Методы и модели анализа научной деятельности

Рост количества научных журналов и увеличивающиеся темпы роста числа научных публикаций затрудняют полный охват информации даже в узких областях науки. Специалисты в одной и той же предметной области не всегда могут узнать друг о друге. Проблемы возникают у редакторов журналов при поиске рецензентов, у организаторов конференций при рассылке приглашений, у лиц, принимающих управленческие решения в научной деятельности (НД). Из-за неравномерного представительства журналов из разных дисциплин при разделении на квартили авторы не всегда могут найти высокорейтинговые журналы для публикации своих результатов [1]. С развитием информационных и телекоммуникационных технологий всё большие объёмы данных становятся доступными в электронном виде, что открывает большие возможности для автоматизации сбора, структурирования и обработки информации, создания моделей анализа, прогнозирования, планирования и поддержки принятия решений в области управления НД.

Вследствие этого актуально создание систем, автоматизирующих получение информации об объектах НД (публикациях, авторах, научных журналах, организациях, конференциях и др.) на основе анализа публикаций. Такие системы можно разделить на две группы. Хорошо известны базы Web of Science, Scopus, РИНЦ, Google Scholar, ResearchGate, OpenAlex и др., их главная цель – анализ цитируемости публикаций, на основе которого вычисляются наукометрические оценки публикаций и их авторов (индекс Хирша), а также научных журналов (импакт-фактор). Более сложными и менее исследованными являются задачи анализа содержания научных текстов. Систем такого рода гораздо меньше. Можно отметить систему Semantic Scholar (, специализирующуюся на компьютерных науках и медицине, а также разработку iFORA , которая работает не только с научными публикациями, но и с патентами, бизнес-аналитикой и др.

В настоящей статье дан обзор методов и систем анализа НД; рассмотрена Информационная система анализа научной деятельности (ИСАНД), разработанная в ИПУ РАН [6]. Её основу составляет онтология наук об управлении [7, 8]. На основе классификатора ИСАНД разработан новый тематический класс «Теория управления» в Государственном рубрикаторе научно-технической информации (ГРНТИ) [9], который появится в открытом доступе в следующей редакции ГРНТИ под номером 42.

1    Управление научной деятельностью: обзор основных подходов

Для управления наукой требуются комплексные модели НД, интегрирующие методы наукометрии, сетевого анализа (СА), теории управления. В качестве объективной оценки работы учёных, журналов, научных коллективов, школ, организаций используются наукометрические показатели [10, 11]. Термин «наукометрия» в русскоязычных исследованиях был введён в 1969 г. [12] и не потерял своей актуальности спустя десятилетия [13]. В настоящее время исследованиям по наукометрии посвящены периодические научные журналы: “ Scientometrics ” ( Springer ), “ Quantitative Science Studies ” ( MIT Press Direct ), “ Journal of Informetrics ” ( ScienceDirect ), «Управление наукой и наукометрия» (РИЭПП), «Библиосфера» (ГПНТБ СО РАН) и др.

Большой потенциал в наукометрии и управлении НД имеет применение аппарата сетевых наук. С их помощью становятся возможными исследование возникающих научных связей, явных и неявных сообществ, поиск наиболее влиятельных учёных и научных школ и решение других задач, которые можно сформулировать в рамках сетевой парадигмы. Начало этому направлению положили статьи [14-16]. В обзоре [17] используется рекурсия (исследуется развитие области СА): построена сеть соавторства более 50 тысяч учёных, занимающихся сетевыми науками; проанализирована её топология и динамика; исследованы модели сотрудничества и структурные свойства сети соавторства; определены ведущие авторы, крупнейшие сообщества; проведено сравнение свойств сети с наукометрическими показателями.

В настоящее время наукометрия включает ряд методов СА [18]: определение центральности узлов (обзор методов определения центральности см. в [19]) для поиска ключевых авторов и публикаций, влияющих на развитие области исследования [20, 21], кластерный анализ в сетях [22] и его адаптация к наукометрическим сетям [23-25], визуализация связей [26, 27], определение плотности сети и др.

Объёмный наукометрический анализ литературы по теме «научные социальные сети» проведён в [28]. Программная статья [29], посвящённая эволюции сетей научного сотрудничества, процитирована около четырех тысяч раз. Исследованию научных социальных сетей ( LinkedIn, ResearchGate, Academia.edu, Mendeley ) посвящена статья [30]. Научным взаимодействиям в научных сетях посвящено большое количество работ (см., напр., [31-33]). Как правило, в исследованиях рассматриваются отдельные области науки [34, 35], отдельные научные и исследовательские заведения [36, 37]; в [38] проведён анализ гендерного распределения авторов научных публикаций; глобальное гендерное неравенство в науке исследуется в [39]. Исследование научных социальных сетей позволяет представить структуру научного сообщества, выявить влиятельных авторов и организации, проследить возникновение и развитие сотрудничества.

Отдельной областью исследований является анализ индексов цитирования и их влияния на научные сети, который имеет важное значение в оценке научного влияния и создании баз данных (БД) для СА. К основным наукометрическим индексам относятся: для авторов - индекс Хирша ( h -индекс) и его модификации ( g -индекс и i -индекс); для журналов - показатели, отражающие среднее количество цитируемости недавних статей (к ним можно отнести им-пакт-фактор и SiteScore ). В [40] сравниваются различные модификации индекса Хирша на примере данных из области биомедицины; в [41] приведён обзор исследований по цитированию авторов. В [42] приводится сравнение показателей и цитирования с междисциплинарной точки зрения. В [43] исследуется стратификация сетей соавторства, построенных по данным за 50-летний период, на основе h -индекса. В [44] рассмотрена совместная эволюция сетей соавторства и цитирования, а также их влияние на научные показатели: индекс Хирша автора и импакт-фактор журнала. В [45] предлагается альтернативный индекс, который учитывает семантические связи опубликованных работ в междисциплинарной области знаний, а также цитирование и соавторство учёных, облегчая идентификацию и картирование наиболее релевантных тем и авторов в этой области. Высокую цитируемость имеют обзор литературы по показателям цитируемости [46] и обзор по теории и практике наукометрии [47].

Проблемы, препятствующие развитию наукометрических исследований и научных коммуникаций, и пути их преодоления рассматриваются в [48]. Методика оценки результативности научных организаций представлена в [49], а концептуальная модель системы наукометрического мониторинга результативности НД - в [50]. Задачам управления НД с помощью наукометрического подхода посвящены исследования [51, 52]. Современные подходы в наукометрии изложены в [53]. Международное сотрудничество учёных исследуется в [54, 55], при этом используются новые наукометрические показатели (коцитирование и др.). Анализ количества публикаций и цитирований в различных областях отечественной науки проведён в [56]. Анализу публикаций в информационной системе Math - Net.Ru посвящена работа [57], граф цитирования статей российских математиков приведён в [58]. Обзор литературы о влиянии самоцитирования на возникающие искажения в библиометрическом анализе представлен в статье [59]. Сетевая модель коллаборации учёных приведена в [60]. В ИПУ РАН подготовлен специальный выпуск по наукометрии в журнале «Управление большими системами» [61].

Менее исследованными являются задачи анализа содержания научных текстов. В [62] на основе семантического анализа и анализа социальных сетей предложено прогнозирование успеха научных публикаций. Проведённый на основе набора данных анализ публикаций по химической инженерии за 2010–2012 годы позволил предсказать цитирование через шесть лет после публикации с точностью почти 80%. В [63] исследуются тематики библиометриче-ских исследований посредством сетей цитирования и семантического анализа. Рассмотрено распределение тем научной литературы, в которой используются термины «библиометрия», «наукометрия» и «информетрика». В [64] проводится мета-анализ семантической классификации цитирований на корпусе 60 научных статей в этой области. Исследуются подходы к классификации цитирований на основе их семантического типа. Обзор [65] посвящён кластеризации исследовательских документов на основе семантического анализа и извлечения ключевых слов. Проведён сравнительный анализ алгоритмов извлечения ключевых слов и кластеризации; предложен прототип поисковых систем на основе документов, а также методы семантической классификации исследовательских работ в области компьютерных наук.

Коллективом ФИЦ ИУ РАН разработаны методы семантического анализа научных текстов [66], методы реляционно-ситуационного анализа текстов [67]; интеллектуальная поисковая система Exactus , на основе которой созданы система выявления заимствований в научных текстах Exactus Like [68] и система интеллектуального поиска и анализа научных публикаций Exactus Expert [69] . В [70] представлен прогноз путей развития науки, технологий и инноваций. Представлен подход и инструменты интеллектуального анализа текста для построения карт науки особого вида – «Карты науки в квадрате». Работа [71] посвящена семантическому анализу трудов конференции по семантическому анализу.

Разработанный в Московском государственном университете многоязычный энкодер SciRus - tiny , использующий семантические векторные представления текстов, предназначен для анализа научных текстов и способен осуществлять поиск близких по тематике публикаций [72]. Открытый бенчмарк RuSciBench рекомендован для оценки векторных представлений научных текстов на русском и английском языках из данных библиотеки eLibrary [73].

Выявлению плагиата и нарушения этики публикаций в русскоязычных научных изданиях посвящена статья [74], а выявлению сгенерированных языковыми моделями фрагментов в научных публикациях – работа [75].

2    Онтология наук об управлении

Примером научной области, в которой неудобна одномерная классификация, является теория управления. Неудобства проявляются в работе редакций научных журналов по управлению. Для рецензирования статьи, в которой описывается, например, интеллектуальная система, нужен не только специалист по искусственному интеллекту, но и эксперт, владеющий математическими методами, использованными при описании системы, а также компетентный в предполагаемой сфере применения этой системы.

Подход к решению этой проблемы предложен в ИПУ РАН [7]. Тематическое пространство наук об управлении делится на три области: фундаментальные науки ; прикладные теории и проблемные области ; области приложений . Каждая из этих областей детализируется: среди фундаментальных наук выделяются математика, физика, биология, ..; в проблемных областях - теория автоматического управления, анализ данных, вычислительная техника, .; в сферах приложений - летательные аппараты, медицина, технологические процессы, финансы и др. Фрагмент дерева тематического пространства представлен на рисунке 1. Вершины дерева названы темами . Число уровней дерева и ветвлений вершин зависит от требуемой детализации, но три вершины первого уровня, названные главными , неизменны.

Рисунок 1 - Фрагмент онтологии тематического пространства (прямоугольники - темы и подтемы, листья - термины)

Позиционирование объектов НД в тематическом пространстве многомерно. Как правило, документ (статья, доклад и т.д.) релевантен многим темам, и поэтому он характеризуется вектором релевантностей, который называется профилем документа . Этот вектор представляет собой сечение дерева (не обязательно равномерное по уровням); в каждой точке сечения (теме) стоит число из отрезка [0, 1]; сумма всех чисел равна 1 (вектор - стохастический). Каждое число - степень релевантности документа данной теме относительно других тем.

Для вычисления профиля документа тематическое дерево снабжается словарём: к каждой висячей вершине-теме (и, быть может, к некоторым промежуточным вершинам-темам) присоединяется множество вершин-терминов, характеризующих данную тему. Тематическое дерево вместе со словарём образует онтологию наук об управлении. В этой онтологии смежные вершины-темы связаны отношением класс-подкласс, а смежные вершина-тема и вершина-термин связаны отношением класс-экземпляр. Введение терминов нарушает древовидность онтологии, т.к. термин может относиться к нескольким темам. Метод вычисления профиля документа в [7] основан на частотности содержащихся в нём терминов.

В программной реализации описанной схемы использована база публикаций работников ИПУ РАН. В [7] приведены некоторые данные пробной эксплуатации разработанной системы на материале публикаций журнала «Автоматика и телемеханика». Набор профилей публикаций работника даёт возможность вычислять профиль работника , характеризующий набор его научных интересов и компетентностей. А наличие профилей работников облегчает решение различных задач по управлению НД, таких как назначение рецензентов и экспертов, подбор команды для наукоёмкого проекта и т.д.

Составление словаря - это работа, требующая разнообразных компетенций, охватывающих всё тематическое пространство наук об управлении. Для практического использования онтологии удобно, чтобы тематические профили научных объектов строились на фиксированных уровнях дерева тематического пространства.

3    Методы и модели 3.1    Сбор данных и извлечение информации

Для анализа НД требуются данные о публикациях и связанных сущностях: метаданные статей, сведения об авторах и их аффилиациях, журналах и конференциях, грантах и т.п. Источники данных - коллекции полнотекстовых документов и открытые библиографические базы. Если доступны только полнотекстовые документы, то, как правило, применяются инструменты извлечения метаданных и ссылок. В частности, библиотека GROBID [76] демонстрирует лучшее качество извлечения метаданных и списков литературы среди открытых инструментов. Для специализированных задач могут привлекаться отдельные инструменты (например, Adobe Extract для табличных данных). На практике нередко применяют комбинированные конвейеры: несколько инструментов анализа используются последовательно или параллельно, а результаты объединяются и проходят верификацию экспертом.

В частности, в модуле предварительной обработки данных ИСАНД [6] применяется конвейер на основе GROBID : модель предварительно дообучена на корпусе русскоязычных текстов по теории управления, что позволяет повысить точность извлечения данных.

Открытые агрегаторы научных данных, такие как OpenAlex , предоставляют свободный доступ к информации о публикациях и цитированиях. OpenAlex обеспечивает сопоставимое с коммерческими базами Scopus / Web of Science покрытие цитат (на пересечении их корпусов) и индексирует существенно больше журналов открытого доступа (34 тыс. в OpenAlex , 6 тыс. в WoS и 7 тыс. в Scopus на 2024 год) [77]. Качество и полнота метаданных могут различаться по дисциплинам, поэтому целесообразна оценка покрытия БД для конкретной предметной области [77, 78]. В ИСАНД выполняется сбор данных из нескольких источников (в том числе OpenAlex ), что повышает полноту базы. Каждый источник вносит вклад в общий граф знаний, при этом при загрузке данных в ИСАНД помечается происхождение метаданных.

Ключевая задача при сборе данных - объединение записей об одном объекте (авторе, организации) из разных источников. Внедрение уникальных идентификаторов научных объек- тов – ORCID для авторов, Research Organization Registry (ROR) для организаций и др. – упрощает эту задачу. В частности, в Crossref поддерживаются ROR-идентификаторы фондов, это позволяет унифицировать сведения о грантодателях (см. . Для полного автоматического разрешения неоднозначности требуются специальные алгоритмы и эталонные наборы данных. Создаются бенчмарки для сравнения методов идентификации авторов по метрикам точности [79]. В ИСАНД применяется алгоритм объединения записей на основе полученных из разных источников идентификаторов объектов: ORCID, DOI, Researcher ID, Scopus Author ID, ROR и др.

• 3.2    Структурирование и представление метаданных

• 3.3    Анализ текстов научных публикаций

Собранные данные о публикациях и связях между ними необходимо представить в удобной для анализа форме. Для этого используются реляционные схемы данных, которые обеспечивают целостность и эффективный доступ к данным, но не являются гибкими (например, при добавлении новых сущностей) и не предназначены для представления сетевых структур (например, для поиска цепочки сотрудничества между учёными).

Графовая модель данных позволяет отразить экосистему науки как сеть объектов. В такой модели любые научные объекты – публикации ( D ), исследователи ( A ), организации ( O ), конференции ( C ), ключевые термины ( T ) и др. – можно представить как вершины графа ( v G V), а отношения между ними - как рёбра ( е = (v,, v) G Б). Можно определить сеть НД как ориентированный граф G = ( V, Б), где V - объединение множеств разных сущностей, а Е содержит несколько подмножеств Е_г,Е ₂ , ■■■ типов связей. Например, если А - множество авторов, D - множество публикаций, то подграф соавторства можно задать как G_auth = (А ,Е_аиth), где каждое ребро е = ( а,,а) G Е_аиth означает совместную публикацию автора at с автором а.. Аналогично, граф цитирования задаётся как ориентированный граф G_сt₁ = (D,Е_Сi _t ), где дуга ( dt ^ dj) G E_c1₁ означает цитирование работы dj в работе d , . Эти специализированные графы можно анализировать раздельно, однако полное представление даёт интегрированная сеть, включающая все типы объектов и связей. В интегрированном представлении множество вершин V = А U D U О U Т U .„, а каждое ребро помечено типом (например: «автор – статья»; «статья цитирует статью»; «статья содержит термин»; «автор работает в организации» ). Этот граф можно воспринимать как многослойную сеть науки: каждый тип связи образует свой слой, но объекты (вершины) одни и те же и могут соединять слои [80]. Для учёта групповых отношений, когда единицами анализа выступают не пары, а группы объектов, применяются гиперграфы. Гиперребро может связывать, например, множество авторов а^, а₂ ,...,а_к, совместно написавших статью (это единое событие, связывающее всю группу). Гиперграфы усложняют математический аппарат анализа, но способны представить коллективные взаимодействия напрямую, без разбиения их на парные взаимодействия .

Преимущество графового представления – возможность хранить и обрабатывать всю структуру отношений. Добавление новой сущности или типа связи не требует доработки схемы данных – достаточно ввести новый тип узла или ребра. Запросы к графу могут гибко следовать по любым цепочкам связей: например, можно запросить «найти путь от автора А к автору Б через цепочку совместных работ и цитирований длиной не более 4» или «найти всех авторов, статьи которых процитированы в журнале В». Подобные запросы сложно выразить на языке SQL в реляционной БД, тогда как графовые базы имеют для этого оптимизированные языки (Gremlin, Cypher, SPARQL и др.) и алгоритмы обхода графов. Сформировались две основные парадигмы для работы с графовыми данными. Первая – семантические сети, основанные на стандартах RDF/OWL (Resource Description Framework/Web Ontology Language). Семантические хранилища поддерживают язык запросов SPARQL, позволяют ис- пользовать онтологии и выполнять логический вывод. Вторая парадигма – графы свойств [81], в которой узлы и связи могут иметь произвольные свойства (атрибуты), а схема данных часто гибридна. В ИСАНД [6] для хранения и обработки данных о НД используется семантическое хранилище, схема которого задаётся онтологией OWL.

Анализ содержания научных публикаций позволяет определить тематику работ и измерить их семантическую близость. Публикацию можно представить в виде вектора признаков (профиля), отражающего распределение тем или терминов, разными способами: с помощью классификаторов; тематического моделирования; нейросетевых векторных представлений.

Первый способ – заранее создать онтологию или рубрикатор научных тем и на их основе классифицировать тексты [82, 83]. В частности, в системе ИСАНД используется разработанный экспертами словарь, покрывающий ключевые понятия (термины) заданной научной области. Это позволяет каждому научному объекту ставить в соответствие стохастический вектор р = (р _х ,р ₂ ,^,р _п ) в пространстве из п предопределённых тематических категорий, где рi >  0 отражает степень принадлежности объекта к теме i. В ИСАНД профили рассчитываются на основе онтологии наук об управлении. Каждая загруженная в систему публикация автоматически анализируется: производится лемматизация, извлекаются ключевые слова, соотносятся с терминами тезауруса, формируется тематический профиль . Профили хранятся как атрибуты соответствующих узлов (публикаций, авторов, организаций), что позволяет быстро сравнивать объекты по их тематическим векторам. Для измерения близости профилей используется косинусное сходство или метрика на основе -нормы, например расстояние для двух публикаций d 1 и d 2 : d(p ^(dl) ,p (^d2) ) = | £ _i |р ^(dl) — p ^(d2) |. Близкие по тематике публикации будут иметь близкое к 1 значение. Это даёт возможность улучшать поиск и рекомендации: в ИСАНД реализованы методы поиска экспертов для рецензирования, поиска тематически близких исследований и т.д.

В противоположность априорному заданию тем методы тематического моделирования позволяют автоматически извлекать темы из массива текстов. Наиболее известный метод – LDA ( Latent Dirichlet Allocation ) и его варианты [84, 85]. Основная гипотеза LDA : существует некоторое (заданное числом ) количество скрытых тем, каждая из которых характеризуется статистическим распределением слов P(w\z), а каждый документ есть смесь этих тем с определёнными весами в_d = P(z\d). Параметры модели (распределения P(w\z ) и в_d для всех документов) оцениваются по набору текстов с помощью стохастических методов. В результате работы алгоритма получается набор из тем – списков слов с указанием вероятностей P(w\z _i ). Одновременно для каждого документа получается распределение d_d = (р (z _l \d), .^,p(z _k \d )), которое является тематическим профилем этого документа для выявленных алгоритмом тем, не привязанных к каким-либо заранее заданным категориям. Тематические модели хорошо подходят для первичного анализа корпуса, когда заранее может быть неизвестно, какие тематические кластеры присутствуют. Тематическое моделирование часто применяется для анализа научной литературы, в т.ч. кластеризации публикаций [86] и отслеживания эволюции научных направлений [87].

Можно использовать векторные представления текстов на основе предобученных языковых моделей [88]. Эти модели преобразуют текст статьи в плотный вектор ∈ℝ (эм-беддинг), располагая близкие по смыслу публикации рядом в пространстве эмбеддингов (даже если они не имеют общих ключевых слов). Используя эмбеддинги, можно решать разные задачи, в частности проводить тематическую кластеризацию публикаций [89]. Недостатки нейросетевых эмбеддингов и тематического моделирования – отсутствие учёта дрейфа пред- метной области (поскольку обучающая выборка фиксирована) и сложность интерпретации признаков эмбеддинга.

Для решения конкретных научных задач используются специальные методы анализа текстов . В частности, методы извлечения терминов и ключевых слов [90], автоматического реферирования [91], анализа интенции цитирования [92-94], выявления новых научных направлений [95]. Эти методы позволяют составить тезаурус, облегчить анализ больших коллекций работ и оценить влияние научной работы по характеру цитирования. Большие языковые модели активно исследуются, но их применение для анализа НД сопряжено с рисками генерации некорректной информации [96]. Поэтому их следует воспринимать как вспомогательный инструмент для эксперта.

• 3.4    Сетевой анализ

Сетевые модели фокусируются на структуре научного сообщества и коммуникаций в нём. Сеть соавторства – неориентированный граф, в котором узлы – авторы, а рёбра соединяют соавторов одной публикации. Анализ такой сети позволяет найти научные группы, научные школы, «мосты» между научными группами, определить силу связей между исследователями и т.п. Сеть цитирования – ориентированный граф, в котором узлы – статьи (или другие научные объекты), а ребро → означает, что работа A цитирует работу B . Граф отражает информационные потоки, позволяет находить наиболее влиятельные публикации и научные направления, строить карты знаний по цитируемости. В зависимости от цели исследования строятся и другие виды научных сетей: граф аффилиации (автор – организация), граф сотрудничества организаций, граф терминов (термин – узел, совместная встречаемость терминов – связь). Эти представления можно рассматривать как проекции единой многослойной сети НД.

Такой подход позволяет выявлять явные и скрытые закономерности, в т.ч. структуру коллабораций, центры влияния, междисциплинарные связи. Типовые задачи СА: идентификация ключевых узлов / расчёт влиятельности узлов – поиск наиболее значимых учёных, работ, организаций по различным показателям [10, 97]; обнаружение неформальных сообществ – разбиение сети на плотные кластеры (например, выявление тематических или географических научных групп) [98]; рекомендация и прогноз связей – выявление потенциальных связей (для эффективного сотрудничества учёных, для тематического дополнения работ и т.п.) [99]; анализ динамики – исследование эволюции сети во времени (например, для оценки роста новых направлений) [100].

В теории сложных сетей разработан широкий спектр мер центральности (более 400) (см. [101]), позволяющих ранжировать узлы по их значимости [102]. Мера центральности – это функция , которая каждому узлу сети ставит в соответствие действительное число. Простейшая мера CD(y ) = d ед (у) - степень вершины v Е( (число связей узла). В контексте науки степень автора в графе соавторства равна числу его соавторов, а степень статьи в графе цитирования – числу её входящих ссылок (цитируемость) либо исходящих (число цитат). Высокая степень означает активное участие объекта в научной коммуникации. Более сложные меры учитывают глобальные свойства. Например, посредничество С((у) показывает, через какие узлы проходят кратчайшие пути в сети: узел с высоким посредничеством служит «мостом» между частями графа. Такой узел может указывать на учёного, соединяющего разные научные сообщества, или работу, цитируемую разными областями, или метод оценки влияния на основе причинно-следственных отношений [103]. Эти показатели позволяют количественно определить наиболее влиятельных учёных, публикации, организации. Библио-метрические индексы можно рассматривать как частные случаи мер центральности, однако сетевые показатели дают более полную картину, с учётом всей структуры графа цитирова- ния. Современные обзоры подтверждают продуктивность сетевого подхода для оценки научного вклада учёных [104].

Важная задача СА - выявление сообществ в сетях . Сообществом называют подмножество тесно связанных узлов [98]. Для нахождения сообществ ищется разбиение множеств узлов f:V ^ {1, ...,К} (количество сообществ K не фиксируется). Для автоматического обнаружения сообществ применяются алгоритмы кластеризации графов, которые обычно оптимизируют модульность - меру Q E [-0,5; 1], сравнивающую плотность внутри кластера с ожидаемой в случайной модели [105]. Методы итерационного укрупнения графа, такие как алгоритм Лувена и его модификации [106], гарантируют получение более связных кластеров. Выявленные в сетях соавторства сообщества помогают обнаружить коллаборации и скрытые социальные структуры (например, научные школы). Кластеры в сети цитирования зачастую соответствуют направлениям исследований.

Методы прогнозирования связей [99] позволяют определить, какие связи являются скрытыми или какие связи появятся в будущем (потенциальных соавторов, сотрудничество между группами). В случае со скрытыми связями используется следующая постановка задачи: пусть истинная сеть G* = (V, Е* ) наблюдаема частично G _{o bs} = (V,E _{ob s} ), где E _{o bs} £ Е * , необходимо восстановить E*\E _0bs. Для определения потенциальных связей используются меры сходства узлов u,v EV в графе [99], в частности, мера Adamic / Adar :

Saa (u,v) - E ze г мп ГО) _{10 gde5}(_z) .

Актуально направление анализа динамики сетей [100]: изу чается, как изменяется структура сети со временем G)) - например, растёт ли связность научного сообщества, увеличивается или уменьшается фрагментация по группам, как влияют коллаборации на последующую цитируемость работ. Такие исследования находятся на стыке с социологией науки и позволяют делать выводы о тенденциях в организации НД.

• 3.5    Интеграция методов анализа текстов и анализа сетей

Сетевые методы дают в распоряжение исследователей мощный инструментарий для структурного анализа науки [104]. Однако графы не позволяют учитывать смысловое содержание: статьи могут быть связаны через общих авторов или цитирование, но иметь разную тематику. Методы анализа текстов сосредоточены на тематике (на смысле). Их ограничения - отсутствие учёта социальной структуры (исследователи могут быть тематически близки, но в сети находятся далеко друг от друга), значительные затраты на подготовку данных (очистка текста, лемматизация, обучение моделей) и обработку корпусов, особенно полнотекстовых. Предпочтительна интеграция подходов для одновременного учёта того, кто с кем взаимодействует, и о чём ведутся исследования. В частности, комбинация признаков социальной сети и семантики текста позволяет предсказывать цитируемость с точностью около 80% [62]. В [107] показано, что качество профилей научных объектов можно улучшить, если учесть связи авторства между объектами. В ИСАНД все данные хранятся в виде графа (что даёт возможность выполнять СА - обход связей, расчёт центральностей и пр.), при этом каждый узел снабжён тематическим профилем. Это позволяет выполнять комбинированные запросы и аналитические сценарии. Например, при поиске рецензента можно отобрать кандидатов по близости профилей и выбрать тех, у кого высокие показатели влияния в сети.

4    Основные характеристики разработанной информационной системы

ИСАНД предназначена для обеспечения исследователей, научных коллективов и организаторов науки средствами анализа НД и содержит данные о различных научных объектах .

Основой ИСАНД являются массивы публикаций, загружаемые из внешних источников – крупных БД научных материалов. Поскольку одна и та же публикация нередко индексируется в разных системах, в ИСАНД предусмотрена возможность выявления и фиксации дубликатов. То же относится и к другим научным объектам, например авторам или организациям: один и тот же объект может иметь разные представления в разных источниках. Для случаев, когда вероятность совпадения велика (например, у авторов один и тот же уникальный цифровой идентификатор ORCID ) в системе указывается, что объекты являются дубликатами. Отношение «является дубликатом» считается симметричным и транзитивным.

Особенностью ИСАНД является наличие оригинального классификатора , который задаёт структуру тематического пространства теории управления. Каждый научный объект в этой системе описывается как вектор в многомерном пространстве, и его можно считать точкой в стандартном симплексе соответствующей размерности. Такой подход обеспечивает корректное сравнение объектов и позволяет применять различные методы анализа.

Структура классификатора имеет три основных уровня. Первый уровень - это факторы , которые отражают укрупнённые области исследований, например «Управление в организационных системах». Второй уровень образуют подфакторы , детализирующие тематику в рамках факторов, например «Управление в сетевых структурах». Третий уровень представляет собой набор конкретных терминов , например, «Социальное влияние».

Для каждого научного объекта в ИСАНД строятся три вида тематических профилей: базовый профиль на уровне факторов; детализированный профиль на уровне подфакторов; профиль терминов . На каждом уровне строится профиль каждой публикации и проводится расчёт профиля для других объектов на основе публикаций, связанных с этими объектами: профиль автора на основе его публикаций (с учётом количества соавторов каждой публикации), профиль журнала на основании опубликованных в нём статей и т.п. С их помощью в ИСАНД осуществляется поиск публикаций, авторов и других научных объектов.

На множестве тематических профилей введена метрика, позволяющая рассчитывать расстояние (от 0 до 1) между научными объектами и находить тематически близкие объекты. Например, исследователь может искать все публикации, находящиеся в тематическом пространстве не далее, чем на расстоянии 0,2 от его собственной работы. В специализированных запросах и сценариях поиска (кого пригласить для рецензирования публикации, кому направить приглашение на конференцию и т.д.) пользователь может самостоятельно задавать радиус тематической окрестности научного объекта (область точек, которые находятся от научного объекта на расстоянии не больше заданного). Алгоритмы расчёта профилей и расстояний между ними описаны в [6].

Заключение

В статье описана Информационная система ИСАНД в области теории управления и сделана попытка поместить её в более широкий контекст мировой науки о науке - как наукометрии, так и анализа текстов и СА, выявляющих ключевые темы и термины публикаций, взаимосвязи между учёными, организациями и конференциями. Представленный подход к построению онтологии наук об управлении позволяет позиционировать объекты (публикации, их авторов, журналы, конференции и научные организации) в многомерном тематическом пространстве. ИСАНД потенциально представляет собой многофункциональную систему, которая объединяет онтологическую основу, массивы данных и математический аппарат анализа. Информационная система ИСАНД призвана обеспечить исследователей и управленцев инструментами для информационного поиска, изучения НД и принятия обоснованных решений в организации и управлении НД.