国际学术社交网络研究知识图谱：起源和发展脉络*

邓国民

（贵阳学院教育科学学院 贵阳 550005）

近年来，学术社交网络（Academic Social Network,ASN）已经成为图书情报学领域的一个研究热点，国际国内重要学术刊物上均发表了为数不少的学术研究论文。ASN已经发展为一种信息技术环境下学者之间进行在线学术交流和知识交流的一种重要渠道。研究国际上重要学术刊物的学术社交网络研究知识图谱、发展现状和未来发展趋势，对于我们进行学术社交网络的研究、信息化环境下学者之间的学术知识交流、学术评价和影响力等方面的研究均具有较大的启示意义。

1 研究方法

本文选择Web of Science核心数据库作为文献检索来源，它提供了国际上重要学术社交网络英文研究文献的基本数据信息。不设时间限制，从SSCI、A&HCI和CPCI-SSH等子数据库中检索到主题包含“Academic Social Network*”“Academic Social Media”“Scholar* Social Network*”“Scholar* Social Media” “Scientific Social Network*”“Scientific Social Media*”或“Virtual Academic Communit*”等检索词的ASN英文研究文献数据（包括引用文献列表）280条用于数据分析。所有被引文献构成280篇ASN研究文献的知识基础。本文使用CiteSpace软件对ASN研究文献的发展趋势和现状进行可视化共引和共被引分析，揭示其知识基础和知识结构。

2 ASN研究文献知识图谱分析

图1 1997—2017年ASN研究文献出版量分析

图2 1997—2017年ASN研究文献引文量分析

图1和图2分别显示出近20年来关于ASN研究每年出版的文献数和引文数。从中可以看出，2008年以前，每年出版的ASN研究文献和引文数都较少，之后每年出版的相关文献数和引文数都以较快的速度上涨，2014年以后每年的被引频次都超过了150次，并且呈直线上升趋势。2016年的引文数接近700次，发文数超过70篇。说明近10年来学界对ASN的研究保持了较高的关注度，而且逐年递增，最近几年更是达到了白热化的增长态势。

2.1 有影响的文献

利用CiteSpace软件对近10年来Web of Science核心数据库中关于ASN研究的280条文献数据进行共被引分析（Cited Reference），时间阈值设置为2007年到2017年，时间区间设置为两年，选择所有时间分区最高引用的前3%，得到如图3所示的学术社交网络研究文献共被引分析图。

图3 ASN研究文献共被引图谱

（1）高引文献分析

一般具有较高引用次数的文献意味着得到了学界的认可。表1列出了引用次数前10的文献，表明它们的质量、研究方法和观点得到了广泛认可。从表1可知，Li, X.M.等发表的论文《Validating Online Reference Managers for Scholarly Impact Measurement》引用频次最高，为45次。该文对CiteUlike和Mendeley在衡量学术影响力方面的应用进行了研究，他们选择2007年在《Nature》和《Science》上刊出的1613篇论文为样本，使用Web of Science数据库中的传统引用数量作为比较基准，统计结果显示在线引文管理站点中标注论文的用户数据和Web of Science数据库中的引用次数之间存在显著的相关性。因此他们认为在线学术社交网络在某种程度上能够作为衡量学术影响力的依据，但这些系统用户的数量还不足以挑战传统引用指标的地位[1]。

Thelwall, M.等发表的论文《Do Altmetrics Work? Twitter and Ten other Social Web Services》引用频次排第二位。该文对来自于社交网络的文献用替代计量（Altmetric）方法作为文献影响或效用的有效代理进行了实证研究。他们比较了11种Altmetric和Web of Science引用率之间的关系，统计结果显示，在具有高Altmetric分数的论文中，论文高计量分数与高引用率之间存在显著的相关性。但不同时间，甚至同一年发表的论文的引用率和Altmetric分数之间的关系可能消除甚至逆转，因此使用Altmetric对文章进行排名时需要考虑时间效应。而且除了Twitter之外，多数Altmetric的覆盖面较低，因此它们在实际应用中是否达到有说服力的流行度还不明朗[2]。

Eysenbach, G.的论文《Can Tweets Predict Citations? Metrics of Social Impact based on Twitter and Correlation with Traditional Metrics of Scientific Impact》的引用频次排第三位。该文探讨了通过分析社交媒体的声音测量学术文章社会影响和学术关注的可行性，关于发表学术论文的推文动态、内容和时间以及这些指标能否预测高引论文等问题，揭示出关于学术论文推文引用增长及消减的一些特点，发现顶级推特文章能够预测顶级引用率论文[3]。

Mohammadi, E.等论文《Mendeley Readership Altmetrics for the Social Sciences and Humanities: Research Evaluation and Knowledge Flows》在Mendeley读者数量和研究影响的关系研究的基础上，继续挖掘不同学科二者之间关系的差异，结果发现Mendeley的读者数量与引用率之间的相关性，社会科学要高于人文科学。所有调查的学科当中，书签和引用量之间的低度或中度相关性表明，这些测量反映了研究影响的不同方面。同时，他们还发现Mendeley的阅读关系数据能够显示跨学科之间的知识转移，而且相比传统的引用计数，能够更早地揭示论文的影响[4]。

Priem, J.等认为论文同行评议、引用计量和JIF等传统文献计量和过滤方法正在过时，新的在线学术工具如学术社交网络的涌现，需要构建新的可替代计量方法（Altmetrics），从而反映蓬勃发展的学术生态中更广泛而快速的影响，而且它能够跟踪一些有影响力但暂未被引用论文在学术圈外的影响[5]。此外，Haustein, S.等人对社会化书签服务中研究者在线存储和分享学术论文及生成的书签和标签数据进行了分析，讨论了它们对科学期刊使用统计和内容描述方面的评价作用，定义了使用率、使用扩散、论文使用强度和刊物使用强度等指标，并使用标签描述具体读者对刊物内容的观点[6]。 Thelwall,M.通过对Academic.com一些学科的学者特点进行了分析，发现教职人员相对学生拥有更高的形象页面查看次数，法学、计算机和历史学等学科的女性用户相对男性用户页面具有更高的查看次数，因此他们认为学术社交网络同时具有学术标准和一般社交网络的特点[7]。Zahedi, Z.等人使用Mendeley的阅读关系计数作为替代计量方法，讨论了它和Web of Science引用率之间的关系，发现它们之间存在中度相关性[8]。Haustein, S.等人指出学者们实际上正处于在线社会环境中，并且与其中的学术产品进行交互，他们对社交媒体环境的覆盖面进行了调查，证实了这一观点，而且发现Mendeley的书签和Scopus的引用率之间存在相关性。因此他们认为这些在线工具具有文献计量学研究价值，它们提供了一种潜在的有价值的论文影响数据来源[9]。《Nature》杂志也对学者们使用学术社交网络的情况比较关注，他们对3 000多名科学家注册和使用学术社交网络的情况、特点和目的等方面进行了调查研究[10]。

表1 ASN研究高引文献

（2）突现引文分析

突现引用是指一篇文献在某段时间内引用率突然上升或下降的现象，表示某一特定研究主题突然变热或变冷。利用CiteSpace对学术社交网络研究文献进行突发性分析，结果如表2所示。文献Walker, J.（2006）[11]、Neylon, C.（2009）[12]和 Bar-Ilan, J.（2012）[13]等文献的突发性较强，表明它们在学术社交网络研究主题的转向方面扮演了比较关键的作用。其中Walker, J.（2006）主要介绍了学者使用研究博客的类型，比如公知、研究日志和对学术职业生涯进行介绍的匿名博客等，在10年以前就已经初步认识到社交网络对于学术交流的潜在价值。Neylon, C.（2009）对传统的期刊影响评价和文章级别的计量存在的问题进行了讨论，提出利用基于网络的评论社区、科学社区、文献管理软件和学术社交网络中的数据，比如浏览、添加书签、标签、评论、投票和在线引用等数据作为新的文献计量指标的可行性。因此，利用杂志作为过滤论文质量的唯一方式已经不够了，还可以利用各种网络工具、软件和社区中生成的论文自身的质量数据来评价，而且这更能够体现科学研究发展、传播和演化的本质。Bar-Ilan, J.（2012）对学者使用LinkedIn、Google Scholar Profiles、Twitter和Mendeley的覆盖情况进行了调查研究，发现有相当数量的学者在使用这些社交网络，这些网络中的发表、社会引用、管理书签等数据与Scopus和Web of Science引用率之间存在一定的相关性。因此，社交网络不但能够用于支持学者的学术交流，而且能够作为评价和过滤论文质量的补充性计量指标。

表2 ASN研究突现引文

（3）高中心性引文分析

结点中心性是一种图形理论属性，表示结点位置在网络中重要性的一种量化。通常使用中介中心性测量一个文献共被引网络中最短路径经过某一结点的概率，高中介中心性的文献结点能够起到衔接不同聚类的作用，帮助识别和发现不同的聚类。 如表3所示，文献Brody, T.（2006）的研究中介中心性最高，达0.33，作者认为使用引用频次测量研究论文的影响力虽然已经比较成熟，但往往要滞后好几年，而随着在线访问论文越来越普遍，论文的在线阅读和下载次数等短期网络使用影响能否预见论文的中期引用的影响成为一个重要的研究问题，作者使用ArXiv.org的物理学电子文献库进行了检验。该研究推动了利用在线社交网络生成的学术信息数据衡量论文质量和影响力的研究[14]。此外，Albert, K.M.（2006）对开放访问出版的定义、发展历史、各方反应和观点以及对于科学图书馆和出版事业的启示等方面进行了综述，指出互联网改变了信息访问的方式，能够重塑学术出版系统，虽然各方仍存在一定的争论，但这一进程已经是一种必然，而且多种出版与访问模式在一定时间内将会共存[15]。Altman, R.B.（2004）对构建生物数据库进行了讨论，认为它可以实现对一些流行和重要刊物及论文的在线索引[16]。Haustein, S.（2011）等人探讨了利用社会化标签作为评价期刊指标的可行性[6]456。Ananiadou, S （2006）主要介绍了生物学和生物医学领域的文本挖掘和自然语言方法与技术[17]。

表3 ASN研究高中介中心性文献

Bonetta, L.（2007）指出科学博客空间近年来得到显著的发展，博客已经成为学者与学者以及大众交流观点最常用的通道之一[18]。Waltman, L.（2014）聚焦于F1000的推荐指标数据，并对它和Web of Science的引用次数进行了比较，发现二者之间存在显著性关系。这是Altmetrics的一种重要的研究方法，即通过比较发现不同环境下Altmetrics与引用次数之间的关系，以评估它作为研究评价方法的合适性[19]。Priem, J.（2010）首次提出了Altmetrics的概念，它是从文章层面的替代性测量或者使用网络标签和评论等方式作为传统文献评价的补充或替代方式，目前Altmetrics已经成为一个热门的研究领域[5]。Bollen, J.（2009）汇集了数亿用户与数字图书馆和书目数据库进行交互的点击流数据，并在此基础上对杂志之间的网络关系、不同学科领域的关系和链接进行可视化表达，从而生成了一个体现现代科学交流和观点的科学图谱，以弥补建立在引用关系基础上的分析的不足，这为科学计量评价和知识领域可视化提供了一种新的研究思路[20]。

通过对近期高引用率、高突现率和高中介中心性文献的研究和分析，可以挖掘出ASN研究领域最有影响力的英文文献，影响该研究领域重要转向的文献以及衔接ASN不同研究聚类的关键节点。因此，本文通过文献共被引分析，比较形象地揭示出学术社交网络研究的来源、知识基础、发展脉络以及重要研究领域。首先是随着互联网技术的发展，学术出版、论文在线访问和开放访问日益普遍，Altman, R.B.和Albert, K.M.等开始关注在线论文数据库和开放访问的相关研究问题。而随着以社交网络为标志的Web 2.0服务的介入，比如学术博客、推特等的应用，Walker, J.和Bonetta, L.等认识到它们对于学者之间进行学术交流的重要作用，并进行了大量的分析。Brody, T.，Priem, J.等开始逐渐意识到这些社交网络中生成的学者交流数据以及对论文的在线使用行为数据和传统文献计量之间具有一定的相关性，它能够在一定程度上预测论文的引用频次和影响力，因此出现了一个新的研究领域——Altmetrics。尤其是ResearchGate、Mendeley和Academic.com等大规模在线学术社交网络出现之后，大量的学者成为它们的用户群。他们分享了大量的研究论文，并生成了海量的用户及论文之间交流和使用的数据，为Altmetrics的研究提供了大数据支持， Thelwall, M.、Eysenbach, G.、Mohammadi, E.、J. Priem.和 Haustein S.等均在这些研究方面做出了贡献。

2.2 重要作者分析

使用Citespace软件对ASN研究的重要作者进行共被引分析，结果如图4所示，其中引用频次最高的5位作者分别是Thelwall, M.（Freq=77）、Haustein, S.（Freq=57）、Priem, J.（Freq=51）、Li, X.M.（Freq=46） 和 Bar-ilan,J.（Freq=43）。Freq是指作者被引用的次数，较大的作者结点表示他们在ASN的研究方面产生了比较大的影响，他们的研究得到了较为广泛的认可。其中Priem,J.是Altmetrics概念框架的主要提出者，Thelwall, M.、Haustein, S.、Li, X.M.和Bar-ilan, J.对学者使用ASN的特点以及基于ASN数据的Altmetrics进行了研究，他们推动了基于ASN的Altmetrics研究，而且对Altmetrics的概念框架进行了发展，并提供了大量的实证数据支持。正是由于这些人的代表性研究成果，才促成了基于ASN的替代计量研究，推动了ASN的广泛应用。

被引作者中，突发性（Burst）最强的5位作者分别是 Newman，M.E.J.（Burst=4.37）、Walker，J.（4.22）、Herring，S.C.（3.79）、 Bollen，J.（3.14）和 Grot，P.（2.97），说明他们在ASN研究内容和主题的转换方面贡献较大。中介中心性（Centrality）最高的5位作者分别是Ananiadou, S.（Centrality=0.68）、Altman, R.B.（0.28）、Page, R.（0.23）、 Eysenbach, G.（0.13）和Cronin, B.（0.13），说明他们在ASN研究的知识传播过程中贡献较大。

图4 ASN重要作者图谱

2.3 重要机构分析

使用CiteSpace对研究机构进行共现分析，结果如图5所示。影响较大的研究机构包括胡弗汉顿大学（University of Wolverhampton）、马克斯·普朗克协会（Max-Planck-Gesellschaft）、芬兰职业健康研究所（Finnish Institute of Occupational Health）和CIBER股份有限公司（CIBER Res Ltd）。中介中心性最高的四个研究机构分别为曼彻斯特大学（The University of Manchester）、乌得勒支大学（Utrecht University）、南安普顿大学（University of Southampton）和哈佛大学（Harvard University），说明这些研究机构在ASN研究知识传递方面最为有效。

图5 ASN重要研究机构图谱

2.4 重要出版物分析

出版物共被引分析结果如图6所示，被引频次最高的五本出版物分别为《Scientometrics》（Freq=95）、《Journal of the American Society for Information Science and Technology》（87）、《Plos One》（80）、《Journal of the Association for Information Science and Technology》（74） 和《Journal of Informetrics》（69）。近期最热门的出版物为《Proceedings of the National Academy of Sciences of the United States of America》（Burst=5.85）、 《Communications of the ACM》（4.87）、《Uses of Blogs》（4.72）、《Lecture Notes in Computer Science》（2.92） 和《Aslib Proceedings》（2.91）。 中 介中心性最高的五本出版物分别为《Annual Review of Information Science and Technology》 （Centrality=0.43）、《Journal of Information Science》（0.31）、 《RFC 3986 Uniform Resource Identifier （URI）: Generic Syntax》（0.23）、《Decision Support Systems》（0.21）和《ACM Transactions on Information Systems》（0.19）。

图6 ASN重要出版物图谱

2.5 ASN热门研究主题

对ASN研究的关键词进行共现分析，可以揭示该研究领域历年来的热门研究主题和发展脉络，因为关键词实际上能大致说明一条文献的主题，如果这些关键词发生共现现象，说明它们的研究主题比较接近。首次出现共现的时间表示这一研究主题兴起的时间。如图7所示，近年来ASN的热门研究主题包括Altmetrics、Social Media、Science、Citation、Impact、Mendeley、Social Network、Bibliometrics、Metrics、Citation Analysis、Twitter和 Journal等。从中介中心性来看，最高的五个关键词分别为Citation Analysis、Journal、Web、Science、Open Access等， 说 明 关 于ASN研究的主要内容是围绕替代计量、社交媒体、科学、引用分析、影响和开放访问等内容展开的。从共现发生的时间来看，网络、科学和引用分析等主题共现的时间比较早，大约在2007年左右，专门的学术社交网络还没有受到太多的关注，但大家已经开始关注基于网络的科学文献引用分析；2009年到2013年期间，社交媒体、计量、指标、知识、协作、引用、影响、学术交流和Web 2.0等研究主题受到关注，说明随着众多基于Web 2.0的社交媒体和社交网络在学术圈的广泛应用，在关于论文在线使用的计量指标，尤其是它和传统文献引用之间的关系，及其作为传统计量方法替代和补充的可行性等方面进行了大量的讨论和分析，而且开始关注社交媒体网络在科学合作和学术知识交流等方面的作用。2015年以后，在前期研究的基础上，涌现出大量专门的学术社交网络，比如ResearchGate、Academia.edu和Mendeley等的出现，使学术社交网络中生成的学术知识交流的信息更为系统，其中不但涉及学者之间的社会交流和学术知识交流，而且积累了大量的学者与文献之间以及文献与文献之间的使用和交流数据，这为更进一步的ASN数据挖掘与分析，及其所支持的替代计量研究提供了条件。

图7 ASN研究关键词共现图谱

2.6 聚类分析

在ASN研究文献共被引分析的基础上按关键词进行聚类分析，生成聚类分析视图如图8所示。可见，关于ASN的主要研究聚类包括语义网、开放访问、数字化学术、生命科学、服务、研究影响、论文衰减、框架和高校教师等10个聚类。其中不同结点之间连线表示时间分区。如图所示，语义网和框架等聚类的文献早期（2007年以前）的共被引现象比较强烈，Altman, R.B.（2004）、Albert, K.M.（2006）和 Ananiadou, S.（2006）等文献对这些研究的发起和衔接起到了关键作用。研究影响、论文衰减和大学教师等聚类的文献在2012年到2014年左右在共被引方面比较活跃，而近年来比较活跃的研究主题包括开放访问、数字化学术、生命科学和服务等。因此，ASN早期的研究是源于语义网等技术框架的发展，学者使用博客、推特、Facebook等的兴趣增加，他们使用这些Web 2.0工具进行社会交互和学术交流，有人用Library 2.0或Science 2.0来描述这种现象。随后，这些学者在线交互和文献使用的数据被用于研究学术影响和论文衰减的计量指标，这些前期研究为后来Altmetrics概念的提出和研究发展奠定了基础。在这一研究的发展和转换过程中，文献Brody, T.（2006）和Altman, R.B.（2007）等起到了衔接作用。最近几年，一些大规模在线ASN的出现，汇聚了越来越多的学者，他们在线共享了大量的研究论文和数据，也生成了大量的学者间交流、对话、论文交换、使用和引用的数据，更进一步推动ASN研究的全面发展和系统化，大家开始从开放访问、数字化学术和学术交流与合作服务等方面对这些系统及数据进行深入挖掘。在ASN的应用过程中，生命科学走在了前面，形成了一个较大的研究聚类。在这一研究主题的转换过程中，Haustein, S.（2011）、Waltman, L.（2014）和 Bollen, J.（2009）等文献起到了关键节点的作用。

图8 ASN研究聚类视图

图9 ASN研究聚类时间线视图

从聚类分析时间线视图来看（图9），关于语义网、开放访问、数字化学术、生命科学、服务和研究影响等聚类的文献发生的共被引现象比较密集，这几个聚类里面还集中了影响力比较大、比较关键的一些节点，它们构成了ASN研究的主要阵地。语义网技术和框架等聚类的文献共被引现象发生时间比较早，后面逐渐消退，说明它们在ASN研究领域，扮演了技术框架和基础的作用。最近的研究则主要以开放访问、数字化学术和服务等方面的研究为主，而且还有继续上升的趋势，将成为未来进一步研究的主要发展趋势。

3 研究发现

近年来，关于学术社交网络研究的发文数和引用频次都在逐年上升。越来越多的学者、研究机构和学术刊物都开始重视学术社交网络的研究，这说明它已经越来越受到学界的重视。学术社交网络作为学者在Web 2.0环境下进行社会交互、学术交流以及文献分享、引用和使用的重要渠道，已经得到了大量的应用。通过使用CiteSapce软件对数据进行文献共引和共被引分析，可以挖掘出ASN研究领域的重要文献结点，同时通过生成ASN研究知识图谱，揭示其研究的起源、发展脉络和未来趋势。

3.1 ASN研究起源

传统学术出版经过多年的发展，已经成为学者之间进行学术交流的主要方式。对于学术刊物和论文影响的测量，发展出很多种计量方式，比如使用传统数据库中的引用次数来评价论文的影响力。但这种传统的学术交流的效率比较低下，一条文献被其他文献引用也需要较长的时间周期，因此传统学术出版和文献影响计量方法虽然比较成熟，也面临一些挑战。Web 2.0不仅仅是技术的发展，而且拉近了学者之间的距离，加强了他们之间的社会交互和网络关系。随着学者们大量使用Blog、Facebook和推特等社交网络和在线引文管理系统，生成了大量的学术交流和研究论文在线引用、评论、标注和标签等行为数据。这些数据在时效上要优于传统的学术出版周期，很多人发现它们能够在一定程度上预见一条文献未来的引用率和影响，即能够作为一种新的文献计量方法，并发展出一个新的图书情报学研究分支，替代计量学（Altmetrics）。随着学者之间在线社会交互、在线引文管理、文献分享和获取等方面的需求日增，越来越需要一种综合这些功能特点的社交网络服务，于是学术社交网络应运而生，出现了Academia.Edu，Mendeley和ResearchGate等大规模在线学术社交网络，支持学者在线分享个人发表的研究论文，目前已经有全球上千万学者注册使用，分享了上亿篇论文。

3.2 ASN研究发展脉络

随着网络技术尤其是语义网的发展，Altman, R.B.和Ananiadou, S.等于2004年提出构建生物和生物医学类文献数据库以及使用数据挖掘技术对这些数据库中的数据进行挖掘，这对传统的学术出版市场来说是一个颠覆性的创新，同时也促进了学术资源开放访问的研究与实践。语义网技术和社交网络在学术资源交流和在线开放访问中的渗透，形成了两个重要的研究聚类，即开放访问和数字化学术。受到开放教育资源运动的影响，Albert, K.M.就开放学术资源对学术出版和医学图书馆事业的重要启示进行了探讨。大量学术资源在线开放访问，缩短了研究论文传播的时间周期，同时语义网技术的应用，也提高了学术资源推送的精准性。2010年以后，学术社交网络的兴起，用户覆盖面越来越大，生成了大量学者用户在线学术交流和学术资源使用的数据，Bollen, J.、Thelwall, M.、Bonetta, L.、Priem, J.和Brody, T.等对这些数据的科学评价和计量学的作用与价值进行了讨论和分析，他们重点研究了这些数据对预测论文影响、引用频次，识别不同学科学者ASN使用模式，合作者、跨学科合作和跨国合作模式等方面的作用，尤其是基于ASN的Altmetrics作为传统计量学的替代和补充方式得到了广泛重视。

3.3 ASN研究未来趋势

学术社交网络为学者进行社会交互和知识交流提供了更具时效性和更便捷的通道。来自不同学科、不同国家和地区的大量学者都已经成为ASN用户，他们在线分享学术资源和交流学术知识，生成了大量的文献、学者、引用、合作、分享和社会交流等数据，形成了比传统学术网络更多样化的在线学术知识交流网络，极具研究价值。目前ASN研究主要集中于使用者的人口统计学特点、替代计量学和采纳应用过程等方面，但对不同用户群体使用ASN的动机、目标、偏好和模式等方面的研究仍有进一步挖掘的空间。另一方面，基于ASN生成的用户交流和资源使用数据，挖掘和识别其中的知识交流机制，将会对基于传统学术网络的学术交流理论有重大的发展。因此，未来使用大数据、语义网和社会网络分析等技术和方法分析ASN的知识交流的特点和规律，将会成为一个重要的研究方向。

4 结论

本文使用CiteSapce软件对Web of Science核心数据库收录的ASN研究文献数据进行共被引和共现分析，揭示出目前学术社交网络研究领域的起源、发展脉络、重要研究主题以及重要研究文献、作者、研究机构和学术刊物。本文发现，ASN研究起源于学者对一些社交网络和媒体的使用，他们利用这些Web 2.0服务进行人际沟通和学术知识的分享与交流，拓宽了传统的基于学术出版的学术网络，缩短了学术交流和论文影响的周期。学术社交网络集成了社交网络、开放访问和在线文献管理软件等技术特点，吸引了大量国内外用户注册使用，形成了一种全新的学术合作和知识交流的在线虚拟环境。目前ASN已经成为图书情报学研究领域的一个热点问题，大家对学术社交网络的用户特点、学科差异和文献计量学方法等方面进行了大量的研究。应该说，在线学术社交网络是传统学术网络在信息化环境下的重大突破，它不但使学术网络扩展到线上，还加强了学者间的人际交往和社会交互，能够帮助识别科学合作和交流，识别和发现潜在的合作者。因此，基于ASN的知识交流是传统学术交流的颠覆性发展，将会是未来重要的研究方向之一。

（来稿时间：2017年7月）

1. Li X, Thelwall M, Giustini D. Validating Online Reference Managers for Scholarly Impact Measurement[J]. Scientometrics,2012, 91（2）：461-471.

2. Thelwall M, Haustein S, Larivière V, et al. Do Altmetrics Work? Twitter and Ten other Social Web Services.[J]. Plos One,2013, 8（5）：e64841.

3. Eysenbach G. Can Tweets Predict Citations? Metrics of Social Impact based on Twitter and Correlation with Traditional Metrics of Scientific Impact[J]. Journal of Medical Internet Research, 2011, 13（4）：e123.

4. Mohammadi E, Thelwall M. Mendeley Readership Altmetrics for the Social Sciences and Humanities: Research Evaluation and Knowledge Flows[J]. Journal of the Association for Information Science & Technology, 2013, 65（8）：1627-1638.

5. Priem J, Taraborelli D, Groth P, Neylon C. Altmetrics: A manifesto[EB/OL].[2010-10-26]. http://altmetrics.org/manifesto.

6. Haustein S, Siebenlist T. Applying Social Bookmarking Data to Evaluate Journal Usage[J]. Journal of Informetrics, 2011, 5（3）：446-457.

7. Thelwall M, Kousha K. Academia.edu: Social Network or Academic Network?[J]. Journal of the Association for Information Science & Technology, 2015, 65（4）：721-731.

8. Zahedi Z, Costas R, Wouters P. How well Developed are Altmetrics? A Cross-disciplinary Analysis of the Presence of‘Alternative Metrics’ in Scientific Publications[J]. Scientometrics,2014, 101（2）：1491-1513.

9. Peters I, Peters I, Bar-Ilan J, et al. Coverage and Adoption of Altmetrics Sources in the Bibliometric Community[J].Scientometrics, 2014, 101（2）：1145-1163.

10. Van Noorden R. Scientists and the Social Network[J].Nature, 2014, 512（7513）：126.

11. Walker J. Blogging from inside the Ivory Tower[J]. Uses of Blogs, 2006：127-138.

12. Neylon C, Wu S. Article-level Metrics and the Evolution of Scientific Impact[J]. Plos Biology, 2009, 7（11）：e1000242.

13. Bar-Ilan J, Haustein S, Peters I, et al. Beyond Citations:Scholars’ Visibility on the Social Web [EB/OL].[2012-15-25].https://arxiv.org/ftp/arxiv/papers/1205/1205.5611.pdf.

14. Brody T, Harnad S, Carr L. Earlier Web Usage Statistics as Predictors of Later Citation Impact[J]. Journal of the Association for Information Science & Technology, 2006, 57（8）：1060-1072.

15. Albert K M. Open Access: Implications for Scholarly Publishing and Medical Libraries[J]. Journal of the Medical Library Association, 2006, 94（3）：253-262.

16. Altman R B. Building Successful Biological Databases[J].Briefings in Bioinformatics, 2004, 5（1）：4.

17. Ananiadou S, McNaught J. Text Mining for Biology and Biomedicine[M]. London: Artech House, 2006.

18. Bonetta L. Scientists Enter the Blogosphere[J]. Cell, 2007,129（3）：443-5.

19. Waltman L, Costas R. F1000 Recommendations as a Potential New Data Source for Research Evaluation: A Comparison With Citations[J]. Journal of the American Society for Information Science & Technology, 2014, 65（3）：433-445.

20. Johan B, Herbert V D S, Aric H, et al. Clickstream Data Yields High-Resolution Maps of Science[J]. Plos One, 2009, 4（3）： e4803.