理，然后再綜合進(jìn)行分析討論。

第一個(gè)角度，從發(fā)文量和引用量出發(fā)，比較分析ammaa算法及t_ammaa算法和h指數(shù)的區(qū)別和相關(guān)性。為保證實(shí)驗(yàn)可操作性，設(shè)定（1）年均被引頻次40次以上，在2010—2019年所發(fā)論文總被引頻次不少于400次，和（2）在（1）的基礎(chǔ)上，年均發(fā)文3篇以上，在2010—2019年期間總發(fā)文量不少于30篇的作者兩個(gè)篩選條件，最終篩選出52位符合以上條件的作者，并對(duì)52名作者進(jìn)行核查，排除同名同姓的情況。因篇幅有限，摘錄發(fā)文總數(shù)前25位作者發(fā)文及引用情況記錄（表1）。

h指數(shù)為現(xiàn)行國(guó)際上使用的評(píng)價(jià)指標(biāo)，故本文先通過(guò)ammaa算法與作者h(yuǎn)值排名比較（即排名1-排名2），證明ammaa算法的調(diào)節(jié)力和區(qū)分度，再通過(guò)作者ammaa值排名減去t_ammaa值排名比較（即排名2-排名3），對(duì)比分析ammaa算法和t_ammaa算法。各位學(xué)者的h值是在WOS核心庫(kù)中通過(guò)設(shè)定與數(shù)據(jù)源同一限定條件加上作者姓名檢索獲得。兩排名比較中均采用正數(shù)表示作者排名上升，負(fù)數(shù)相反，數(shù)值絕對(duì)值表示作者排名變化量。因篇幅有限，現(xiàn)摘錄部分學(xué)者結(jié)果，如表2所示。

第二個(gè)角度，從ammaa值出發(fā)，分析討論ammaa值排名靠前的學(xué)者發(fā)文及被引頻次情況。參考前文數(shù)據(jù)，故保留前52位作者并進(jìn)行核查，排除同名同姓情況?，F(xiàn)摘錄部分?jǐn)?shù)據(jù)如表3所示。

（三）結(jié)果與分析

綜合全部導(dǎo)出數(shù)據(jù)及表1可見(jiàn)，被調(diào)查的14 739篇論文中獨(dú)著論文157篇，僅占1.07%。其中，發(fā)文數(shù)大于30篇，總被引頻次大于400次的52位學(xué)者中，僅有7位學(xué)者在2010—2019年各發(fā)表了1篇獨(dú)著論文，表明論文合著的形式已被

普遍接受，并可通過(guò)科學(xué)合作以提高科研成果影響力[2]。該結(jié)果與國(guó)家科學(xué)技術(shù)評(píng)估中心-科睿唯安分析結(jié)果及國(guó)內(nèi)外學(xué)者的研究結(jié)論吻合[31-33]。

如表3所示，經(jīng)計(jì)算ammaa值排名前52的學(xué)者中，發(fā)文數(shù)小于10篇的有21位，發(fā)文數(shù)介于10到30篇之間的學(xué)者有26位，占比50%，大于30篇的有5位，占比不到10%。學(xué)者Law Rob獨(dú)著數(shù)1篇，學(xué)者Zhou Tao獨(dú)著數(shù)10篇。其中，發(fā)文數(shù)與總被引頻次均相同的學(xué)者有三組，分別為Csordas Attila和Ternent Tobias;del-Toro Noemi和Dianes Jose A;Tang Zefang和Li Chenwei。經(jīng)調(diào)查詳細(xì)數(shù)據(jù)發(fā)現(xiàn)，Csordas Attila和Ternent Tobias、del-Toro Noemi和Dianes Jose A參與合著1篇論文被引頻次高達(dá)2 023次，Tang Zefang和Li Chenwei參與合著1篇論文被引頻次為1 720次，且三組學(xué)者第一組僅有2篇論文發(fā)表，后兩組僅有1篇。假若綜合考慮發(fā)文數(shù)，排除發(fā)文數(shù)少于10篇的學(xué)者記錄，且以年均發(fā)文至少1篇為限制條件，則ammaa算法既可以突出發(fā)文能力較強(qiáng)如獨(dú)著較多的學(xué)者，也能篩選出文章質(zhì)量較高的學(xué)者。

本研究中，我們保留ammaa值排名前52且發(fā)文至少10篇的學(xué)者各指標(biāo)值，用與前文相同的條件查詢(xún)各位學(xué)者的H值并排名（表4），綜合第一角度一并做以下分析與討論。

1.ammaa算法與t_ammaa算法調(diào)節(jié)能力結(jié)果與討論

由表2和表4可知，兩種算法的計(jì)算結(jié)果中，均未出現(xiàn)ammaa值、t_ammaa值相同的情況，而表2中H值查詢(xún)結(jié)果中相同的學(xué)者有Law，Rob 等12組，共48位學(xué)者，占比92.3%;表4中H值相同的有Zhang，Lei等6組，共19位學(xué)者，占比86.4%。分別對(duì)H值、ammaa值和t_ammaa值三者排名進(jìn)行歸一化處理，并按照H值排序，如圖3、圖4所示，ammaa算法和t_ammaa算法排名較H指數(shù)排名總體趨勢(shì)一致，二者均圍繞H值排名上下浮動(dòng)，且幅度較大;加入時(shí)間權(quán)重因素后，與ammaa值相比，表2中52位作者有40位學(xué)者的t_ammaa值名次發(fā)生變化，名次變化學(xué)者

占比76.9%，表4中22位學(xué)者有21位學(xué)者名次發(fā)生變化，名次變化學(xué)者

占比95.5%。說(shuō)明ammaa算法和t_ammaa算法識(shí)別效果都較H指數(shù)好，且t_ammaa算法較ammaa對(duì)學(xué)者影響力評(píng)價(jià)更敏感，調(diào)節(jié)作用更明顯。

需要說(shuō)明的是，圖3、圖4、圖5、圖6因版面所限，圖面文字不夠清晰，有興趣者可與筆者線(xiàn)上交流。

首先分析比較ammaa算法與h指數(shù)。在表2中，兩種評(píng)價(jià)方法下除Wang Yi和Zhang Jie兩位學(xué)者名次未發(fā)生變化外，其余學(xué)者排名均產(chǎn)生變動(dòng)，變化最多的是學(xué)者Wang Yu和Zhao Jing，變化值均為38。表4中，除學(xué)者Wang Rui名次未發(fā)生變化外，其余21位學(xué)者名次均發(fā)生變化，其中變化最大的是學(xué)者Liu Yang，變化值為16。

下面就表2中名次變化最大的學(xué)者Wang Yu分析原因，除各位學(xué)者原本h值排名并列的情況外，結(jié)合每位作者的所有發(fā)文和被引頻次及合著者人數(shù)，對(duì)比分析下降名次最多的Wang Yu和與其h值相同排名卻未發(fā)生變化的Zhang Lin，及排名上升最多的Zhang Lei（上升8個(gè)名次）三位作者，均取其被引頻次大于10的論文，發(fā)現(xiàn)學(xué)者Wang Yu平均每篇論文的合著者人數(shù)為8.62，最高被引頻次為41次，且該篇合著者人數(shù)為9人。而學(xué)者Zhang Lei和Zhang Lin，平均每篇論文的合著者人數(shù)分別為6.39和6.04，單篇最高被引頻次分別為1 219次和389次，且兩位學(xué)者該篇合著者人數(shù)均為3人，故學(xué)者Wang Yu的ammaa值排名明顯下降。以上對(duì)比分析說(shuō)明，考慮合著者人數(shù)的ammaa算法對(duì)合著論文的評(píng)價(jià)調(diào)節(jié)作用明顯，且對(duì)高被引頻次文章具有敏感的識(shí)別力。

2.t_ammaa算法與ammaa比較

觀(guān)察表2的計(jì)算結(jié)果，有三組作者的ammaa值幾乎相同，分別是Li Xia（588.96）和Zhang Jie（588.94），Liu Xin（212.77）和Lin Hongfei（212.28），Wang Jing（179.90）和Zhang Jian（179.38），進(jìn)一步觀(guān)察三組作者的t_ammaa值分別為236.17 和190.16，64.73 和91.01 ，78.38 和71.02 ，其差值分別為46.01，26.28和7.36。觀(guān)察表4的計(jì)算結(jié)果，Tao Dacheng 和Xu Wei、Ge Shuzhi和Huang Lei兩組學(xué)者的ammaa值分別為2 223.68和2 222.12、1 303.80和1 307.4，差值分別為1.56和3.6，進(jìn)一步觀(guān)察兩組作者的t_ammaa值分別為641.44和1 313.58、424.68 和530.79，差值分別為672.13和106.11?？梢?jiàn)，相比ammaa算法，t_ammaa算法的區(qū)分效果更加顯著。

由表2和圖5可知，加入時(shí)間權(quán)重后，t_ammaa值名次下降最多的是作者Liu Xin，下降11個(gè)名次，居第43位;而總被引頻次和ammaa值都比其小的學(xué)者Lin Hongfei卻沒(méi)有變化，仍居第33位。觀(guān)察表4和圖6可知，考慮時(shí)間因素后，t_ammaa值名次下降最多的是學(xué)者Tao Dacheng，下降5個(gè)名次，上升最多的是學(xué)者Zhang Lei和Sun Jian，均上升4個(gè)名次。這是在作者數(shù)量較少的情況下，如果作者數(shù)量較多，排名變化可能更大。

下面就學(xué)者Liu Xin和Lin Hongfei名次變化分析其原因。由表1及兩位學(xué)者發(fā)文、每年被引次數(shù)可知：（1）在2010—2019年，兩位學(xué)者均發(fā)文30篇，總被引次數(shù)分別為829和722次。（2）學(xué)者Liu Xin年被引頻次在2015年較前一年下降，其余年份均較前一年有所增加，而學(xué)者Lin Hongfei年被引頻次均保持逐年增加狀態(tài)（圖7）。（3）兩位學(xué)者的ammaa值總體呈上升狀態(tài)，學(xué)者Liu Xin僅在2013和2016年ammaa值略高于Lin Hongfei，其余年份與后者持平或遠(yuǎn)低于后者。以2015年為界，學(xué)者Liu Xin的ammaa值從2015年的8上升至2019年的22，而Lin Hongfei則從12上升到42，后者增幅較大（圖8）。說(shuō)明學(xué)者Lin Hongfei影響力在2015—2019年間已逐漸超過(guò)學(xué)者Liu Xin。故引入時(shí)間權(quán)值，越靠近統(tǒng)計(jì)時(shí)間的因素占比越重，學(xué)者Liu Xin的t_ammaa值排名較Lin Hongfei下降越明顯。

另外，結(jié)合表2和圖5可以看出，分別由ammaa算法和t_ammaa算法得出的排名中，前三名均是Tao Dacheng、Law Rob和Zhang Lei三位學(xué)者，后三名均是Li Li、Wang Yu和Wang Tao三位學(xué)者。結(jié)合表4和圖6可以看出，ammaa算法和t_ammaa算法前三名均是Xu Xin 、Thong J和Venkatesh Viswanath，說(shuō)明兩種算法在描述作者學(xué)術(shù)影響力上的趨勢(shì)是同步的，均能較準(zhǔn)確識(shí)別高影響力學(xué)者。

3.各指標(biāo)相關(guān)性分析

如果

某一算法改進(jìn)后與原算法的計(jì)算結(jié)果相差太大，則認(rèn)為對(duì)原算法的改進(jìn)是不合理的[34]。引入時(shí)間因素的t_ammaa算法對(duì)學(xué)者影響力有一定的調(diào)節(jié)作用，但這種調(diào)節(jié)作用對(duì)ammaa算法的改善并不是顛覆性的。由此，我們將表2中52位作者的t_ammaa值、ammaa值、h值、總被引次數(shù)和年均被引次數(shù)，進(jìn)行斯皮爾曼相關(guān)性分析，證明t_ammaa算法更具合理性（表5）。由分析數(shù)據(jù)可見(jiàn)，作者的t_ammaa值與其他指標(biāo)均呈極顯著相關(guān)關(guān)系，其中與ammaa值、h值、總被引次數(shù)和年均被引次數(shù)的相關(guān)系數(shù)分別為0.956、0.552、0.907及0.762。h值、總被引次數(shù)和年均被引頻次均可用于對(duì)作者影響力進(jìn)行評(píng)價(jià)[14，35-36]，說(shuō)明與h指數(shù)呈極顯著正相關(guān)的ammaa算法和t_ammaa算法也適用于對(duì)作者影響力進(jìn)行評(píng)價(jià)，且后者對(duì)前者的優(yōu)化是合理的。

五、結(jié)論和建議

相對(duì)于h指數(shù)，筆者在ammaa算法的基礎(chǔ)上，提出一種基于時(shí)間維度的ammaa優(yōu)化方法——t_ammaa算法，通過(guò)對(duì)國(guó)內(nèi)圖情領(lǐng)域?qū)W者在WOS核心數(shù)據(jù)庫(kù)中發(fā)文情況分析發(fā)現(xiàn)：（1）針對(duì)h指數(shù)無(wú)法識(shí)別高影響力論文，對(duì)合著論文評(píng)價(jià)不靈敏，以及無(wú)法涉及作者全部論文的缺陷，ammaa算法和t_ammaa算法對(duì)h值排名相同的情況有明顯調(diào)節(jié)作用，通過(guò)設(shè)置閾值變量T和被引次數(shù)的平均共享，使合著論文的所有作者均等增加影響力的激勵(lì)方法，不僅能更好地挖掘出高影響力和引用價(jià)值的科研文獻(xiàn)，還能有效避免客座作者[5]、禮物作者[6]、非學(xué)術(shù)合作者[7]較多出現(xiàn)在論文署名中，從而影響評(píng)價(jià)結(jié)果的公平性，使得作者影響力評(píng)價(jià)方法更為合理和客觀(guān)。（2）與ammaa算法相比，t_ammaa算法考慮時(shí)間因素，能有效識(shí)別領(lǐng)域內(nèi)長(zhǎng)時(shí)間保持高活躍度，影響力持續(xù)發(fā)揮或不斷上升的學(xué)者。由此，t_ammaa算法綜合考慮了作者發(fā)文數(shù)量、作者人數(shù)、被引頻次、被引頻次的闕值限制及被引時(shí)間異質(zhì)性，解決了作者影響力評(píng)價(jià)方法中多作者署名問(wèn)題，無(wú)法識(shí)別高影響力論文，被引次數(shù)受論文發(fā)表時(shí)間長(zhǎng)短影響，以及跨領(lǐng)域合作學(xué)者影響力評(píng)價(jià)等需要解決的問(wèn)題。（3）在圖情人文社會(huì)科學(xué)領(lǐng)域中，合著已成為普遍現(xiàn)象，獨(dú)著論文占比極少，且存在學(xué)者一篇論文被引頻次極高、總發(fā)文數(shù)極少，但ammaa值和t_ammaa值排名居前的現(xiàn)象。建議在人文社科類(lèi)評(píng)價(jià)過(guò)程中，可考慮設(shè)置學(xué)者必須在近些年，比如近3年或5年內(nèi)必須有若干論文或獨(dú)著成果產(chǎn)出，以削弱虛假合作者在評(píng)價(jià)中的影響力。

由以上研究結(jié)論可以看出，通過(guò)論文影響力來(lái)間接揭示作者學(xué)術(shù)影響力，并非簡(jiǎn)單通過(guò)影響因子來(lái)評(píng)價(jià)，論文引用數(shù)據(jù)等僅可作為評(píng)價(jià)參考，尤其在2021年人社部、教育部印發(fā)《關(guān)于深化高等學(xué)校教師職稱(chēng)制度改革的指導(dǎo)意見(jiàn)》中特別強(qiáng)調(diào)，不得以SCI或SSCI等論文相關(guān)指標(biāo)作為前置條件和判斷的直接依據(jù)，必須考慮學(xué)術(shù)論文的實(shí)際內(nèi)容，特別是真正具有高影響力和引用價(jià)值的代表性論文，本研究通過(guò)時(shí)間要素的引入，可以有效解決僅憑論文“數(shù)量”和引用次數(shù)評(píng)價(jià)的局限，在對(duì)有持續(xù)學(xué)術(shù)貢獻(xiàn)力學(xué)者的甄別中，可以設(shè)置近1年或3年內(nèi)發(fā)表論文的數(shù)量作為學(xué)者持續(xù)影響力的重要評(píng)價(jià)手段，解決了部分學(xué)者突擊或集中于某個(gè)階段發(fā)文，或在獲得一定職稱(chēng)或榮譽(yù)后長(zhǎng)期處于“學(xué)術(shù)休眠”狀態(tài)的問(wèn)題;最后，對(duì)于多作者的署名問(wèn)題，本文提出的被引次數(shù)平均共享和T值，可以有效解決掛名作者、客座作者或通訊作者等問(wèn)題，通過(guò)優(yōu)化算法，使得真正有持續(xù)貢獻(xiàn)力的學(xué)者可以被有效識(shí)別出來(lái)，提高論文或?qū)W者貢獻(xiàn)度評(píng)價(jià)的客觀(guān)性。

本研究也存在一些不足之處，一方面，本文僅選擇圖書(shū)情報(bào)領(lǐng)域?qū)W者在WOS中的發(fā)文數(shù)據(jù)對(duì)t_ammaa算法進(jìn)行實(shí)證分析，樣本涉及領(lǐng)域單一;另一方面，本文閾值T的設(shè)置采取原作者對(duì)通用領(lǐng)域的取值建議，今后可進(jìn)一步研究科學(xué)設(shè)置

T值的學(xué)科和條件。

參考文獻(xiàn)：

[1]馬瑞敏，張慧.加權(quán)引用視角下的作者學(xué)術(shù)影響評(píng)價(jià)研究[J].情報(bào)學(xué)報(bào)，2017（8）：790-797.

[2]POLYAKOV M，POLYAKOV S，IFTEKHAR M S.Does academic collaboration equally benefit impact of research across topics？ The case of agricultural， resource， environmental and ecological economics[J].Scientometrics，2017，113（3）：1385-1405.

[3]GAZNI A， SUGIMOTO C R，DIDEGAH F.Mapping world scientific collaboration： Authors， institutions， and countries[J]. Journal of the American Society for Information Science and Technology，2012，63（2）：323-335.

[4]SHABAN S.Multiple authorship trends in prestigious journals from 1950 to 2005[J].Saudi Medical Journal，2007，28（6）：927-932.

[5]WAGER E，SINGHVI S， KLEINERT S.Too much of a good thing？ An observational study of prolific authors[J].PeerJ，2015（3）：e1154.doi.org/10.7717/peerj.1154.

[6]JACK G.Is mass authorship destroying the credibility of papers[ED/OL].[2020-11-09]. https：//www.timeshighereducation.com/news/mass-authorship-destroying-credibilitypapers#node-comments.

[7]SARNA-WOJCICKI D，PERRET M，EITZEL M V，et al.Where are the missing coauthors？ Authorship practices in participatory research[J].Rural Sociology， 2017，82（4）：713-746.

[8]高曉培，潘云濤，馬崢.科技期刊論文署名規(guī)范化探討與實(shí)踐研究[J].編輯學(xué)報(bào)，2012（1）：30-33.

[9]IRIBARREN-MAESTRO I，LASCURAIN-SNCHEZ M L，SANZ-CASADO E.Are multi-authorship and visibility related？ Study of ten research areas at Carlos III University of Madrid[J].Scientometrics，2009，79（1）：191-200.

[10]TARNOW E.Coauthorship in physics[J].Science and Engineering Ethics，2002，8（1）：175-190.

[11]ILAKOVAC V，F(xiàn)ISTER K，MARUSIC M，et al.Reliability of disclosure forms of authors’ contributions[J].CMAJ，2007，176（1）：41-46.

[12]YAGER K.Each co-author should sign to reduce risk of fraud[J].Nature，2007，450（7170）： 610.

[13]BHARATHI D G.Measuring the impact of an author of multi-authored articles—Aggregating metrics for multiple authors’ analysis[J].ISSI，2019，2（5）：448-458.

[14]HIRSCH J E.An index to quantify an individual’s scientific research output[J].Proceedings of the National Academy of Sciences of the United States of America，2005，102（46）： 16569-16572.

[15]BALL P.Index aims for fair ranking of scientists[J].Nature，2005，436（7053）：900.

[16]周春雷.h指數(shù)合作式注水缺陷與對(duì)策[J].圖書(shū)情報(bào)知識(shí)，2009（3）：109-112.

[17]BORNMANN L，DANIEL H D.Does the h-index for ranking of scientists really work？[J].Scientometrics， 2005，65（3）：391-392.

[18]COSTAS R，BORDONS M.The h-index：Advantages，limitations and its relation with other bibliometric indicators at the micro level[J].Journal of Informetrics，2007，1（3）：193-203.

[19]WILDGAARD L，SCHNEIDER J W，LARSEN B.A review of the characteristics of 108 author-level bibliometric indicators[J].Scientometrics，2014，101（1）：125-158.

[20]金碧輝，Rousseau Ronald.R指數(shù)、AR指數(shù)： h指數(shù)功能擴(kuò)展的補(bǔ)充指標(biāo)[J].科學(xué)觀(guān)察，2007（3）： 1-8.

[21]PRATHAP G.The 100 most prolific economists using the p-index[J].Scientometrics， 2010，84（1）：167-172.

[22]HU X J，ROUSSEAU R，CHEN J.In those fields where multiple authorship is the rule， the h-index should be supplemented by role-based h-indices[J].Journal of Information Science，2010，36（1）：73-85.

[23]SHEN H W，BARABASI A L.Collective credit allocation in science[J].PNAS，2014，111（34）：12325-12330.

[24]BATISTA P D，CAMPITELI M G，KINOUCHI O.Is it possible to compare researchers with different scientific interests？[J].Scientometrics，2006，68（1）：179-189.

[25]SCHREIBER M.To share the fame in a fair way， hm modifies h for multi-authored manuscripts[J].New Journal of Physics， 2008，10（4）.

[26]SAHOO S.Analyzing research performance： Proposition of a new complementary index[J].Scientometrics， 2016，108（2）：489-504.

[27]俞立平.期刊影響力指標(biāo)的時(shí)間異質(zhì)性及其重構(gòu)研究：基于多屬性評(píng)價(jià)的視角[J].圖書(shū)情報(bào)工作，2016（12）：109-114.

[28]謝瑞霞.基于“時(shí)間異質(zhì)性”和“合著網(wǎng)絡(luò)”的作者影響力評(píng)價(jià)研究[D].曲阜：曲阜師范大學(xué)， 2019.

[29]舒予，張黎俐.時(shí)序動(dòng)態(tài)視角下的學(xué)術(shù)影響力評(píng)價(jià)方法及實(shí)證研究[J].現(xiàn)代情報(bào)，2017（11）：74-80，86.

[30]科普中國(guó).加權(quán)[EB/PL].[2020-10-09].https：//baike.baidu.com/item/加權(quán)/91816？fr=Aladdin.

[31]National Center for Science and Technology Evaluation，Clarivate Analytics.China’s international scientific research collaboration—A bibliometric analysis[R].2018：1-69.

[32]張雪，張志強(qiáng)，陳秀娟.基于期刊論文的作者合作特征及其對(duì)科研產(chǎn)出的影響：以國(guó)際醫(yī)學(xué)信息學(xué)領(lǐng)域高產(chǎn)作者為例[J].情報(bào)學(xué)報(bào)，2019（1）：29-37.

[33]THELWALL M，SUD P.National，disciplinary and temporal variations in the extent to which articles with more authors have more impact： Evidence from a geometric field normalised citation indicator[J].Journal of Informetrics， 2016，10（1）： 48-61.

[34]張欣，馬瑞敏.基于改進(jìn)Page Rank算法的核心專(zhuān)利發(fā)現(xiàn)研究[J].圖書(shū)情報(bào)工作，2018（10）：106-115.

[35]方卿，王玨.開(kāi)放存取期刊學(xué)術(shù)質(zhì)量評(píng)價(jià)（一）：基于總被引頻次視角的分析[J].出版學(xué)，2011（6）：67-70.

[36]PASTERKAMP G，ROTMANS J I，KLEIJN D V P，et al.Citation frequency：A biased measure of research impact significantly influenced by the geographical origin of research articles[J]. Scientometrics， 2007，70（1）：153-165.

Abstract： Aiming at the deficiency of h index and the lack of a comprehensive and effective evaluation index， this paper introduces an ammaa algorithm for paper evaluation， and proposes an optimization algorithm integrating time dimension： t-ammaa algorithm， which reflects the influence evaluation of individual scholars through the evaluation of paper influence. Using Web of Science as the data source and focusing on the papers published by domestic authors in the field of library and information science， the ammaa value and t-ammaa value of these papers are calculated， and then the ammaa value and t-ammaa value of the scholars are obtained. The result ranking of the two algorithms and the scholars’ H-value ranking are normalized for empirical comparison and analysis. The results show that t-ammaa algorithm considers the cited times， the cited threshold limit， co-author number and the temporal heterogeneity of the cited papers. It can not only comprehensively evaluate the influence of single-author and co-authored paper， but also eliminate the influence brought by time factor. It is a more reasonable measurement method for evaluating the influence of scholars and papers.

Key words：? ammaa algorithm; temporal heterogeneity; multi-author paper influence; author influence; evaluation index; break the “five-only”

（責(zé)任編輯 彭建國(guó)）

3118500589214