[9] 李品,杨建林.基于大数据思维的情报学科发展道路探究[J].情报学报,2019,38(3):239-248.

[10] 王曰芬,邹本涛,宋小康.大数据驱动下情报研究知识库及其体系架构设计[J].情报理论与实践,2019,42(1):28-33.

[11] 化柏林,李广建.面向情报流程的情报方法体系构建[J].情报学报,2016,35(2):177-188.

[12] 刘强,陈云伟,张志强.用于科技评价的挪威模型方法与应用综述[J].数据分析与知识发现,2019,3(5):41-50.

[13] SIVERTSEN G.A performance indicator based on complete data for the scientific publication output at research institutions[J].ISSI Newsletter，2010，6(1)：22-28.

[14] 马海群,张斌.我国情报学研究中的模型问题分析[J].情报探索,2019(6):1-6.

[15] 叶鹰，武夷山.情报学基础教程[M].2版.北京：科学技术出版社：2018.

[16] 关鹏，王曰芬.基于LDA主题模型和生命周期理论的科学文献主题挖掘[J].情报学报，2015，34(3)：286-299.

[17] 徐路路,王效岳,白如江.一种基于TDT模型的基金项目科学研究前沿识别方法研究[J].情报理论与实践,2018,41(8):72-78.

[18] SHAPIRA P，WANG J.Follow the money[J].Nature，2010，468(7324):627.

[19] ZHAO S X，TAN A M，SHUANG Y，et the research funding in physics:the perspective of production and collaboration at institution level[J].Physica A:Statistical Mechanics and its Applications，2018，508:662-674.

[20] GY?RFFY B，MAGDA N A，PéTER H，et influencing the scientific performance of Momentum grant holders:an evaluation of the first 117 research groups[J].Scientometrics，2018，117(1):409-426.

[21] 梁伟波.美国NSF资助物流项目的知识图谱分析[J].情报杂志，2016，35(10):114-119.

[22] 赵蓉英,王旭.近五年国际情报学研究态势[J].图书馆论坛,2018,38(12):150-158.

[23] GRASSANO N，ROTOLO D，HUTTON J，et data from publication acknowledgments:coverage，uses，and limitations [J].Journal of the Association for Information Science and Technology，2017，68(4):999-1017.

[24] 马雨萌,祝忠明.数字对象语义关联组织的典型模型研究[J].现代图书情报技术,2013(1):1-7.

[25] 刘自强，王效岳，白如江.多维主题演化分析模型构建与实证研究[J].情报理论与实践,2017,40(3):92-98.

[26] 朱茂然,王奕磊,高松,等.基于LDA模型的主题演化分析:以情报学文献为例[J].北京工业大学学报,2018,44(7):1047-1053.

[27] BOSCHMA R and innovation:a critical assessment[J].Regional Studies，2005，39(1):61-74.

1 研究背景科技计划项目(专项、基金等)是政府支持科技创新活动的重要方式，我国先后设立了一批科技计划项目，为增强国家科技实力、提高综合竞争力、支撑引领经济社会发展发挥了重要作用。党的十八大以来，科技计划管理改革不断深入，2014年12月25日，国务院印发了《关于深化中央财政科技计划(专项、基金等)管理改革的方案》[1]，将原有近40个部门管理的100多个科技计划(专项、基金等)整合为国家自然科学基金、国家科技重大专项、国家重点研发计划、技术创新引导专项(基金)、基地与人才专项五大类科技计划。随着科技计划管理改革的深入，科技管理部门正积极转变政府职能,把“放管服”作为全面深化改革的重要内容。各类科技计划项目实施过程中，产生了大量数据，如项目申报数据、立项数据、评审数据、验收数据、产出数据、成果转化数据等；同时与科研管理的过程中机构数据、人员数据、成果数据等相互关联形成了科技资源数据网络。这些数据资源拓展了科技情报分析的对象，延长了科技情报分析的数据链条，但同时大数据的多源性、复杂性、丰富性等特点也急需在传统基础上融入大数据的知识计算体系，形成全新的理论研究范式。科技项目大数据正逐渐成为科技情报的重要数据来源和分析对象，其迅速积累和复杂关联等特性也给传统的情报分析方法带来了机遇和挑战[4]。因此需要建立针对科技计划项目大数据的分析方法论，形成科技计划项目分析建模的工具、体系、范式与流程等。同时，为有效落实《关于进一步加强科研诚信建设的若干意见》《关于优化科研管理提升加强科研诚信建设的若干意见》《关于深化项目评审、人才评价、机构评估改革的意见》等系列政策文件，也迫切需要建立适应大数据的分析方法体系，形成科技管理决策与服务的新模式[2-3]。本文针对大数据背景下科技计划管理的新需求和新挑战，构建针对科技计划项目大数据的分析模型，力图形成用于指导多源科技数据分析和应用的方法论，支持面向科技用户多元数据应用服务场景的建模要求，挖掘大数据环境下的全球科技计划及科研活动发展趋势，加快推进科技服务精准化、科技决策智能化。2 相关研究2.1 大数据环境下情报方法研究进展大数据环境下情报研究面临重大发展机遇，其研究问题域、研究方法、数据来源、数据获取方式、数据规模、分析工具等都发生了新的变化。2012年王飞跃[5]提出大数据环境下让“数据说话”的重要性，并构建了开源情报解析的理论框架。马费成等[6]提出在大数据环境下，情报学所处的介质、空间和场景发生了根本变化，对情报学理论和方法产生了深刻影响，也为情报学满足用户信息服务需求提供了新模式。苏新宁[7]分析了大数据融合时代情报学的变化与挑战，认为以文献为主的情报学研究已经远远不能适应当今发展，应向网络复杂数据拓展，因此大数据时代的新情报学理论方法也期待被重建。夏立新[8]等提出大数据时代数据爆炸、处理能力、知识饥渴、信息安全等都将成为情报危机的触发因素，并提出应对策略。李品等[9]分析了大数据环境给情报学发展带来的机遇和挑战，同时也以大数据思维为引导，对情报学学科理论体系建设等提出相应对策。总之，传统的科技情报分析模型、方法等无法适应大数据的新要求，而且技术前瞻与预见需要更加多元的科技数据，推动科技情报分析的方法体系不断向计算化、智能化、多源化、模式化的方向转变 面向应用需求的情报分析模型进展建立分析模型可以用来揭示事物的特征和内部关系。大数据环境下情报分析面临的问题越来越复杂，学者们不断探索将多样化、智能化、计算化的分析模型应用于情报分析中。例如，王曰芬等[10]在论文中总结了情报分析主要用到的模型，并提出了利用大数据资源的组织、管理、计算和分析方法作为支撑有效整合各种资源，建立大数据环境下的情报研究知识库构建思路和理论方法。李品等[9]分析了大数据环境下情报学的研究与应用，提出了将大数据服务与情报服务融合产生“情报分析即服务”和“情报资源即服务”的分析思路。化柏林等[11]分析了大数据环境下情报工作的机遇与挑战，并运用文献调查法、内容分析法、系统分析法等一系列方法进行研究，重新构建了面向情报工作流程的情报方法体系。挪威高等教育机构协会针对科技评价的需求，提出了挪威模型(Nrowegian Model)，并在欧洲几个国家的科研管理与科研信息评估检测中发挥了积极的作用[12-13]。另外还有一些深入到文本内容的微观分析模型，例如向量空间模型(VSM)[14-15]主要把文本内容转化为向量，通过向量之间的计算来进行文本信息之间的判断和研究。LDA主题模型[16]能够帮助大数据环境下的情报学研究更好的挖掘潜在、有价值的信息。TDT模型中多要素融合分析及归一化处理的思想可用于情报分析中的特征属性分析，并探测研究前沿等[17]。总之，在大数据环境下，适应大数据分析思路的情报分析模型不断延伸扩?基于科技计划项目数据的计量与评价随着数据开放运动的不断深入，可以通过各种途径获取科技计划项目相关数据资源，使得利用科技计划项目数据为研究对象的科学计量分析逐渐成为新的研究热点。一些研究者首先针对科技计划本身的特点进行分析，例如，Nature评论文章“Follow the money”[18]通过追踪项目基金的方式，关注全球纳米科技方向的科技计划基金资助产出的成果在规模、效率、趋势、合作模式以及影响力方面的变化和特点。赵星等[19]通过收集科技项目/基金资助的物理学SCI论文数据，研究科技计划项目提供资金的资助特征，为科技计划项目的特征研究开拓了新思?rffy等[20]针对匈牙利的Momentum计划，关联汤森路透中收录的受资助论文，对该计划的资助情况进行了项目绩效分析。另一些研究者则基于科技计划项目的题目、关键词、摘要以及全文，开展前沿发现、主题演化分析等方面的研究。梁伟波[21]基于美国的NSF资助项目名称和摘要中的关键词，借助Citespace软件分析国外物流研究的重点领域和热点主题。赵蓉英等[22]以2001—2012年国家基金项目为视角，通过对基金项目的类型、负责人、机构及研究主题等进行学科热点分析等[23]通过从论文致谢中提取资助信息，分析基金资助情况，并探讨了使用这种计量方法的可行性与局限性等。这些研究者对科技计划和基金资助信息研究方法的探索，为形成科技计划项目大数据的分析模型打下良好的理论和实践基础。3 分析模型及方法本文从科技管理改革与实践的要求出发，以科技管理过程中涉及的科技计划项目大数据为分析对象和基础，构建涵盖“数据层—方法层—应用层”的科技大数据分析模型；形成针对多源、异构科技大数据全生命周期的处理流程，完善以需求驱动的数据治理、问题定义、维度构建、指标选定、应用建模的一套方法；最终面向科技计划管理中用户的多元需求，形成符合用户社会属性、技术属性、管理属性与经济属性方面特定服务场景的情报分析产品和决策支撑工具。科技计划项目大数据的分析方法模型如图1所示。图1 基于科技计划项目大数据的分析模型如图1所示，多源异构科技数据的获取、分析、加工、关联、融合等全流程是实现数据支撑应用决策的基础，同时也将会影响整个科技管理与决策全流程。一方面对于科技计划项目数据的形成、处理和分析要从顶层的用户需求出发，重点针对科技管理工作中的管理者、科研人员、机构用户等，根据用户需求的特点和要求对底层数据的状态、内容和结构进行优化与调整，同时不断充实基于数据的分析方法和各类面向业务的动态指标。另一方面，从底层的数据出发，在科技计划管理的过程中不断积累数据资源，根据相应的数据标准、数据处理规范进行数据组织、展示，围绕科技计划管理业务情况，抽提相关的分析内容与视角，开展动态评价与多维度的特征计量分析，最终形成一个针对科技计划项目大数据的分析模型，并提供数据服务与应用，不断拓展应用场景，为顶层科学决策提供量化支持与科学实据。通过数据与需求相互匹配与适应的循环最终形成全流程关联、响应、反馈的决策支撑响应模式，如图2所示。图2 面向需求的数据服务响应模式3.1 数据层：多源科技计划项目的数据融合与处理数据处理是分析模型的重要基础，整个科技管理全流程会产生海量科技计划项目大数据，以国家新五类科技计划项目实施为例，其管理全流程中主要包含两类数据：一类是管理业务数据，例如项目申报数据、项目立项数据、项目过程管理数据(年度检查、中期检查数据等)、项目产出数据(论文、专利、图书、科技报告数据等)等，以及与项目产生关联的各类对象与主体的数据，如机构数据、人员数据、团队数据、经费数据等。另一类则是科技计划项目涉及的技术内容数据，如项目申请书中包含的技术指标、方法体系、工艺流程等。这些数据在积累过程中呈现出来源广泛、更新频繁、内容复杂、格式多样的特点，因此分析科技项目大数据的首要任务是在计划管理全流程中通过数据采集、数据清洗、特征分析、聚类归纳等步骤将数据格式、结构、内容的表达与描述等进行系统化和规范化处理，从而保障后续数据分析工作的顺利开展。相关数据关联模型[24]可以参考RO、CREIF、Fedora、EDM、DoDAF等国内外主要数据建模方法，围绕科研人员、科研机构、计划项目、成果产出等数据对象，利用实体识别、语义关联等技术对上述相关数据的系统化处理，按照科技计划管理的特征进行再组织、再揭示，实现多源异构科技计划项目大数据资源体系的基本融合 方法层：基于科技计划管理业务的数据分析方法论本文提出的分析模型中，方法层是衔接数据资源和用户需求的重要枢纽，也是分析问题，解决问题的核心。该模型的方法层构建思路可以归纳为“1+2+3+N”。“1”表示基于科技大数据分析始终围绕“数据”核心展开，数据来源于整个科技计划管理全流程，是分析的基础。“2”表示针对数据的两种特征来构建数据分析的对象、范围和内容：科技大数据静态指标的多维度特征计量分析以及基于动态演化类指标组合分析。“3”表示科技计划项目分析方法论的三个核心要素：对象、维度和指标。“N”表示基于科技大数据的分析可面向用户需求提供N种应用模式。以数据为核心的分析方法论如图3所示。图3 科技计划项目大数据分析方法3.2.1 对象 从“数据”出发，可通过拆分、整合、关联、标引等过程解构数据内容，结合科技计划管理特征和需求，形成分析对象集合。科技计划项目大数据的分析对象应从科技计划管理的指南发布、项目申报、项目评审、项目立项、过程管理、项目验收等全流程各环节获取，可以从各类文本中提取对象，包括项目涉及的文档、报告、文件(含论文、专利等各种产出的文本以及任务书、合同、文档等)等。在数据分析中可以包含的对象为：①活动主体类对象，如项目承担人、承担团队、承担机构、评审专家、管理人员等；②业务类对象，包括科技计划项目涉及的政策、指南、经费、公告等；③技术类对象，包括技术内容、指标、标准等 维度 针对科技计划项目数据的基本状况，可以从不同分析对象出发，开展频度、规模、比例、均值、极值等基本维度的分析，形成科技计划布局规划、实施情况、执行效果概览。同时还可以根据具体需求对不同分析对象进行多维解析和计量。例如针对用户需求开展时间、空间、领域等“维度”的计量与分析。在时间维度，可以分析科技计划项目、项目承担机构、项目承担人等活动主体类对象在某时间段内项目承担与执行情况发展趋势与变化；在空间维度，可以结合地理位置信息生成不同地理区域科技计划项目中参与情况，从宏观层次客观分析全球、国家、地区等层面科技资源配置状况；在领域与主题维度，可采用演化博弈模型、隐含狄利克雷分布(LDA)等主题演化模型[25-26]发现领域研究主题演化趋势、项目协作演化趋势以及资助学科主题演化分析等。通过这些不同维度的交叉分析，可以清晰展现科技计划项目管理与实施中的主题演化、热点变迁、区域特征、分布规律等，产生丰富的分析结果。图4为科技计划项目大数据的主要分析维度与内容。图4 科技计划项目大数据分析维度与内容3.2.3 指标 在多维度分析开展的过程中，分析的内容必须能够体现科技计划管理的业务场景的具体需求，因此要构建各类评价/评估指标集合。例如，规模类指标可以从宏观整体方向对各类计划项目的概貌、趋势做出描述；绩效类指标可以结合科技计划过程和产出状况综合考量，为科技计划管理与绩效评估提供参考依据；对比性指标，可以提供项目承担主体(承担机构、承担人员等)在不同时期、不同区域参与各类科技计划项目过程中的多种特征对比；关联性指标可以基于科技项目构建的人员、项目、机构、国家、数据、资源的网络分析形成，能够对科技计划项目实施中的合作协同密度、频率、分布等特点进行分析，帮助发现科技合作主干网络、主干节点，揭示国内/国际科技合作活动的热点与趋势等。各类分析指标均可以动态组合，形成复合分析结果或指数化结果，用来辅助科技项目规划、过程精细管理、绩效评估评价等 应用层：面向多用户需求的数据服务与应用场景应用是分析的落脚点，也是分析的驱动要素。通过应用可以对分析对象、过程和指标等的科学性与规范性进行反馈。本文以科技计划项目管理为应用场景，针对科技管理者、科研人员、科研机构等主要用户，形成几种典型的应用支撑场?管理性应用：科技计划项目的整体情况与绩效分析 主要针对科技计划项目管理者应用场景，通过数据分析了解不同维度科技计划项目的总体情况、趋势、问题、成效等，形成分析年报并供科技管理与决策使用。对于从科技计划管理流程出发，在不同阶段产生的数据之间可以进行关联分析，例如项目申报数据、立项数据与基金资助的科研产出数据(年度报告和验收报告中的论文、专利、软件著作、人才培养、科研奖励等信息)进行关联分析，可以对不同国家、区域、机构以及领域中科技计划项目的产出和影响力进行对比，还可以结合科研经费投入、R&D数据、国民经济发展数据等进行创新驱动发展的各项综合分析评价 经济性应用：科技投入与资源配置分析 科技活动必须面向国民经济主战场，在科技投入产出效率以及科技影响力方面的经济性分析是重要的应用服务场景之一。科技计划项目在执行过程中会涉及各类经费预算信息，如R&D投入、中央财政预算资金、项目自筹资金等，这些可以作为科技项目的投入。项目在执行过程中通过技术转移和成果转化的形式会产生相应的经济效益，同时产生相应的社会效益，这些可以作为科技项目的产出。利用这些数据可以对科技计划投入/产出进行各类分析，从经济效益的角度衡量科技计划项目的执行效果和科学研究的转化成果，优化未来的科技项目资金投入方向与配比形式。另外，可以通过科技计划项目实施所带来的科学仪器共享利用、科研机构、科研人员的合作交流，科研学术活动有效开展、人才培养等对各类投入要素的影响力进行间接评估和分析，优化科技贡献的测度方法 社会性应用：科技合作网络的构建与分析1)项目合作网络分析。大数据时代科技合作形式更加多样化，通过科技计划项目实施过程中科技人员、科研团队和科研机构相互合作形成的协同与合作网络是具体表现形式。可以通过社会网络理论方法构建科技计划项目相关人员、课题、机构、产出的合作网络，分析其网络节点、度、中介系数、中心性等拓扑特征，结合地理信息空间分析方法，揭示科技计划项目协同合作的地域与空间特性，例如通过网络节点的地理邻近性、认知邻近性、组织邻近性、制度邻近性、社会邻近性[27]等分析和预测科技活动与知识流动的国际态势。2)多重网络叠加分析。在科技计划项目各类实体网络分析基础上，还可以通过与各类实体网络叠加分析形成新的结论，利用同领域、同地区、同时间内论文、专利、机构、人员合作网络的重叠分析发现各类科技合作方式之间的关联。例如通过分析科技计划项目的共同资助同一科研人员、同一科研机构、同一科研团队等构建多层次的科技合作网络，并进行关联分析，从而绘制各类对象的交叉合作图谱，深层次多角度解析科技合作的社会关系，发现科技合作的新特征与新趋势 技术性应用：研究与资助主题演化和技术前瞻 科技情报分析的重要应用之一即是预测学科领域研究前沿和科技发展趋势，对新形势下国际科技竞争环境具有重要现实意义。通过数据挖掘、文本探测与语义分析、自然语言处理等技术对科技项目大数据资源涉及的技术内容类对象进行信息提取，利用基于统计的主成分分析、因子分析、聚类分析等方法生成语义集群，对科技项目的主题词进行分析等，形成“卡脖子”技术等重点领域研发资助的演化路径和变化趋势，帮助预测未来研究和基金资助的热点方向，还可以生成具备前瞻性的技术预测报告，支持科技管理部门和科研人员围绕技术前沿开展科技计划项目研究和投入布局。4 结束语大数据时代拓展了科技情报的数据来源，也带来了科技情报分析的内容方法、思路模式等的全面转变。随着科技计划管理改革的推进，科技计划管理与决策模式向着智能化、精细化、计算化、多元化的方向发展，急需建立针对科技计划项目大数据分析模型与方法论的指导。本文对大数据环境下科技情报分析理论与方法转变和进展进行了分析，在此基础上针对科技计划项目管理全流程及用户需求，构建了科技计划项目大数据分析模型与方法论，提出可能的应用场景和服务方式，对如何利用科技管理大数据支撑科技计划管理和决策提供参考。□参考文献[1] 关于深化中央财政科技计划(专项、基金等)管理改革的方案[EB/OL].(2014-12-03)[2] 曾建勋.基于国家科技管理平台的科技情报事业发展思考[J].情报学报,2019,38(3):227-238.[3] 戴国强.国家科技管理信息系统建设专题序言[J].情报学报,2016，35(9):899-899.[4] 张家年,马费成.立足情报服务,借力工程思维:大数据时代情报工程学的理论构建[J].情报学报,2016,35(1):4-11.[5] 王飞跃.知识产生方式和科技决策支撑的重大变革——面向大数据和开源信息的科技态势解析与决策服务[J].中国科学院院刊,2012,27(5):527-537.[6] 马费成,张瑞,李志元.大数据对情报学研究的影响[J].图书情报知识,2018(5):4-9.[7] 苏新宁.大数据时代情报学与情报工作的回归[J].情报学报,2017,36(4):331-337.[8] 夏立新,陈燕方.大数据时代情报危机的发展演变及其应对策略研究[J].情报学报,2016,35(1):12-20.[9] 李品,杨建林.基于大数据思维的情报学科发展道路探究[J].情报学报,2019,38(3):239-248.[10] 王曰芬,邹本涛,宋小康.大数据驱动下情报研究知识库及其体系架构设计[J].情报理论与实践,2019,42(1):28-33.[11] 化柏林,李广建.面向情报流程的情报方法体系构建[J].情报学报,2016,35(2):177-188.[12] 刘强,陈云伟,张志强.用于科技评价的挪威模型方法与应用综述[J].数据分析与知识发现,2019,3(5):41-50.[13] SIVERTSEN G.A performance indicator based on complete data for the scientific publication output at research institutions[J].ISSI Newsletter，2010，6(1)：22-28.[14] 马海群,张斌.我国情报学研究中的模型问题分析[J].情报探索,2019(6):1-6.[15] 叶鹰，武夷山.情报学基础教程[M].2版.北京：科学技术出版社：2018.[16] 关鹏，王曰芬.基于LDA主题模型和生命周期理论的科学文献主题挖掘[J].情报学报，2015，34(3)：286-299.[17] 徐路路,王效岳,白如江.一种基于TDT模型的基金项目科学研究前沿识别方法研究[J].情报理论与实践,2018,41(8):72-78.[18] SHAPIRA P，WANG J.Follow the money[J].Nature，2010，468(7324):627.[19] ZHAO S X，TAN A M，SHUANG Y，et the research funding in physics:the perspective of production and collaboration at institution level[J].Physica A:Statistical Mechanics and its Applications，2018，508:662-674.[20] GY?RFFY B，MAGDA N A，PéTER H，et influencing the scientific performance of Momentum grant holders:an evaluation of the first 117 research groups[J].Scientometrics，2018，117(1):409-426.[21] 梁伟波.美国NSF资助物流项目的知识图谱分析[J].情报杂志，2016，35(10):114-119.[22] 赵蓉英,王旭.近五年国际情报学研究态势[J].图书馆论坛,2018,38(12):150-158.[23] GRASSANO N，ROTOLO D，HUTTON J，et data from publication acknowledgments:coverage，uses，and limitations [J].Journal of the Association for Information Science and Technology，2017，68(4):999-1017.[24] 马雨萌,祝忠明.数字对象语义关联组织的典型模型研究[J].现代图书情报技术,2013(1):1-7.[25] 刘自强，王效岳，白如江.多维主题演化分析模型构建与实证研究[J].情报理论与实践,2017,40(3):92-98.[26] 朱茂然,王奕磊,高松,等.基于LDA模型的主题演化分析:以情报学文献为例[J].北京工业大学学报,2018,44(7):1047-1053.[27] BOSCHMA R and innovation:a critical assessment[J].Regional Studies，2005，39(1):61-74.

文章来源：《地质科技通报》 网址: http://www.dzkjqbzz.cn/qikandaodu/2021/0121/526.html

上一篇：企业创新驱动下的科技情报服务模式研究①
下一篇：中国能源化学地质工会四届三次全委会议在京召