引文主题宏观中观微观
现有的学科分类模式，如成熟的 Web of Science 的学科分类，提供了一种稳定、可靠、实用的方式来比较国家和机构的产出，展示几十年来的变化。然而，由于是以整本期刊、书籍和会议录为单位进行分类，因而掩盖了文献层面上不同类别之间和同类别内部的动态变化。
为了帮助您更好地了解研究主题的不断演变，评价其中的表现，科睿唯安于2020年12月初重磅推出了InCites Benchmarking & Analytics™ Citation Topics（引文主题）。
· 什么是 Citation Topics（引文主题）？
Citation Topics 代表通过引文相互关联的论文组。对将近7000万篇文献构建文章级别的主题分类体系是一个巨大的挑战。虽然算法可以根据文献之间的关系对大量的文献进行聚类，但如何展现这些聚类结果让人们可以理解并加以利用却是另外一回事。
在科睿唯安旗下的科学信息研究所（ISI）的指导下，InCites™ 产品团队与莱顿的科技研究中心（CWTS）合作，开发并实施了一种基于引用的分类算法。随着已发表论文的相互引用，这些引用关系的强度将相关文献汇聚到一起，形成离散的相关文献集群。这些集群构成了我们的 Citation Topics 的核心，独立于单篇文献的主题和内容，却代表着作者相互积极引用对方论文的领域。
Citation Topics 是动态的研究——所有新发表的文献都会添加到现有的主题中，并且每年更新一次，确保主题持续准确地反映基础文献的变化。
· 主题层次结构有哪些优势？
在开发过程中，我们需要解决如何显示数据的问题，以使其对您的数据分析最有帮助。范围小而紧密的主题可以在任何分析中提供精细度，但可能无法展示大局。更大、更宽泛的主题可以提供很好的总结，但会遗漏细节。我们对 Citation Topics 采用的方法是构建一个宏观、中观和微观主题的三级层次结构，使用户能够根据自己的问题选择合适的精细水平进行分析。在 CWTS 和 ISI 的帮助下，我们生成了一个包含10个广义集群、326个中观集群和2444个微观集群的层次结构。InCites 的用户可以从广义的宏观主题到狭义的微观主题逐层探究细节，在每个层次上进行分析。
· 如何确定 Citation Topics的名称？
Citation Topics（引文主题）需要言之有物的描述性名称。引用聚类只能理解文献之间的关系，而对其主题内容一无所知。在科学信息研究所（ISI）的帮助下，我们根据内容对宏观和中观类别进行了标注。由于微观 Citation Topics 数量较多，我们采用了不同的方法——使用算法工具根据最重要的关键词给每个主题加标注。我们通过这种方式对近2500个微型主题确定了表述性的名称。
· 如何使用 Citation Topics？
通过基于文献的全新三级引文主题分类体系，InCites 用户现在可以对研究人员、组织、国家/地区和资助机构的产出进行更精细的分析。曾经按有限的 Web of Science 学科进行分类的出版物来源，现在则能够以更高的解析度对其进行全面画像。
Citation Topics 拥有自己的基线值和全套的规范化指标，可以帮助用户准确揭示影响力。为了方便用户使用，我们还引入了新的可视化视图。我们期待听到您的反馈，并与InCites 用户社区一同探索理解研究领域动态的新方法。
