细数各种期刊评价指标

作者：PHIL DAVIS丨编译：Lina丨校对：HB

Clarivate（前Thomson Reuters）即将发布期刊引证报告（Journal Citation Report），对一万多本学术期刊的引用情况进行年度总结。尽管期刊引证报告包含众多评价指标，大多数人只关注其中一个——期刊影响因子（Journal Impact Factor）。
影响因子作为学界评估期刊并对期刊进行排名的工具，已有四十余年。近年来，其他基于文献引用的指标被开发出来，或对影响因子进行补充，或与之竞争。
本文旨在对当今主要的文献引用指标进行简要总结，并非全面介绍，也并不打算就哪一个指标最好发表意见。本文意在为评价指标的广大用户提供参考，并不供文献计量学家研究之用。没有哪一个评价指标是完美的，下述内容仅用于突出体现各指标的显著优缺点。
笔者基于各文献引用指标的算法设计对这些指标进行分组：
第一组（比率指标）与影响因子的模型相同，以引用次数除以文献数量。第二组（混合量化指标）根据分等级的文献计算分数。最后一组（共引网络指标）旨在衡量文献在更大的文献引用网络内的影响力。
好的评价指标简化基础数据，结果可靠，基础数据透明，且不易被操纵。最重要的是，好的评价指标与其试图衡量的基础结构有着紧密的理论联系，这些都值得细谈。
任何关于评价指标的讨论都会引起强烈的意见，如评价指标的误用、滥用以及其对社会、文化和政治影响。这些意见很重要，但与评价指标本身却不大相关。
尽管这些讨论是必要的，笔者更希望读者将评论重点放在评价指标本身上：笔者是否遗漏（或错误表述）了重要的评价指标？某一评价指标是否比另一指标在捕捉基本价值结构上的表现更好？使某一评价指标更加可靠、透明，或更不易被操纵的因素是什么？

各种指标

1. 影响因子（Impact Factor）：
由Clarivate（前Thomson Reuters）推出，每年6月发布该指标的计算方式是：某期刊过去2年发表的所有文献在某一年份的总引用次数除以该期刊过去2年发表的论文和综述的总数。
优点：公式简单，有历史数据。缺点：对于大部分期刊而言，2年的出版时间太短；分子中包含对未计入分母的论文的引用。
2. 5年期影响因子（5-yr Impact Factor）：
由Clarivate（前Thomson Reuters）推出，每年6月发布该指标的计算方式与影响因子类似，区别在于以5年期计数：某期刊过去5年发表的所有文献在某一年份的总引用次数除以该期刊过去5年内发表的论文和综述的总数。
优点：文献引用生命周期较长的领域（如社会科学）中的首选指标。
3. CiteScore：
由Elsevier推出，基于Scopus数据，每月更新该指标的计算方式是：某期刊过去3年发表的所有文献在特定年份的总引用次数除以过去3年发表的文献总数。
优点：具有透明性，没有试图按文章类型分类或设限；基于更广泛的Scopus数据集；免费资源。缺点：对发表社论、新闻、信函等前辅文（front matter）的期刊不利。
4. Impact per Publication, IPP：
由莱顿大学排名（CWTS, Leiden University）推出，基于Scopus数据，每年6月发布该指标计算方法与影响因子类似，但以3年出版时间进行计算；仅包括对于论文、会议论文或综述的引用；基于更广泛的Scopus数据集。
优点：观察周期更长；计算次数的引用仅限于计入分母的文献。缺点：与影响因子一样，限定文章类型可能会造成问题。
5 Source-Normalized Impact per Paper, SNIP:
由莱顿大学排名（CWTS, Leiden University）推出，每年6月发布该指标与IPP类似，但评分是标准化的，用以说明不同学科领域的文献引用差异，该指标根据期刊引用的论文划分学科领域。
优点：能够跨领域比较期刊。缺点：标准化的评分使得指标不那么透明。
6. h指数（h-index）：
由理学家Jorge Hirsch提出，众多来源计算个人的h指数值该指标衡量个人的学术成果数量及表现。h代表“高引用次数”（high citations）。一个人的h指数是指在一定期间内该作者发表的论文至少有h篇的被引频次不低于h次。
优点：能够衡量学术表现；不受外部影响（如其他高引用的论文）。缺点：基于学科领域；忽视作者顺序；随着作者的年龄增长、产出率提高而提高；对自引和操纵敏感，这一点在谷歌学术上尤为明显。
7 谷歌学术h5指数（h5）：
由谷歌学术推出，每年6月发布该指标是h指数的变体，仅对近五年发表的论文进行计算。谷歌学术以这一指标对期刊进行比较：某期刊近五年发表的N 篇论文中，有h 篇论文至少被引用了h 次，其余每篇（N-h）论文的被引频次都小于h，此h 值就是该期刊的h5指数。
优点：在这一指标下，新期刊能够与老牌期刊进行比较。缺点：该指标对大刊有偏好。谷歌学术发布h5中位数就是为了增加公平性。
共引网络指标

8 特征因子（Eigenfactor）：
由Clarivate推出，每年6月发布该指标衡量期刊在整个引用网络中的影响力。它基于特征向量中心度计算分数，迭代计算引文加权重要性，这样来自一本期刊的引用就比来自另一本期刊的引用更具有影响力。
优点：该指标能够更加真实地对科研影响进行结构性反映。缺点：计算复杂，难以检验，且其应用于大多数期刊的结果常常与计算更简便的指标（如影响因子）所得出的结果无异。
9 SCImago期刊排名（SCImago Journal Rank, SJR）：
由SCImago 研究团队提出，每年6月发布该指标与Eigenfactor类似，但基Scopus数据库进行计算。其核心概念来自Google 的PageRank 计算法，测量期刊的声望，并且考虑了期刊的选题和声望对其引文价值的影响，赋予高声望期刊的引用以较高的权重。
10.相对引用率（Relative Citation Ratio, RCR）：
由美国国立卫生研究院（National Institutes of Health，NIH）推出这一领域标准化论文引用指标基于NIH 的PubMed数据库，依据有共同引用的相关论文的引用文献划分领域。例如，如果论文B、论文C和论文D共同引用了论文A，论文A的领域则根据论文B、论文C、论文D所引用的文献来划分。
优点：在这一指标下，每篇论文都由其自身的引用网络定义，不依赖于外部的领域划分。缺点：对于跨学科的引用和多学科期刊敏感。RCR在权衡文献引用中列出的期刊时依赖于影响因子。

参考文献：

https://scholarlykitchen.sspnet.org/2017/05/15/citation-performance-indicators-short-introduction/

更多阅读：