周春雷 张雨新 薛宁

摘  要：基于学术授信理论，本文提出一种运用数据可视化大屏快速实现学术画像和多维学术评价的具体方法，能够帮助用户全面了解评价对象的学术成就与学术影响力，然后以2021年普赖斯奖得主Ludo Waltman为例展示并解读学术画像结果。本研究表明，这种新方法绘制出的画像非常接近专业人士在对比文献中展示的结果，而且可拓展性强，具有一定的实用价值。

关键词：学术画像；数据可视化；学术评价；学术授信；Ludo Waltman；普赖斯奖

Abstract： Based on the Academic Credit Theory， this paper proposes a specific method to quickly realize academic portrait and multidimensional academic evaluation by using the data visualization screen， which can help users fully understand the academic achievements and academic influence of the evaluation objects. In this paper， Ludo Waltman， winner of the Derek de Solla Price Award in 2021， is taken as an example to display and interpret the results of the academic portrait. This study shows that the portrait drawn by this new method is very close to the results presented by professional in the comparative paper. It is extensible and has certain practical value.

Keywords： Academic portrait; Data visualization screen; Academic evaluation; Academic credit; Ludo Waltman

1 引言

用户画像是指以数据的形式来描述某一用户群体的特征，形成能够识别这一群体的画像结果。[1]该技术进入学术评价研究者的视野后，部分学者尝试将其应用于学术画像研究，即以数字化方式对学术评价对象进行形象化描述并形成具体化的表达。[2]本文将学术画像的对象聚焦于科学家群体，认为学术画像是一种借助可视化图表等工具多维度展示学者的研究成果及其影响的学术评价方法。

目前，研究学术画像的主体包括学术平台和研究者两大类。主流学术平台通常会提供学者的研究领域、发表文献情况、合作者等基本信息，操作简单，使用便捷，但对更深层次的学术影响力、研究主题方面的分析揭示力度不够且需付费使用，免费用户所能获取的画像通常较为粗浅。研究者们关于学术画像的研究则较为深入，探讨了多种方法在学术画像中的应用。例如，李杰[3，4]运用科学计量学和知识图谱的分析方法对科研机构和科研人员进行画像；于海泉[5]研究了利用深度神经网络建立学术画像的方法。画像的内容通常围绕学者的基本信息、学术产出、学术影响力、研究兴趣、合作关系和代表性学术成就等角度展开，常见的学术画像方法通常较为繁杂，会采用科学计量学方法进行统计描述，同时用CiteSpace或VOSviewer等知识图谱软件展开分析。由于知识图谱软件的操作界面通常较为复杂，需要较多手动操作与调整才能达到较好效果，且针对不同的评价需求，需要用户组合使用多种软件来构建画像，对新手和非专业用户不够友好。总的来说，学术画像技术能够将抽象的信息可视化，帮助用户深入认识研究对象。但现有方法一方面缺乏理论指导，对方法和工具缺少整合，在研究维度方面缺乏统一标准，对研究对象的刻画不够深入，不够系统；另一方面，这些方法在实际操作过程中对研究者的个人能力要求较高。因此，适用于学术画像的技术和方法在操作难易程度、画像维度、刻画深度等方面还有很大的提升空间。

鉴于上述问题，本文提出一种基于数据可视化大屏的学术画像方法。这是一种将可视化结果分区展示在同一界面的技术，当加载真实数据后可生成关于特定学者的多维画像。该技术能系统、全面地展示学者的学术成就，并以生动形象的方式描绘其学术关系网络，帮助研究者形成清晰而完整的认识。本文将选取典型学者，从学术产出特征、学者合作特征、论文被引特征等多个角度揭示其学术成就与学术影响力，展示数据可视化大屏的建立与运行方法，并将画像结果与国内知名科学计量研究者李杰[6]的研究结果进行对比，以检验本文所提方法的可行性与有效性。

2 基于数据可视化大屏的学术画像方法

为深入揭示画像对象的学术影响力，本文根据学术授信评价理论来设计学术画像的维度。学术授信是指学术共同体成员用自身学术声誉、学识判断为保证向其他成员推介某学术成果或成员的行为。[7]一般来说，学术声望较高的推介者所认可的评价对象通常具有较高的学术造诣和学术影响力。

基于这种认识，本文将与特定学者相关的学术关系网络进行可视化，将学者间的合作与引用、期刊收录情况等各种能够证明学者研究水平或影响的信息都纳入分析视野，确定画像维度并加以解读。这种方法尝试客观反映研究对象在同行中所产生的学术影响，进而从同行视角揭示研究对象的學术声望，从而提升画像的认知深度和质量。研究者还可根据研究需求将其精细化，可规定合作网络中学者们的h指数门槛，或分析主流学术群体对研究对象的施引主题集合，通过学术群体的筛选来反映研究对象在不同层级同行中所产生的影响。在学术授信评价理论的指引下，本文所构建的方法首先描绘研究对象的论文产出时间、研究主题、来源期刊及所属机构等基本信息的分布情况画像，其次分析研究对象的合作情况并绘制合作网络，在此基础上深入揭示其产出影响，包括论文被引频次、扩散国家、国内外主题传播情况、h指数及学术认同与支持群体等角度，以更加全面地绘制学术画像、开展学术评价。

基于数据可视化大屏的学术画像方法流程如图1所示，可分为采集数据、绘制大屏、解读画像3个步骤，在此步骤下实现“人—数据—画像—认识”的全过程。

（1）采集数据。根据研究目标选择评价对象，然后在Web of Science、CNKI等学术平台上检索被画像者的学术研究情况，包括学者相关的发文数据和被引数据，以供后续了解学者的科学成就和学术影响力。该步骤需要研究人员具备基础的信息检索能力，以获取有效可靠的数据集。

（2）绘制大屏。这一步主要是构建基于PyEcharts的学术画像模块。首先初始化程序运行环境；其次，进行数据准备，统一清洗与处理采集到的数据，使之与程序运行要求相匹配；最后将学术画像按维度划分为不同模块，利用PyEcharts库内置的方法构建图谱框架，分别运行每一模块的程序绘制图谱，并将图谱画像追加显示在同一网页。这一步将生成学术画像内容的过程进行了封装，研究人员可直接导入可用数据并执行程序，即可自动生成数据可视化大屏。

（3）解读画像。结合学术授信评价理论[8，9]对绘制的学术画像进行解读。分别从产出基本情况、合作情况、影响力情况三个角度展开分析，了解学者发表论文的基本信息，认识学者的主要合作者及其学术地位，揭示学者的影响力，进一步挖掘数据的隐含意义，对该学者形成全面认知。

3 实证研究

本文以2021年普赖斯奖得主Ludo Waltman（下文简称Ludo）为例，采用数据可视化大屏方法对其进行学术画像，并根据学术授信评价理论[10，11]解读画像结果，同时与李杰在《普赖斯奖获得者卢多·瓦特曼的学术画像》[12]一文中得到的结果进行细粒度对比，检验本文所提方法的效果。李杰近年来深耕于学术画像、学术评价、数据可视化分析等领域，出版了多本知识图谱方面的著作，在学术影响力评价与展示方面有丰富经验。鉴于李杰的画像结果专业、可信，将实验结果与其进行比较，可以检验本文方法的科学性与有效性。

3.1 数据来源。2023年2月13日，在Web of Science中以Ludo的Research ID：B-5561-2008[13]进行数据检索，共检索出Ludo发表的95篇论文及10697篇施引文献。这95篇论文主要来自SSCI和SCI-E数据库，以期刊论文和会议论文为主，其中Ludo作为第一作者的论文有43篇，占比 45.74%。Ludo所发表论文的总被引次数达到了15394 次，去除自引后总计15180次，篇均被引频次为162.04次。在CNKI中以“Ludo Waltman”为参考文献检索词进行检索，共检索出1529篇中文施引文献，以期刊论文和学位论文为主。

3.2 学术画像结果。具体画像内容分为3个部分：（1）对Ludo的学术产出基本情况进行统计分析，主要涉及论文产出时间、研究方向及主题、来源期刊以及所属机构的分布特征。（2）对Ludo发表论文的合作情况进行分析，绘制合作网络图，提炼并标记合作频率、学术地位较高的作者。（3）对Ludo所发表论文的被引情况进行分析，发掘被引频次最高的论文，分析其论文在地域与主题上的扩散情况，对比近几届普赖斯奖得主的h指数，并探究国内外引用及认同情况。

3.3 学术画像结果检验

3.3.1 产出基本情况。（1）论文产出的时间分布特征。科研生产率是衡量科学产出能力的一个重要定量指标，考虑到科学论文的发表数量能够衡量科研生产率的高低，数据可视化大屏将学者的论文产出量及时间分布作为学术画像的一部分。图2（a）显示了2005—2023年Ludo的年发文数量以及被引频次，可以看出他的科学产出生涯大致以2011年为界分为两个阶段：2005—2011年期间发文数量持续增加，2011年后发文数量整体上波动性减少。自2005年发表了《Maximum likelihood parameter estimation in probabilistic fuzzy classifiers（概率模糊分类器中的最大似然参数估计）》[14]一文后，Ludo的发文数量持续增长，在2011年发表论文数量达到顶峰，为11篇。2011年后，其发文数量整体减少，最多为9篇，2020和2021年减少到1篇，而2022和2023年则未发表文章。但从平均看来，Ludo仍然保持着年均5.5篇的学术产出。画像结果与图2（b）中李杰的结果一致程度较高。

根据图2（a）中的被引频次曲线可以发现，Ludo论文的被引频次呈现出先升高再降低的趋势。2005—2022年，其论文的被引频次持续上升，在2022年达到了近4000次，尤其是在2018—2022年期间被引频次增长迅速，体现了较高的学术影响力与传播力。

（2）论文研究方向及主题分布特征。论文研究方向及主题分布特征能清晰揭示学者关注的领域，进而加深研究者对该学者的认识。Ludo的论文研究方向及主题分布情况分别如图3（a）、图3（b）所示。

由图3（a）可见，他的研究内容集中在计算机科学、图书馆学情报学领域，还涉及科学技术、数学计算生物学、商业经济学等方向。具体而言，Ludo研究论文所涉及的高频关键词包括citation analysis（引文分析）、bibliometric indicators（文獻计量指标）、field normalization（领域标准化）、normalization（标准化）、citation impact（引文影响力）等，如图3（b）所示。可以看出，Ludo发表的论文主要集中在信息科学领域，围绕科学计量、科学评价及相关主题开展研究。这与李杰描述的“论文主要发表在信息科学与图书馆学、计算机科学与跨学科应用以及计算机科学与信息系统等领域，围绕引文分析（citation analysis）开展了大量科技评价的研究工作”[16]一致。

（3）来源期刊分布特征。

图4显示了Ludo的主要发文期刊分布情况。本文剔除了21篇会议论文，提取了剩余74篇期刊论文中发文数量占比最多的5本期刊Journal of Informetrics、Journal of the American Society for Information Science and Technology、Scientometrics、Nature和Plos One。發文期刊分布情况再次说明Ludo所做的研究主要集中在信息计量学、科学计量学领域。且在国际顶尖学术期刊Nature和计量学领域核心期刊Journal of Informetrics等权威期刊的多次发文，进一步证明Ludo研究成果的学术价值受到了广泛认可。李杰认为Ludo主要在科学计量相关的三大期刊——Journal of Informetrics、JASIST、Scientometrics[17]上发表文章，与本文结果基本一致。

（4）所属机构分布特征。图5显示了Ludo发表论文数量最多的5个机构，分别为Leiden University（79篇）、Erasmus University（23篇）、Scitech Strategies Inc（7篇）、Ecole Polytechnique Federale de Lausanne（6篇）、Indiana University（4篇）。据李杰[18]研究，Ludo于2005年在荷兰Erasmus University获得硕士学位后留校深造，并于2011年获得博士学位。从2009年开始，他开始参与Leiden University科学技术研究中心的科研工作，并在2018年被任命为Leiden University的教授，这些学术研究经历与画像结果中发文机构的变化一致。

3.3.2 合作情况分析。科学合作是科学生产力发展的必然现象，也是现代科学进步的重要原因。[19]普赖斯于1963年最早提出了“无形学院”的科学合作问题，[20]自此科学活动中的合著现象和作者规律一直都是科学计量学的重要研究主题。[21]本文采用气泡图和网络图共同描述学者合作情况。

Ludo的论文合作情况如图6（a）、图6（b）所示。2005—2023年，Ludo只有7篇独立完成的学术作品，论文合著率达到了92.55%，高频的合作表示了他与同行相互认可的程度。在所有合作者中，Van Eck，NJ是和他合作次数最多的学者，两人在2005—2020年间共合作了64篇论文，占Ludo发文总数的68.09%。在这64篇论文中，Ludo作为第一作者的有28篇，占比43.75%。两人的合作研究集中在科学计量学领域，得益于Van Eck，NJ丰富的知识图谱相关研究经验，两人于2009年在莱顿大学科学技术研究中心共同开发了VOSviewer，为科学知识图谱领域提供了一款非常受欢迎的研究工具。此外，他还和普赖斯奖得主Van Raan AFJ、莱顿大学科学技术研究中心的研究员Visser MS、Traag VA、埃因霍温理工大学教授Kaymak U等也都有近10次的合作。

图6（b）以颜色深浅标识了合作者的h指数大小，颜色深度与h指数大小呈正相关关系。可以看出Ludo不仅本身h指数较高，而且与科学计量学界很多高h指数的知名学者都有过合作，并已与部分学者形成固定的合作关系和学术社区。h指数作为科学评价的指标，对于表征学术影响力具有一定参考价值。基于学术授信理念，众多高影响力学者和Ludo的合作表明了对其科学研究能力的认可，进而反映出其较高的学术地位和学术声望。可以预测，在获得普赖斯奖后，Ludo的合作关系网络将进一步扩大，跨学科的趋势也将更加凸显，其合作论文数量和学术影响范围都将得到增加。

3.3.3 产出影响分析。文献间的引用与被引用关系体现了知识的传播和利用，表现出学者之间的相互认同与关注，进而可以表征文献的学术价值和学术影响力。数据可视化大屏可以将这些复杂的关系清晰地揭示出来。

（1）被引频次分布。通过整合Ludo参与完成的被引频次排名前十论文的基本信息，被引频次最高的是Van Eck，NJ和他于2010年共同发表的论文《Software survey： VOSviewer，a computer program for bibliometric mapping（软件调查：VOS viewer 一个用户文献图谱的软件）》[23]总被引频次为5020次。该文章是对二人开发的共现网络分析与可视化工具VOSviewer的介绍与说明，极高的被引频次表明VOSviewer软件在知识图谱构建研究中得到了广泛的应用。而Ludo作为第一作者被引频次最高的是2010年发表在Journal of Informetrics上的《A unified approach to mapping and clustering of bibliometric networks（文献计量网络图谱映射与聚类的一体化）》，[24]这篇文章从数理的角度介绍了文献网络映射和聚类的方法，证明他在共现网络建构上能够得到其他学者的认同。数据可视化大屏被引频次Top10统计结果与李杰[25]的统计内容大致相符。

（2）论文扩散国家分布。Ludo的论文传播广泛，其影响力辐射众多国家和地区。2005年—2023年，共有近150个不同国家或地区引用了Ludo的论文，其中Ludo的施引文献数量最多的10个国家分别是中国、美国、西班牙、英国、意大利、德国、荷兰、巴西、澳大利亚、印度，见图7（a）。

可以看出中国和美国学者对科学计量学领域和Ludo的研究成果表现出了极大的兴趣，均有超2000篇的文献对其进行了引用参考，远远超过其他国家和地区。从地理位置和发达程度的角度来看，引用Ludo的学者主要来自欧洲和其他经济发达地区，可以用地图形式展示Ludo的施引文献数量最多的50个国家的分布情况，与图7（b）李杰的结果相似度高。

（3）研究主题差异分布。本文展示了Ludo所著原文及其中外文施引文献在研究方向间的分布差异，如图8（a）和主题传播情况，如图8（b）。在计算机科学、图书馆学情报学两个领域的研究中，三者研究方向具有较高的相似度，说明Ludo的作品在本领域内得到了广泛的传播与运用。除了计算机科学、信息科学领域外，在中外文施引文献中，还有学者将其研究成果扩展到了医疗服务、工程、环境科学生态学、科学研究管理、宏观经济管理等领域，这肯定了其学术成果在跨学科领域的影响力和应用价值，也印证了本领域的知识将逐步扩大影响范围、在不同学科间被广泛交叉传播的态势。

图8（b）显示，外文施引文献主题集中在bibliometrics、scientometrics、VOSviewer、citation analysis、science mapping等方面，中文施引文献集中在可视化分析、知识图谱、文献计量、VOSviewer等方面。可知，Ludo对国内外学者的影响均主要在文献计量学、知识图谱及VOSviewer，表明了他在计量学理论发展及知识图谱工具开发上取得了令人瞩目的成就和广泛的认可。

（4）h指数评价。h指数将学者的发文数量与被引频次有机结合起来，是评价学者学术成就与学术价值的重要指标。[27]本文在数据大屏上添加了h指数评价维度，数据来源于Web of Science，可得到近十届普赖斯奖得主h指数分布情况。从中可以看出，普赖斯奖获得者h指数普遍较高，Ludo的h指数为42，在近十届12位普赖斯奖获得者中排名第五，处在中等水平，而其在发文年份较少的情况下能取得高达42的h指数，也证明了他具备很高的学术影响力和科研潜力。但h指数的评价具有一定局限性，不能在领域、主题层面不同的情况下比较不同学者的影响力，后续可以结合学术授信评价理论中的Dh指数进一步认识学者在细分领域内的影响力差异。[28]

（5）国内外学者引用与认同情况。利用检索出的Ludo论文的中外文施引文献，对作者进行统计，得出引用其论文频次最高的作者。如图9所示，在所有外文施引文献中，引用频次最高的十位学者依次是Bornmann L、Wang Y、Leydesdorff L、Zhang Y、Kumar S、Li J、Thelwall M、Merigo JM、Zhang L、Wang J；在中文施引文献中，引用频次最高的前十位学者依次是邱均平、丁洁兰、胡志刚、陈仕吉、赵蓉英、刘细文、陈云伟、伊惠芳、龙艺璇、侯海燕。不难发现，其中不乏情报科学、信息计量领域的知名学者，如Bornmann L（即Lutz Bornmann）是2019年普赖斯奖得主，邱均平是国内信息计量、科学评价的先锋人物。根据学术授信评价理论，领域内高影响力人群的引用说明学界对其科研成果具有较高的认同和肯定。从时间上来看，国内外均在2022年引用最多，这可能与Ludo得奖有一定关联性。而从整体来看，近70%的外文施引文献及近80%的中文施引文献发表在2022年以前，说明Ludo获奖前就已经具有较高的学术影响力。事实上，周春雷[29]等早在2018年就利用国际科学计量学界在专业期刊Scientometrics和Journal of Informetrics提供的参考文献数据，根据学术授信分析理论预测了Ludo有望获得普赖斯奖，这一系列信息表明他当年即已深孚众望。

4 结果与讨论

本文提出了一种利用数据可视化大屏为学者绘制学术画像的方法，而在此之前，李杰已基于传统方法对Ludo进行了学术画像。将本文的画像结果与其对比可以发现，两者具有很高的相似度，尤其是在论文产出情况及合作情况方面，本文的结果并不逊于专业人士利用知识图谱软件精心绘制出的成果，这说明本文提出的数据可视化大屏在学术画像的过程中具有合理性、科学性、可行性和有效性。

相较于已有的学术画像方法，数据可视化大屏具有多方面的优势，具体归纳如下。

（1）数据可视化大屏是一种简单灵活的学术画像方法。①能为用户提供一个标准操作框架，使用简单方便。数据可视化大屏给出了一个几乎适用于所有学者的学术画像操作框架，可灵活替换评价数据并生成对应的画像结果，对研究者素养要求较低。任何人只需要具备基础的数据处理能力，依照给定的标准化操作流程绘制学术画像，就能够掌握这一方法，自动获得画像结果。而反观传统的CiteSpace等方法，则需要研究人员本身具有丰富的可视化经验和手工调制共现图谱的能力，门槛较高。②统一展示多维画像。多样的图表類型为多维学术画像的绘制提供了基础，且不同维度或不同形式的学术画像都能够在同一个页面上完成并展示，无需切换平台，提高了绘制画像的便捷程度。③用户界面友好。数据可视化大屏提供个性化布局，支持研究人员自行设计大屏显示的内容及形式，可以根据个人喜好自主调整格式和布局，充分展示自己想要表达的内容。且数据可视化大屏中的组件动态可交互，用户仅需将鼠标移至图表上，即可加载数据，实现动态交互。④支持自行拓展。数据可视化大屏能够揭示的信息并不局限于此，其数据和画像维度均存在很大的拓展空间。本文仅提供了这一方法的构想和基础性的应用方式，研究人员可通过此框架加深对于学术画像的理解和认识，从中获得思考和启发，从而在未来进一步扩展画像的维度，探索更多的可能性，逐步完善这一方法。

（2）数据可视化大屏是一种有效且实用的学术价值揭示工具。①提供可信评价结果。本文在设计画像维度与解读画像结果时结合了学术授信评价理论，将学术共同体的意见作为重要评价标准，从同行的角度评估其学术影响，为学术价值的揭示提供了可信的依据。②充分展示评价信息。数据可视化大屏能够基本囊括学术评价需要的所有图表类型，表现形式丰富，能比传统的静态图表展示更多信息，满足不同维度、不同指标的显示需求，实现多元评价。研究人员也可根据自身需求划定合理的画像维度，并将学术画像结果集中到同一个网页上全面展示。③清晰表示复杂关系。数据可视化大屏将所有信息可视化，通过构建学者的合作网络、引文网络等图谱帮助研究者快速梳理不同研究主题、学者、机构、期刊之间的复杂关系。还支持研究者进一步扩展应用，将不同学者的数据大屏内容进行对比，以发现优秀学者，抑或是使用结构更加复杂、内涵更加深刻的数据集，如增强型引文数据集，开展更加深入的探究等。总之，数据可视化大屏这一学术画像新方法在未来科学计量、学术评价、可视化分析、大数据分析等领域都能表现出较高的应用价值和拓展潜力。

本文围绕现实问题分析了新画像方法的产生背景，在方法设计中阐述了建构面向学术评价的数据可视化大屏的理论支撑和实现技术，根据画像结果论证了该方法的科学性和应用价值。值得指出的是，目前数据可视化大屏方法尚不能像专业知识图谱工具那样绘制复杂网络、实现聚类分析。在后续研究中，笔者将继续深入探索数据可视化大屏的功能，以实现更加深入的数据分析、学术画像和学术评价研究。

*本文系国家社会科学基金项目“学术图书价值揭示方法研究”（项目编号：21BTQ067）研究成果之一。

参考文献：

[1]XIONG R，DONATH J.PeopleGarden：creating data portraits for users[C].Proceedings of the 12th annual ACM symposium on User interface software and technology.1999：37-44.

[2]王雅娇，路佳，柯晓静.学术画像在科技期刊中的应用研究[J].中国编辑，2021，136（04）：45-49.

[3][6][12][13][15][16][17][18][22][25][26]李杰.普赖斯奖获得者卢多·瓦特曼的学术画像[J].科学观察，2022，17（05）：45-58.

[4]李杰，甘强，钱金鑫.中科大火灾科学国家重点实验室的学术画像[J/OL].安全与环境学报：1-15[2023-02-28].https：//doi.org/10.13637/j.issn.1009-6094.2022.2062.

[5]于海泉.基于深度神经网络的学术画像预测和监控[J].科學与信息化，2019（36）：44-45.

[7][8][10]周春雷.学术授信评价及其应用[M].北京：科学出版社，2016.

[9]周春雷.基于h指数的学术授信评价研究[D].武汉大学，2010.

[11][14]WALTMAN L，KAYMAK U，VAN DEN BERG J.Maximum likelihood parameter estimation in probabilistic fuzzy classifiers[C].The 14th IEEE International Conference on Fuzzy Systems，2005.FUZZ' 05.IEEE，2005：1098-1103.

[19][21]潘有能，谭健.普赖斯奖得主的科学合作网络研究[J].图书情报工作，2012，56（16）：80-84.

[10]PRICE D S.Big science，little science[J].Columbia University，New York，1963，119：119.

[11]VAN ECK N J，WALTMAN L.VOS：A new method for visualizing similarities between objects;proceedings of the 30th Annual Conference of the German-Classification-Society，Freie Univ Berlin，Berlin，Germany，F Mar 08-10，2006[C].SpringerVerlag Berlin：Berlin，2007.

[12]WALTMAN L，VAN ECK N J，NOYONS E C M.A unified approach to mapping and clustering of bibliometric networks[J].Journal of Informetrics，2010，4（04）：629-635.

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

[14]周春雷.领域内h指数及其应用研究[J].图书情报工作，2012，56（10）：45-49.

[15]ZHOU CHUNLEI，KONG XIANGYI，LIN ZHIPENG.Research on Derek John de Solla Price Medal Prediction Based on Academic Credit Analysis[J].Scientometrics，2019，118（01）：159-175.

（作者单位：郑州大学信息管理学院 周春雷，博士，教授，博士生导师；张雨新，硕士研究生；薛宁，硕士研究生来稿日期：2023-04-18）