算法构建的出版物级研究论文分类的粒度：学科专业的识别
数字图书馆
2019-09-02 v1
摘要
在这项工作中，我们基于并使用了早先一项关于算法构建的出版物级分类（ACPLC）中主题识别研究的结果，探讨了如何算法地获得一个由主题（含文章）构成的分类，其中分类的类对应于学科专业。我们提出的方法类似于早先研究中使用的方法，利用期刊及其文章构建基线分类。我们方法的基本假设是，特定规模与聚焦范围的期刊其涵盖面对应于学科专业。通过度量（1）基线分类与（2）由主题聚类并使用不同分辨率参数值获得的多个分类之间的相似性，我们确定了一个表现最佳的 ACPLC。在两个案例研究中，我们能够识别所涉学科专业的主题焦点，且这些学科专业的主题焦点相对易于区分。此外，关于表现最佳 ACPLC 的类大小差异适中，仅很小比例的论文属于极小的类。基于这些原因，我们得出结论：所提方法适于确定 ACPLC 的学科专业粒度层级。
引用
@article{arxiv.1901.05273,
title = {Granularity of algorithmically constructed publication-level classifications of research publications: Identification of specialties},
author = {Peter Sjögårde and Per Ahlgren},
journal= {arXiv preprint arXiv:1901.05273},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1801.02466