AI驱动下学术出版服务自然科学知识生产的机制分析

王鹏涛 章紫桐

[摘 要] AI技术的应用为学术出版商在知识生产领域的探索提供了难得机遇，智能出版的核心价值在于从已出版文献、科研实验数据、引用数据等资源中发现知识间的新关联，为科学进步贡献力量。通过文献调查、比较分析和案例探讨，指出AI技术在数据的获取、利用、审核，学术语言的翻译，智能化的信息关联与知识推理，推动科学家的合作与知识分享，预测学科领域前沿等方面提供了前所未有的便利，推动了自然科学领域出版事业的智能化转型。自然科学领域知识生产的内在逻辑和AI的独有特征，共同决定了在以上场景中学术出版企业的数智化转型升级将大有可为。

[关键词] 人工智能 学术出版 知识生产 自然科学

[中图分类号] G230[文献标识码] A[文章编号] 1009-5853 （2021） 06-0012-08

[Abstract] The Application of AI provides a rare opportunity for academic publishers to explore in the field of knowledge production. The core value of intelligent publishing lies in discovering new knowledge correlation among published resources such as published literature， scientific research data， and citation data. The inherent logical characteristics of knowledge production in the natural sciences include： quantitative and empirical research methods， value neutrality and logical necessity of knowledge content， specialization and formalization of knowledge expression， collaboration and openness of production process， the progressive and non-historical nature of knowledge development. Based on the above characteristics， the development of academic publishing in this field is more reliable and less difficult.

[Key words] Artificial intelligence Academic publishing Knowledge production Natural science

伴隨着新技术的发展和应用，知识的生产、存储与传播方式发生了颠覆性改变。传统出版企业作为作者与读者的中间机构，强调自身的筛选、过滤、聚合、优化和传播功能，知识生产的核心主体是作者（高校科研人员、职业科学家、专业作家等）;如今，信息服务商、科技企业、出版机构也纷纷活跃于知识生产的舞台，尤其是学术出版商，掌握着大量的学术数据，不再满足于知识的把关人和传播者身份[1]，力求在知识生产、优化、存储和传播等环节中发挥更为重要的参与、服务作用。

1 智能出版给知识生产带来的新机遇

AI技术为学术出版商在知识生产领域的创新性探索提供了契机，传统出版时期，书籍制度作为一种固定规范应用到知识生产中，人类的知识以有形的方式被切割成有限的文本，集聚在统一的书本中，被赋予序言、目录、标题、后记等形式。这种分割体现了人为的创造与建构，体现了作者的意志和目的，书籍形态将作为总体的知识分门别类，使知识得以集中表达，但是也有学者认为书籍制度使人类的知识被不合理地断裂和孤立开来。

信息科学与AI技术的进步催生了人类科研事业的革命，知识生产形式发生了巨大转变。一方面，图书再次被分离成一句句话或一个个段落，重组成面向用户需求的新文本，如知网的知识元搜索、亚马逊的单章图书售卖等都是典型例证。另一方面，知识本身又重新进入到更大的统一体中，图书与图书、期刊与期刊、学科与学科间的界限被打破，知识借力技术创新经过聚合优化重归于完整。在知识生产领域，智能出版的关键作用在于突破学科间的知识界限，从而在更大的关联网络中深化已有知识并发现、培育新知识的“萌芽”。

2 智能出版对知识生产的作用机理

知识载体的沿革打破了知识之间的阻隔，创造了新的知识流动空间，智能出版的核心价值在于发现新的知识[2]。科研实验数据、已出版文献、引用数据三者按照时间次序贯穿于知识生产前期、中期和后期，数字密集型科研范式的兴起将鼓励人工智能技术全方位地介入知识生产的整个流程。

2.1 在已出版文献中发现新知识

新知识发现的关键在于发现新关联，有学者认为关联本身就是知识，数据当中隐藏着大量的知识内容和知识关系[3]，人的思维依照相似联系律进行活动，认知过程贯穿着相似信息的搜索、匹配和基于相似的推理，知识发现过程同样基于相似性原理并采用挖掘算法发现新关联[4]。近年来，语义技术与机器学习的进展弥补了传统知识发现方法的不足，提升了相似性判断的准确性，改善了知识发现的效果，比如爱丽思AI（Iris.AI） [5]的分析技术将词语与语境语义结合，UNSILO的全自动内容加强技术能够实现跨专业的内容推荐[6]。

从科学哲学和科学史的角度来看，科学研究活动遵循一定的程式和规范，科学家通过数据驱动归纳和理论驱动归纳两种方式解决问题获得知识[7]。前者指科学家先收集大量数据，然后总结、发现规律，如施普林格·自然通过对大量论文进行跨语料自动摘要，基于相似性聚类自动生成了第一本化学类书籍[8]。后者理论驱动归纳则要求研究者具有丰富的学术想象力，预先提出假设作为研究准备。计算智能擅于多重推理，研究人员正在尝试如何基于已有研究结果来验证现有的科学假设，甚至通过揭示不同文献的研究发现彼此之间的联系，提出指导实验的新假设[9]。这两种方式在人工智能技术的推动下都能够为知识的创造、优化提供新的路径。

2.2 从引用数据中发现新知识

引文数据本身蕴含了作者对于文献的专业判断，展现了知识的进化过程，最初借鉴的文章经过层层引用，实现了知识的分化、转变和拓展，表面上知识的原型已难以辨认[10]，但通过引证信息的梳理，我们能够追溯知识的基础，发现学科的历史和前沿以及不同学科之间成熟度的差异，等等[11]。在传统科研环境中，知识间充满阻碍，知识的发展过程难以辨认，数字时代的科研通过聚集大量文献实现了对知识发展过程的深度解析。

AI的介入使引用数据的分析不再局限于分析知识的统计学特征，而是基于对引用文献的内容理解，纵深挖掘数据中含藏的科研价值。举例来说，引文在文献中充当的角色一般有四种：综述式、继承式、启发式、批评式[12]。通过分析引文角色，可以发现更多的隐性知识，如多次被肯定性引用的文章通常蕴含更丰富的价值[13]，启发式引用表明知识在此实现了深度转化。AI技术可通过对不同引用方式中引用习惯、引用形式等信息的分析分辨出引用角色，如否定性引用的上下文中可能出现批评性、转折性词汇，肯定性引用的上下文通常直接跟上作者本人的观点，启发式引用的表达相较于原文通常发生较大改变。这些分析在传统出版时代必须由读者自己根据专业知识和阅读经验来完成，在智能媒体时代引文数据中潜藏的知识显然可以借助技术的力量来外显。

2.3 在原始科研实验数据中发现新知识

知识与知识的碰撞不仅是知识间的重新关联，也是两个知识形成过程的关联。传统出版业仅仅关注科研链条中最为精华的部分，科研数据作为记录科研原始过程的非正式信息逐步丢失 [14]，这一方面不利于学术监督和知识记录，另一方面也不利于充分挖掘科研数据的价值，造成了社会资源的浪费。

事实上，随着数据密集型科研范式的提出，科研数据管理逐步得到各方的重视，1966 年，国际科技数据委员会（CODATA）成立，它旨在促进全球科技数据的评价、编辑和分发工作[15]。国内外高校和基金机构也已经不同程度地开展了科研数据管理工作[16]。学术出版领域出现了数据期刊和数据论文，诸如《地球系统科学数据》（Earth System Science Date，ESSD）等国际期刊要求将数据作为论文的附录一同公布，甚至自建了完整的存储数据服务中心[17]。尽管如此，目前的科研数据管理仍存在不少缺憾，比如数据标准不一、质量粗糙，真正能用于科研的资源较少，智能化的科研数据管理将逐步改善数据的质量，提高数据的利用率。我们认为，科研数据出版过程包括数据收集、数据审核、数据保存、数据共享、数据利用五个阶段，在上述流程中智能出版可以起到非常关键的作用，从知识服务的角度看，平台化、服务化、社交化和工具化等趋势是未来科研数据出版发展的重要方向。

3 智能出版在自然科学知识生产领域应用的可行性

目前，国内学术出版企业在智能出版领域已经开展了若干探索，如科学技术文献出版社与AI影像公司鹰瞳（Airdoc）等机构合作探索智能化医学知识服务 [18]，中国科学院植物研究所开发了物种的智能识别应用，以服务农业、地质等学科发展[19]。人们已经认识到，AI介入知识生产关乎人的主体地位，涉及价值理性、文化发展与科技伦理等问题，AI时代如何合理地运用技术能够帮助我们去思考如何塑造一个更加健康的出版业[20]。以下將立足于自然科学与人文社会科学两大部类的共识性区分，探讨AI在自然科学知识生产领域的应用机制。

3.1 智能化的数据获取、审核和利用

从研究方法的角度看，自然科学探索真理的根本属性是定量研究，主要解决“是多大”，“有多少”等问题[21]，科学文化的发展是化质为量的坎陷过程，从依据审美精神而向上到落于实然而向下[22]。长期的科学训练培养了自然科学家处理仔细控制的实验数据的能力[23]，定量数据的采集则主要通过实验、观察、测量等方式来完成 [24]。研究方法的定量化与实证化为智能化的数据获取、审核与利用提供了天然便利，让AI赋能自然科学知识生产有了广阔的成长空间。

智能化的数据获取和数据利用。智能化的学术环境正在重塑科学家进行定量实验的方式，实证数据的获取不再是一次性的、正式的，各种观测、实验设备都装备了智能系统，实现了数据的智能采集和管理[25]。不仅如此，数据本身成为了科研活动的研究对象，科研人员通过与数据打交道发掘潜在规律，AI为文献中的实验数据赋予了深度关联的可能性，打破了实验数据孤立存在的局面，例如在线工具源数据（SourceData），能够为科研人员提供生物实验数据的搜索，可供查询实验中生物对象间的关系，相关团队还将结合AI与施普林格·自然（Springer Nature）的基因数据帮助肿瘤学家制定诊疗方案[26]，帮助上述领域的科技工作者针砭数据离散导致的痛点。

智能化的数据审核和加工。量化精神与实验验证原则塑造了科学研究的典型特征，科学实验及其产生的数据通常构成一篇论文的关键部分，各种数据、公式、图表占据了较大篇幅，纯粹的思辨性文本数量较少。量化数据的主观想象空间小，AI在提取和解读数据的过程中依据规范，不易产生错误和歧义，因此，AI在科技论文的写作、编辑、审议过程中大有作为，比如帮助作者和编辑对实验样本、实验环境、实验数据的统计方法和数学公式进行核查和检验[27];为已知的数据自动生成曲线图，或进行可视化转换;为数据生成描述性文本甚至解读报告，有效减轻科研工作者的写作压力，提高科学信息交流的效率。

3.2 智能化的学术语言翻译

从表达方式上看，相较于人文社会科学用语的模糊性、多义性和隐喻性等特征，自然科学的语言大多语义明晰、指称单一，概念、定义、范畴的用语力图摆脱日常语言和人为因素的干扰，专业性和区分度强，利于精准辨认，甚至形成了一套形式化、数学化、公理化的语言系统，奠定了人工智能进行计算知识生产的基础[28]，知识表达的专业化与规范化推动了AI在学术语言翻译过程中的应用。

随着词典研编从传统的“编者主体经验驱动”转变为“语言数据驱动”，语料库成为语言学家获取语言学知识的可靠来源，语料词典学的焦点也逐渐转变为如何从大规模数据中提取有效的语料信息[29]。自然语言理解等AI技术通过文本挖掘，一方面为语言学研究提供丰富的养料，另一方面在词典等产品的编纂过程中，调取合适的语料以匹配词汇、自动生成条目内容、生产专业出版物。

学术出版商的语料数据资源规模并非最大，但专业性与学术性较强。对专业语词的恰当理解离不开特定的学科语境，尤其是一些专业名词及其英文字母缩写，在网络论坛、大众媒体等日常生活领域和在学术共同体内部表征的含义常常大相径庭，甚至在不同的学科中语义也会相异。学术文献的累积资源提供了众多科学共同体的内部语言表达范例，因此，学术出版商若能充分利用自身的学术语言资料优势，借助于AI编纂出符合专业科研人员需求的学术词典，那么不仅在知识生产方面，词典研编效率和专业度将能获得极大提升;在科研辅助方面，论文的阅读、写作效率也将大大提高，比如中国知网开发的翻译助手汇集了从中国知网数据库中挖掘出的800余万中英文词条，依托于实时更新的数据库，保障了学术翻译的准确性和时效性，为科研工作者提供了学术语言翻译方面的有力支持。

此外，专业化、形式化的语言表达有利于建构一套系统的通用学科语言规范，为智能知识服务开发提供便利条件，节省转换成本，例如人民卫生出版社开发的系列医学知识服务系统，就是在医学系统命名法—临床术语的架构以及各个国内外术语表的基础上建立起来的[30]。 这种共识性的语言规范在提高学术交流效率方面显然更有优势。

3.3 智能化的信息关联与知识推理

从内容特征上看，高度发达的概念框架使科学依据逻辑必然性向前发展，新事物在相当大程度上是从科学知识的已有结构中派生出来的[31]。有研究者指出[32]，形式逻辑、线性理性恰恰是最容易被计算机化的，而直观能力、主观情感却难以被AI模仿，价值中立性使得自然科学领域的AI应用可以扬长避短，发挥相对理想的作用。

机器自动发现知识间的新关联。在自然科学领域，知识间的关联避免了主观情感与伦理道德上的价值判断，依存于较为简明的逻辑关系（如因果关系、分类关系等），更有学者提出数据密集型科研关注相关性而非因果性[33]，相关性关涉概率与统计，价值上保持客觀中立，比如在生物医学领域，可通过相互关联的数据系统发现阿尔茨海默病与某一具体单核苷酸多态性（Single Nucleotide  Polymorphism，SNP）的关系[34]。在医学知识库的构建中，董良广提出[35]，如果A表示一种物质的摄入可能导致某生理改变B，而B的生理变化又引发某一器官的疾病C，D药物是治疗疾病C的非针对性药物，这样就可快速获得A作用于C和D并影响B的有用信息，ABCD间的逻辑关系便于AI快速抓取关键信息。这种新的关联如果靠传统的知识生产方式（主要依赖个体经验和思维惯性）来完成，显然是比较困难的。

增强科研人员的预估能力。科学预测的正确与否是检验科学理论的重要标准，AI的引入解决了人类难以应对的复杂推理和计算，从而增强了科研人员的预估能力，使科研工作者能发现简单实验无法呈现的深层规律和内在机制。在化学领域，约翰威立国际出版公司与美国化学文摘社合作，将文摘社的化学信息与威利公司（Wiley）的化学合成软件（Chem Planner）技术结合，加速预测合成反应路线的发展[36]。正是沿着逻辑必然性的规律，AI技术根据已有化学公式与大量化学反应数据，自动地完成推理运算过程，预测出反应结果，提出了具有预判价值的观点，帮助化学家在目标分子和可获得的起始原料之间选择最优合成路线，提高了新分子的开发效率，节约了实验成本，推动化学领域的知识发现。

3.4 推动科学家的合作与知识分享

从知识生产过程来看，科学知识的生产有赖于科学共同体的互动与合作，科学思想的无障碍交流和扩散离不开科学知识的公开 [37]。在智能技术应用普及的时代背景下，科学知识在公开的深度、广度、即时性上达到前所未有的程度，为科学家间的分享、协作奠定坚实的基础。

提升知识公开的速度与深度。有效的科学知识是通过公开的辩论、协商、审查、批判和重新表达而幸存下来的[38]，知识的快速分享与发布提高了学术信息交流的活跃度，加快了科技创新的速度，AI技术在选题策划、编辑校对、价值评审、精准发布等方面全方位提升了学术出版的速度，比如智能化的同行评审筛选工具能够为待发表的稿件快速地匹配合适的审稿人[39]。不仅如此，研究要素的出版以及虚拟学术社区的建立同样提高了学术成果的公开性和知识分享的自由度。爱思唯尔（Elsevier） [40]、施普林格（Springer）等出版商通过数据论文、负面研究结果集、数据笔记等文章类型，发表了研究过程中的数据资料、与学界主流相悖的研究成果，保障弱势学术意见的发表权利，施普林格推出学术社交工具易分享（Sharelt）[41]，帮助作者将科研论文免费版链接发送到社交媒体、作者网站和机构仓储等各个平台，以最快的速度帮助研究者提升其成果的国际学术影响力。此外，知识分享行为的分析也日益智能化，例如可以利用AI辨析一篇文献中被引用的研究要素，如实验数据、实验方法甚至单个假设的引用情况等。从这些行为数据的分析结果中，可以看到一些学科演化的轨迹，以及科学家互动的规律。

改善科研人员交流方式。在传统的科研环境中，由于实验过程中的原始数据和细节信息未能获得出版机会，研究者无法看到一个结论背后的细节和完整的发展过程。科研数据的智能化出版使科学研究的实验环境更加清晰地重现，不同时间、不同地点的科研工作者们可以通过智能化科研网络远程合作，相互启发思维、共同利用实验数据、核查科研成果。杰贝·威尔逊（Jebel Wilson）[42]认为，人工智能技术将不断地改善科学工作者的交流方式，鼓励研究人员通过合作网络分享观点，科学家们将更倾向于跨地区、跨领域合作以实现更有价值的科研创新。

3.5 智能化预测学科领域前沿

从知识发展过程来看，科学发展具有毋庸置疑的进步性，科学哲学家托马斯·库恩（Thomas Kuhn）认为[43]，科学革命本质上是一个新范式彻底取代旧范式的过程，成功的科学发现并不需要熟记学科的发展历史，科学家们只需专注于前沿问题的探究。科学创新加速度前进，科技期刊编辑尤其需要具备追踪前沿的素养，预测学科发展的趋势。汤森路透（Thomson Reuters）与全球研究机构合作，通过分析核心文献及其引用行为来捕捉学术热点[44]，爱思唯尔充分利用用户的行为数据，通过分析用户搜索频率较高的关键词来判断热点学科[45]。此外，随着机器学习与信息抽取技术在知识图谱领域的应用，前沿知识图谱的构建也日益智能化、可视化，参考价值日益提升。

与文献计量和大数据分析不同，AI介入选题分析还可以以信息整理的方式进行，通过对学术动态信息的自动获取，整合生成完整的学术前沿报告。传统科技编辑通过追踪权威学者的研究动态、权威数据库和权威期刊的文献出版、国家的科技政策、国家级科研项目立项通知、学术会议主题设置等信息，把握学科的前沿动态[46]，但是这些信息内容混杂、价值不一、分布离散、更新频繁，编辑与学者想要全面地把握这些信息须耗费大量的时间精力。学术出版商可通过自动抓取新的政策、会议、项目信息，追踪学科内核心学者的研究行为，对新发表的核心论文进行自动摘要处理和关键词分析，并将这些内容进行全方位的整合、分析，生成研究前沿的综合报告以提供选题参考，以指导研究者的学术写作和出版活动。

4 结 语

遵循社会、文化、市场和技术环境的演变逻辑，出版商升级为知识服务商的趋向愈来愈清，出版业关注的几大主题始终是：“出版能提供什么样的知识服务、能通过什么样的方式提供知识服务”，AI技术在科学交流中的融合应用，无疑为知识生产类型的丰富和知识传播方式的创新提供了更多可能[47]。AI技术在学术出版领域的核心价值在于协助科研人员在更短时间内发现新知识。基于知识生产逻辑的差别，在一段时间内AI技术更适用于自然科学领域知识的生产，人文社会科学领域由于其伦理价值的原生性特质，而使AI技术徘徊于核心圈层之外。尽管如此，探讨AI在人文社科领域的应用边界不可回避且有着不容轻忽的意义，受篇幅所限本文未能深入探討。

概而言之，目前智能化的知识发现成果大多出自科研院所和高校实验室，学术出版商在知识生产方面的探索还处于起步阶段，并且大多尚处于辅助地位。本研究对出版领域知识生产功能的探索，可以拓宽科学工作者和学术出版商的创新思路，对学术出版企业提高应用智能技术实现创新等问题提供了启示。展望未来，学术出版商如何从整体学术环境和技术应用趋势出发，搭建智能化出版平台帮助科研团队和机构更好地开展学术创新是后续研究的核心问题，而不同学科领域、不同类型的科研合作方式对智能学术出版平台的功能价值、服务内涵有不同要求，因此，分类探究不同类型智能学术出版平台及其服务创新模式将是下一步研究的重点。

注 释

[1]贺钰滢.知识生产与传播[D].武汉：武汉大学，2018：1-14

[2]王晓光.人工智能与出版的未来[J].科技与出版，2017（11）：4-6

[3]张晓林.重新认识知识过程和知识服务[J].图书情报工作，2009，53（1）：6-8

[4][7]杨炳儒.基于内在机理的知识发现理论及其应用[M].北京：电子工业出版社，2004：1-2，211-212

[5]互联网金融. Iris.AI：让人工智能成为你的科研助手[EB/OL]. [2020-11-04]. http：//www.Shedejie.com/mingmei/98183.html

[6]任翔.学术传播的数据化与智能化：2017年欧美学术出版产业发展评述[J].科技与出版，2018（2）：6-12

[8]王宏泽.施普林格自然第一本由机器生成的书籍问世[EB/OL]. [2020-12-14]. http：//news.gmw.cn/2019-04/03/content_32713781.htm

[9][26]Andy E.How AI technology can tame the scientific literature[J]. Nature，2018，561（7722）：273-274

[10]梁永霞，刘则渊，杨中楷.引文分析学的知识流动理论探析[J].科学研究，2010，28（5）：668-674

[11][12][13]苏新宁，朱云霞.面向知识服务的引文索引数据组织研究（Ⅰ）：引用数据特征及其作用分析[J].图书与情报，2013（05）：1-6

[14]邓仲华，李志芳.基于情报学视角的科学研究第四范式需求分析[J].情报科学，2015，33（7）：3-6，20

[15]刘磊.从数据科学到第四范式：大数据研究的科学渊源[J].广告大观（理论版），2016（2）：44-52

[16]彭鑫，邓仲华.数据密集型科研环境下的科研数据管理框架研究[J].数字图书馆论坛，2017（7）：61-67

[17]梁子裕.国外科研数据出版模式研究[J].出版发行研究，2017（3）：82-85

[18]胡红亮，郭传斌.行业生态变革中的医学知识服务模式创新：以科学技术文献出版社医学出版转型为例[J].出版科学，2018，26（4）：47-51

[19]李敏.“花伴侣”：人工智能时代知识服务的新媒介[J].出版参考，2018（8）：23-24

[20]王鹏涛.出版业智能化发展研究的学术构想：关键维度与可用视角[J].新闻界，2018（11）：95-100

[21]梁祝平.自然科学与社会科学方法的异同及其启示[J].学术论坛，2000（3）：12-15

[22]崔树芝.牟宗三对西方科学源流的反思[J].孔子研究，2018（6）：122-129

[23]孙小礼.自然科学方法与社会科学方法的相互借鉴和结合[J].清华大学学报（哲学社会科学版），2005（1）：76-80

[24]李醒民.论科学经验方法[J].社会科学论坛（学术评论卷），2009（2）：5-25

[25][33]黄欣荣.数据密集型科学发现及其哲学问题[J].自然辩证法研究，2015，31（11）：48-54

[27]向飒.人工智能对学术出版流程的再造及知识服务提升[J].中国科技期刊研究，2018，29（11）：1091-1096

[28][37]李醒民.知识的三大部类：自然科学、社会科学和人文学科[J].学术界，2012（8）：5-33，286

[29]耿云冬，魏向清.科学研究“第四范式”转向与词典编纂技术特征创新研究[J].外语电化教学，2017（2）：65-70

[30][35]董良广.出版企业基于人工智能开展知识服务的路径探索：以人民卫生出版社为例[J].出版广角，2017（14）：16-19

[31]伯纳德·巴伯.科学与社会秩序[M].北京：生活·读书·新知三联书店，1991：21-22

[32]张祥龙.人工智能与广义心学：深度学习和本心的时间含义刍议[J].哲学动态，2018（4）：13-22

[34]洪娜，钱庆，范炜，等.关联数据中关系发现的可视化实践[J].现代图书情报技术，2013（2）：11-17

[36]美国化学文摘社.约翰威立国际出版公司与美国化学文摘社宣布合作联手为全球科研人员提供先进的预测化学信息工具[J].上海医药，2017，38（11）：32

[38]郭荣茂.共建：科学知识生产过程的“社会”品格[J].自然辩证法通讯，2018，40（5）：88-94

[39]刘银娣.学术出版领域的人工智能应用：现状、挑战与应对[J].科技与出版，2019， 289（1）：64-68

[40]方卿，王一鸣，李舒格.技术的闸门已开启：2016年海外学术出版技术热点分析[J].科技与出版，2017（2）：15-19

[41][47]丛挺.基于知识链的全球学术出版服务模式创新研究[J].出版科学，2018，26（1）：27-32

[42]杰贝·威尔逊.2018年AI如何在学术出版中落地[EB/OL].[2021-06-19].http： // www.cp.com.cn//content /2018 /03-21/1433213430.Html

[43]托馬斯·库恩.科学革命的结构[M].北京：北京大学出版社，2012：85-87

[44]King C，Pendlebury D. 2013研究前沿：自然科学与社会科学的前100个探索领域[J].科学观察，2013（4）：1-21

[45]胡英奎，游滨，王秀玲，等.科技期刊编辑跟踪学术前沿的途径[J].编辑学报，2010，22（4）：307-308

[46]方卿，王一鸣. 论出版的知识服务属性与出版转型路径[J].出版科学，2020，28（1）：22-29

（收稿日期：2021-07-25）