面向资源建设的微信公众号学术文章特征框架构建与实证研究

自互联网诞生之日起，学术界就在不断推进关于媒体融合的构想。随着互联网技术和移动终端的发展、人们阅读习惯的转变、生活节奏的加快和以微信为代表的新媒体的蓬勃发展，自2013年起，学术期刊和各大高校、科研院所都陆续开设了微信公众号，用以宣传和传播学界动态与思想。截至2017年9月，全网微信公众号的注册总量已超过2 000多万个，其中活跃的公众号数量为350万个[1]。2018年，微信公众平台月活跃粉丝数为7.97亿[2]，全国微信1 000强共发布文章约41.80万次，推送文章170.03万篇，收获675.30亿次阅读、10.92亿次点赞。其中，阅读数达到“10万+”的文章共有21.54万篇，约占12.67%；原创文章达27.73万篇，约占16.31%[3]。据不完全统计，目前每天新入库公众号多达数百个。微信公众平台因其高效、开放、便捷、高度自由、生动易读和互动性强等特质，也迅速成为学术传播与交流的重要渠道，发布在该平台上的学术信息与日俱增。

微信公众平台学术信息交流和信息服务提供的功能已得到普遍认可，然而目前学界关于微信公众号与平台内学术资源的研究主要是从全领域内或某个行业公众号的开通情况、运营、功能设置、服务范围、信息内容等角度展开的，其研究对象也以高校、图书馆、期刊、出版社等科研机构为主，尚未涉及学术自媒体及学术机构公众号所发布内容的学术性分析。以往学者关于微信公众号学术信息的研究大多是从文章所刊载账号的层面入手，借鉴新榜或其他大数据服务商系统自动划分出的“学术”类榜单上的账号或学术期刊运营的账号[4]，亦或是以某个学科领域的账号[5]进行内容或运营现状上的分析。

微信公众号上的学术资源(以下简称“微信学术资源”)，应是由学者或领域内专业人员发布在微信平台上的面向专业用户的，以促进知识积累、传播、交流与创新为目的，具有及时性、开放性、交互性的学术资源，包括科研进展、科技文摘、转载的学术论文、技能/工作经验交流，以及学者在网上使用学术资源的痕迹及在网络平台发布的个人论述[6]。集中揭示质量较高的学术信息资源，不仅有助于拓展信息资源建设内涵，更可利用知识组织相关方法和工具对富含的知识单元进行识别和计算，便于后续开展热点话题识别与跟踪、个性化学术信息推荐等服务，进一步满足用户需求。

1 现状概述

1.1 微信文章检索有待发展

研究微信公众号文章检索目前有搜索引擎和大数据服务商“新榜”开发的“号内搜”两类机构。以“搜狗”为代表的现行搜索引擎可提供基于关键词的微信文章搜索和基于公众号的一周发文回溯，但其检索结果成分复杂、冗余度高，不能满足专业用户的检索需求；“号内搜”服务则需要在移动端通过微信公众号的服务窗口进入，未提供PC端接口，提交检索只能在特定的公众号内进行，不适用于广泛检索。另外，市面上缺少服务于专业学术用户的微信文章检索平台，也没有收集微信学术信息的专门数据库。

1.2 微信学术资源无固定文体格式

传统意义上的学术文章具有规范严谨的写作体例和明确的文体特征，如每篇文章必须注明其标题、著者、责任者、主题、关键词等信息，内容上表达了新的学术观点、提出了新的研究方法和新的数据或结论，具有科学性。

然而对于自由言论下的产物——微信公众号文章而言，自由就是其最大的特点。该平台上发布的文章虽然可能会由于作者的写作习惯、学科背景等而保留学术论文的痕迹，但更多的是随笔与思考类、资讯类、文摘推荐类等，与传统意义上的学术文章存在差别。但这些文章在传递新学术观点、研究方法、新数据或结论、科学严谨性等方面也可以达到学术文章的要求。因此，应将微信公众号上的学术文章定义为在微信公众号上由学者或学术信息服务提供商发布的学者所关注的与科学相关的文章，其主题类型包括科研资讯、学术会议通知与纪实、科技文摘、学术论文、技能交流及科普性文章等。

1.3 现行学术文章描述框架不足以满足需求

目前用于描述用户原创内容(User Generated Content，UGC)网络资源的元数据标准包括都柏林核心元数据元素集(The Dublin Core Metadata Initiative，DCMI，以下简称“DC”)、基于MARC21的元数据对象描述模式[7](Metadata Object Description Schema，MODS)和综合参考了DC和MODS的WH/T 50-2012 网络资源元数据规范等。但以上元数据标准均是建立在目标对象均具有同等参考价值的基础上的。然而新媒体环境下，用户生成内容质量存在很大差异，在利用过程中，服务系统需要智能推荐和检索结果排序等，但当前的描述模型并没有把这些相关功能所需的元数据考虑在内。

总体上，微信学术文章的分布呈现相对集中、绝对分散的状态，主要表现为同学科机构账号之间的集群性分布和学者个人账号的分散性分布。

集群性即从事同一研究领域、隶属类似机构的公众号所发布的文章趋近，且账号之间的转载互动更为频繁，可以通过文章流传产生的连接关系发现更多学术资源。传统的框架中对文章之间的引用关系、所属关系等进行了详细的描述。微信平台上的转载虽类似于传统学术文章的引用机制但又不同，目前2个平台文章之间的引用关系尚未被描述。国内外有学者提出替代计量学，考虑将社交媒体上的学术行为纳入科研产出评价体系，促使两个平台数据之间的互通，然而当前的描述框架未做相关设计。

分散性是指那些相对独立的学者个人公众号，与其他账号之间互动较少，发布频次也较低，在网域内很难将这部分资源与其他学术资源联系串联起来。但是同属于一个学科，其发布内容的主题也必然是相关的。话题性也是UGC内容的重要特征，对于同一社会事件，不同领域用户会从多方面发表看法，因此可以考虑从“话题/热点事件”入手进行这部分资源的揭示。但如何从话题层面揭示相关文章也是传统框架所欠缺的。

笔者认为对于微信公众号学术信息而言，如何在元数据层面为后续服务提供评价指标参考，如何对公共话题文章进行串联揭示，是本文提出框架的着力点。

网络学术资源的组织建设无论从理论层面还是从实践层面上讲都很有意义，能够在前人实践基础上汲取经验教训将会事半功倍。国外关于UGC内容的组织建设比较有借鉴意义的有：现已停止更新维护的主要用于主题检索的主题信息服务的资源组织和发现[8](Resource Organisation And Discovery in Subject-based services，ROADS)及基于ROADS理念开发的社会学信息门户(Social Science Information Gateway，SOSIG)，二者都是图情领域关于网络学术资源建设的尝试。

SOSIG支持关键词检索和分类后的浏览式查找，是基于信息的学科或主题属性参考UDC分类来进行分类和遴选，在诸多网络资源建设方法中是较为严谨的，但最终因为资源模型维护复杂和昂贵，资金缺失，不得不停止服务[9]。因此，笔者认为应从现有框架出发，尽可能减少额外开发支出，增强框架的适用性。

2 描述框架构建

2.1 功能分析

本文所需的元数据框架是能够实现微信学术信息的组织和索引，以服务于专业用户的专业模糊检索需求，其涵盖的元数据应能辅助系统实现以下功能。

文章查找包括通过关键词/主题词检索、通过文章刊载公众号检索、通过文章发布时间检索，这是任何检索系统都应具备的基本功能。

信息识别包括根据文章标题/关键词/摘要识别、根据文章作者及其所属机构识别、根据文章刊载平台识别。对文章外部特征进行充分揭示，有助于为用户辨别和筛选有用信息节省时间，提高检索效率。

信息选择与获取包括按文献类型、主体、内容选择文献，检索结果按时间、热度等自定义排序，全文获取方式与URI。对检索结果进行二次筛选和排序有助于用户更快定位到所需信息，提高用户体验。

文献分析评价包括数据库内收录文章间的互相引用与转载关系、关于同一文献的文摘/评述性文章汇总、关于同一社会热点事件相关文献的汇总，这一功能来源于微信文章强关联与“分享平台”的特性。该平台上的文章以报道、摘要、导读等二、三次文献居多，同一领域的不同账号可能会对同一研究进展或热点文章进行评述推送。这种文摘/报道不仅有助于对重要文章的发掘，也有利于扩展文献评价的外延。而依托于大众媒体的本质不仅为其带来了时效性强的特点，更为其所发布的文章带去了话题性，也就是说微信公众号上的文章对社会热点的反馈会更灵敏或呈“扎堆”现象。但来自不同领域的作者们对同一热点事件会有不同的切入角度，以事件为集结点有助于协助用户进行更全面的认知。

2.2 框架构建

参考FRBR模型[10]将描述元素分为产品(work， expression， manifestation， and item)、产品从创作到传播再到保存各个流程中的责任者(person and corporate body)、产品的主题内容(concept， object， event， and place)三大类的理念。基于微信公众号文章的特点，根据元数据设计模块化原则，笔者将微信公众号一篇文章可能涉及的元素及其相关关系进行了梳理。其大致框架如图1所示。

网络环境下，信息发布者多使用代称或机构名称而非真实姓名，同一个微信账号的作者也来自于不同领域。因此在本框架中弱化了著者的比重，将作者/编辑/所属机构合并在一起，统称为贡献者，而文章中也可以不涉及其贡献者，其限制字段为“0..*”，即可以有0个或多个贡献者。

每个被采集的文章都会有一个刊载账号，而这个账号下也会至少有1篇文章，限制字段为“1..*”，即一个公众号可以有1篇或多篇文章。刊载账号的质量可在一定程度上反映文章的质量，因此本框架引入了指数元素，对账号的发文数量、篇均阅读量、篇均点赞/在看数、WCI指数等进行标引。刊载账号的各项运营指数可反映账号的运营情况，而刊载账号的质量又在很大程度上决定文章的质量，因此运营指数项为必备项，以默认的限制字段“1”，即必备且不重复。

图1 微信公众号文章的学术特征框架

文章外部特征的描述包括指数、全文、参考文献、图表和其他多媒体资料。其中，指数元素集在此主要是描述文章的阅读数量和点赞数量，而此数据又是不断变动的，因此在子元素中增加了数据更新时间。指数元素是每篇文章必备的，其默认限制字段为“1”，即必备且不重复。

文章的内部特征描述是本框架的核心，主要包括主题/分类/关键词元素集、相关文章元素集和事件元素集。文章间的相关关系包括引用关系、转载与被转载、评述与被评述、同一作者、同一刊载账号、共同话题等；事件元素集是微信公众号学术信息独有的，通常用来描述文章中所涉及的社会事件/现象、学术会议/论坛等。其限制字段为“0..*”，即可以有0条或多条相关记录。

2.3 元素选择与定义

微信公众号的文章一直是基于HTML页面的格式以纯网络资源的形式存在。要想对数量庞大的推文进行收录和标引，笔者认为应从原文件的描述方式出发寻找可以用作识别项的元素信息。因此，本框架的元素集是以便于网络爬虫抓取为前提，结合微信文章特性，参考DC元数据[11]15个基本项，对微信文章的HTML源代码标签项进行抽取和归纳，并对网页源代码中无法获取但对于实现检索需求所必需的元素进行自定义补充得出的。对本框架涉及的主要元素的选择与定义的简要说明见表1。

其中，本框架主要元素与传统学术资源的主要描述字段存在明显区别的部分在于文章摘要是否应是必备字段。本文的框架中，文章摘要为必备元素，学术型文章与非学术型文章在摘要的内容和形式上存在明显差别。学术类文章的摘要多以陈述句为主，内容客观丰富，主要是对文章内容作大致总结；非学术类文章则多以启发性的、疑问句等形式呈现，内容基本无实质意义。即便是当发布者未填写摘要，系统默认选取文章的前15个字作为该文章摘要时，学术类文章的开篇也大多是对该文章涉及话题和论点或主要内容的阐释。因此即便是机器自动获取的摘要，也足以达到辅助分辨文章内容性质的作用。

表1 主要元素说明

3 实证分析

经过前期调研，笔者根据新榜(newrank.com)发布的学术类微信公众号排行榜，结合“西瓜数据”的科技类周榜初步选定了微信传播指数(WCI)[13]靠前的、运营主体类型各不相同的、具有代表性的几个科技类微信公众号作为研究对象，分别是物理学领域的科研机构公众号——中国科学院物理研究所运营的“中科院物理所”(ID:cas-iop)，德才皆倍(北京)科技有限公司管理运营的“知识分子”(ID:The-Intellectual)和国际知名的科学杂志《科学美国人》中文版《环球科学》运营的“环球科学”(ID:huanqiukexue)。采样区间为2019年1月1日至2019年5月31日。3个公众号共推送文章1 409篇，其中“环球科学”496篇、“中科院物理所”573篇、“知识分子”340篇。

以下涉及的单篇文章数据均是使用fiddler抓包工具获取的，主账号相关信息为人工收集，但也可以利用爬虫工具自动抓取。

3.1 外部特征

3.1.1 账号基本信息

表2是样本公众号的基本信息，采集时间为2019年6月21日，数据来自清博数据(http://www.gsdata.cn/)。其中，总排名、WCI指数、预估活跃粉丝数都是随时间不断变动的，因此仅作为参考。能够准确定位到某一特定公众号的是账号名(nickname)和微信号(user_name/WeChat_ID)。其中，user_name是微信后台赋予每个公众号的唯一识别码，永久有效，可复用JATS1.2-journal-id。账号认证信息相当于出品商，可复用JATS 1.2- contrib-group。

认证机构的性质一定程度上会决定其运营公众号的性质。从表面认证信息来看，用户可直观地推断出“中科院物理所”与“环球科学”为学术类微信公众号。

表2 样本公众号基本信息

3.1.2 账号指数numbers

目前业内通常使用清博数据的微信传播指数(WCI)作为衡量一个公众号整体传播力和影响力的评分。WCI指数[13]是从“整体传播力”“篇均传播力”“头条传播力”“峰值传播力”4个维度对公众号所发布文章的阅读数和在看数进行系统的配比计算得出的数值，它可以更好地反馈出公众号的整体质量。预估活跃粉丝数并非该公众号后台实际粉丝数，它通常是根据行业、打开时间、文章位置、阅读、点赞、评论等多个因素综合计算得出的一个虚拟数值，相较于后台实际粉丝数更能体现公众号的影响力和实际受众规模。

从表2可以看出，学术类微信公众号拥有数量较为庞大的用户群体，在数以十万计的微信公众号中仍能排在前1%，且“中科院物理所”与“知识分子”曾多次入围新榜发布的中国微信月榜500强，说明其关注度和影响力不容小觑。

从采集到的数据来看，除去除夕以外，这3个公众号都保持了每日更新，且日更篇数为1～5篇，平均每天推送2.06篇。其中，“环球科学”平均日更篇数为1.82篇，“知识分子”平均日更篇数为1.71篇，“中科院物理所”的平均日更篇次为2.47篇。

与传统期刊较为复杂的评价标准相较而言，微信公众号所发布文章的阅读数和点赞数可以更为直观及时地反映出该公众号的运营情况及其影响力，一定程度上也可以体现文章的认可度与价值。样本账号的篇均赞阅数统计见表3。由于“中科院物理所”发布的文章频率更高、总数更多，因此篇均阅读人次较其他账号较少，但从篇均点赞人数与过篇均线总文章占比的比例可以推测：该账号发布的文章杂质较多，用户反馈存在明显分层，但该账号不乏优秀文章。

表3 各账号样本篇均赞阅数

根据上述推断，笔者又对各公众号发布文章的类型进行了分析(表4)。

表4 公众号各类型文章分布

其中，点赞数未超过100次的有科研进展类52篇，占总数(共59篇)的88%；推广类8篇，占总数(共10篇)的80%；活动通知与会议资讯类30篇，占总数(共36篇)的83%。科研进展类为物理所各课题组的最近研究进展的文摘，已在其他学术平台上公开发布。

综上，笔者认为账号的各项指数能够使用户大致了解该账号发布内容的质量水平，可以作为信息筛选时的参考项。

3.1.3 刊载文章质量

从采集到的1 409篇文章的统计数据来看，文章阅读量(read_count)超过10万次的有34篇，占比约2.4%，篇均阅读数(read_count_avg)为23 990.25人次；点赞/在看数(like_count)超过1 000次的共有35篇，占比约2.5%，总篇均点赞/在看数(like_count_avg)为200.71次。相较于传统期刊的电子版在学术论文服务商页面上显示的下载量和引用量，文章阅读量与点赞在看数充分体现了微信平台提供的“即点即得”阅读模式给文章的曝光带来的优势。这34篇阅读过10万次的文章版权状态分布如表5所示。其中“原创”(html脚本中版权状态属性值为1，即copyright_stat =″1″)意为该文章申请了微信平台的原创保护；“转载”(html脚本中版权状态属性值为2，即copyright_stat =″2″)意为该文章是以原文转载的形式转发的其他公众号发布的文章；“普通状态”(html脚本中版权状态属性值为0，即copyright_stat =″0″)意为文章既不是转载自其他账号，也未申请微信文章原创保护。

表5 阅赞数量超过10万的文章版权状态分析

根据上述数据可以看出，转载类文章在影响力较大的文章中占有相当大的比重，阅读量(read_count)超过10万的文章里转载类占比超过29.4%；而点赞/在看数(like_count)排名靠前的文章中，转载文章的比重甚至超过45.7%。因此，笔者尝试对这些高影响力的转载文章进行来源回溯，发现虽然阅赞数排名靠前的文章中转载文章所占比例很大，但是在大多数情况下，原文的关注者对于该文章的反馈却远不如转载者(图2)。

从图2可以看到，粉色高亮底框为转载文章与原文阅读数较高者，橙色高亮底框为转载文章与原文点赞/在看数较高者，绿色高亮底框为未在清博数据或新榜等主流新媒体大数据平台认证或注册的账号。

图2阅读数超过10万或点赞/在看数超过1000次的转载文章与原文数据对比

因此，笔者认为一篇文章的质量(是否具有学术价值)或性质不应单取决于其所依托的发布平台或者创作者，原账号的性质与受众群体可能会制约其被发现、被阅读的可能。这些被转载自传统意义上不被认为是学术类账号的文章的广受追捧，正好说明除了我们所熟识的学术类微信公众号所发布的学术文章以外，在微信平台上还存在大量未被发掘的优质学术信息。因此用户在进行文章检索时，应提供以阅读量(read_count)或点赞数(like_count)为筛选条件的排序入口。

3.2 篇章层面

3.2.1 全文(full-text)

除了公告和招聘启事以外，1 409篇文章无一例外都采用了图文结合的呈现方式，篇均使用图片数量为12.2张，明显多于传统期刊文章的图片数量。除图像、文字等平面呈现方式外，微信公众号还提供了视频、音频的表达形式。

在样本中有超过7.7%(109篇)的文章使用了视频文件作为辅助呈现手段，如此数量庞大的附件资源说明对文章图表、多媒体资料进行索引收录是很有必要的。

样本文章的篇均字数为3 423.12字，最大值为49 441字，其中大于10 000字的文章为49篇，字数在2 000～5 000之间的文章数量为795篇，超过总数的56.4%。而传统的期刊论文字数一般在5 000字以上。

按照内容可以将样本文章大致分为科普知识、科研消息、学术探究等(表6)。

表6 文章类型分布

从表6可以看出，微信公众号作为门槛低、更新频率高、信息生命周期短的媒介，其所发布的内容也明显倾向于说明型的科普类文章以及公告型的科研进展与科技资讯类文章。而我们更愿查看的观点类文章仅占不到四分之一。尽管该类文章在整个微信公众号环境下，相对占比较小，但是绝对数量上远远超过了传统学术产出。另外，这类文章的篇均字数约在3 728字，相较于同类型的期刊论文，篇幅上大幅减少。在读者有限的时间内尽可能更及时地传递更多的信息，也正是微信公众号这类新媒体平台的核心价值所在。

另外，不同文体类型的文章篇均字数存在明显分层，记叙类如历史事件、人物、论文导读等篇均字数均在5 000字以上，观点议论型如社论、理论探究类篇均字数大多是3 500～4 000字，而资讯类通常在3 000字及以下。因此，笔者认为文章字数也可以作为辅助文章分类的一个依据。

3.2.2 版权与著者(copytight&contributor)

关于著者项，1 409篇样本文章中，未明确标注出品人或责任者的文章有121篇，除去推广、会议通知、论文导读等无指向性文章外，仅余29篇文章没有责任者信息，约占2%；其余推文都会对文章的著者、编辑或出品人等进行说明。另外，以组织或公众号名称为作者的文章约占35%，还有796篇文章是采用了具有明确指向性的个人代号或昵称、姓名等作为文章作者项的。如“中科院物理所”发布的文章中，以“Frions”为名的作者发布的均是科普类的文章；“知识分子”发布的文章中，以“杨雪”为名的作者发布的均是社论性的文章。笔者认为著录文章作者可以在一定程度上起到文章辨别与索引的效果，但并不能起决定性作用，因此在框架中并未将著者项作为核心著录元素。

关于版权状态，约35.4%转载自其他微信公众号，35.3%是首发于微信平台且申请了原创保护，另外还有29.3%或是分享自其他账号或是在其他媒体上公布过。如“中科院物理所”发布的所内其他各小组的研究进展信息，虽然是该机构原创，但只是作为文摘或论文导读的形式发布于公众号上。另外，笔者还发现在29.3%的文章中，超过42篇文章在内容中明确标注了转载自其他微信公众号，综合整个平台的转载率超过38%。虽然一方面体现了原创力不足，但侧面也可以说明信息的流通性、曝光可能性更高。而转载通常发生于同一类型或同一领域的账号之间，文章的互相转载为有效学术信息的曝光提供更多可能，同时也说明了微信平台上文章之间的联系较为密切。

笔者以作者字段为筛选条件，将各公众号转载文章来源做了统计，发现“中科院物理所”转发“狂丸”23篇、“把科学带回家”16篇、“共工”12篇、“环球科学”12篇；而“环球科学”转载了“把科学带回家”21篇、“科研圈”16篇、“Nature自然科研”12篇；“知识分子”则转载了“豌豆Echo”11篇、“严肃的人口八卦学”5篇、“豌豆公益”4篇。笔者认为，与线下的学术团体相对应的线上存在虚拟学术集群，对已认定为学术类微信公众号相关的其他账号所发布的内容以及已认定为学术相关文章的其他来源文章或参考文章应当予以关注。因此，在信息交互的语境下，将相关文章作为本框架描述的重点是很有必要的。

3.2.3 热点话题与事件(topic&event)

创作来源于生活又高于生活。与传统学术出版类似，社交媒体上的信息发布也具有很强的话题性，不同学科领域与不同定位的账号会对同一主题/话题/概念/客体从各自不同的角度进行阐释。

2019年春节贺岁档的科幻大片《流浪地球》，因其大胆的想象和精美制作受到业内外的广泛关注，学术界也不例外。笔者尝试以“流浪地球”为关键词对1 409篇样本文章标题进行检索，得到4篇文章；而后又分别以“流浪”“地球”为关键词对样本标题进行检索，剔除重复与无关文章，共得到6篇(表7)。3个不同领域的公众号分别从天文学、物理学、社会学、航天信息学等角度对这一话题进行了深入剖析。同是与“流浪地球”相关的文章，由于作者的不同写作方式，致使检索结果在不同时间有不同反馈。因此，笔者认为应将文章涉及主题/概念/事件等单独进行标引。

表7 “流浪地球”话题相关文章

4 结语

微信公众号内的学术文章在传播学术资讯、增进学科理解、促进学术走进生活等方面举足轻重，了解微信学术资源的特点是我们进行网络学术资源整合与利用的基础。本文对领域内3个具有代表性的学术类微信公众号从账号层面和发布内容的篇章层面进行了全面分析，发现账号的运营主体性质对账号发布内容属性起决定性作用，账号影响力指数可以在一定程度上反映出账号发布内容的认可度和价值，不同类型文章的字数存在明显分层，文章之间的转载关系常发生于相近的学科账号间以及微信文章具有强话题性。综上所述，通过文章的责任者、具体内容参数(如主题、关键词、类型等)、相关文章等属性可以较为高效地描述和关联到目标文章，验证了前文中所提出的学术文章描述框架。

根据文章特点进行描述框架设计是构建资源库的第一步，对特征属性值的确立及对微信文章关键词和主题的抽取、文章类型的详细划分，将是下一步工作的主要任务。同时，微信学术文章相关关系的多样性也是它的独特之处，对同类型文章的发掘具有关键作用，对文章之间与账号之间相关关系、账号之间引用动机的研究也是随后值得探讨的课题。