当期荐读 2020年第1期 | 情报学领域人工智能相关研究的文献计量分析及探析

Photo by Joseph Barrientos on Unsplash.  

王林旭 严承希

(北京大学信息管理系,北京,100871)

[摘要]

[目的/意义]作为一门与信息技术密切关联的学科，近年来快速发展的人工智能为情报学带来了诸多影响。有效梳理和整合这些影响的发展脉络与应用场景，强化人工智能在当前情报工作中的角色与作用，能为情报学相关研究的发展提供一定的参考与启示。[研究设计/方法]聚焦情报学领域人工智能相关研究，从高被引论文、文献共引、主题词共现三个维度对人工智能在情报学中的知识基础及其演化和研究热点予以分析与解读。[结论/发现]归纳了人工智能研究对情报学的影响，主要包括促进情报学研究主题的衍生和情报学研究方法的革新两方面，并从理论创新、研究对象拓展、信息服务提升与学科建设四个方面探讨人工智能在情报学领域可能的应用。[创新/价值]通过对情报学领域人工智能相关研究进行深入量化分析和定性研究，探讨和揭示了该主题下研究热点、研究趋势和相关发展规律，为相关领域学者提供一定借鉴与启发。

[关键词]

人工智能 情报学 发展趋势 机器学习 Citespace

1

引言

近年来，随着大数据和信息技术的发展,以人工智能为核心的科技革命在不同的行业领域均取得瞩目成就,例如IBM公司的大数据医疗服务Watson Health、蚂蚁金服的金融图谱以及各类物联网平台等。2017年国务院出台的《关于印发新一代人工智能发展规划的通知》［1］中明确指出了“抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势”。有关人工智能的讨论最早可以追溯到1956年达特茅斯峰会［2］，随后越来越多的跨学科领域的理论成果与技术方法不断拓展人工智能领域的外延，使人工智能不仅仅只以计算和信息科学为核心框架，而且成为了包含神经科学、自动化控制理论、生物与模拟科学、语言科学等学科理论，并支持逻辑推理、贝叶斯模型、Agent决策以及深度学习等技术方法的新型学科体系。由此可见，无论在国家政策、行业应用还是学术科研层面，人工智能已经成为当今社会发展中一股不可忽视的力量。

作为一门原本就与计算机科学交流密切的学科［3］，情报学在大数据环境和人工智能技术支持下，被赋予了新的发展契机。随着“数据”量的蓬勃增长与科学研究“第四范式”时代的来临，“数据”成为科学研究、科学发展的战略与战术资源［4］。同时，网络技术与计算机技术的发展使得全样本数据的获取成为了可能，情报学的研究范围与视野由此逐渐拓宽，通过对海量碎片化和异构化数据的集成与分析，可以支持智能应用与知识服务。人工智能在技术上借助机器学习和神经网络等智能算法对数据进行多维度、多层次的特征抽取，并不断进行强化与迭代学习，高效地挖掘和提炼数据蕴含的知识集和元知识系统；在方法上不断拓展已有的情报学研究方法体系，通过知识融合和学科交叉催生新的大数据情报智能分析与决策方法。随着情报学研究与服务的应用场景不断更新，传统技术瓶颈被打破，以工程化的研究模式组织完成情报分析的全过程方式成为了新的解决方案［5］。

本文采用文献计量的方法分析和阐释人工智能在情报学领域中的发展脉络和热点现状，并结合内容分析对人工智能在情报学领域中的应用前景进行了讨论与探究。本文不仅有效梳理和整合了人工智能在情报学领域中发展与应用的具体状况，强化人工智能在当前情报工作中的角色与作用，而且为情报学相关研究的发展提供了一定的参考与启示。

2

相关研究

1991年苏联情报学家弗拉基米尔在苏联专刊《信息摘要》中讨论情报学与其他相关学科与技术的关系：按照学科共同要素的内容分析来看，情报学（科技情报）处于图书馆与目录学一方和计算机与人工智能一方的核心中介位置，与人工智能和计算机存在天然的近亲关系［6］。这是早期一项较为重要的有关人工智能与情报学关系界定的研究。随着人工智能与大数据的蓬勃发展，智能化技术在情报学领域前沿研究占据越来越重要的地位。部分学者从ARIST与《情报学进展》载文内容出发讨论了情报学的研究动态与进程，归纳分析出情报信息技术正逐步向可视化和智能化发展的趋势，其中人工智能与人机交互的相关研究体现了智能化技术的发展脉络，例如认知理论在其发展中的影响［7］。更为重要的是在未来web4.0时代下，全球互联网络的共生性、大规模性、同步性和智慧性将越发显著，人工智能将作为核心技术成为智慧化网络与服务的主要动力，并助力情报学，加快技术、学科、服务三体系的融合［8］。还有部分学者从学科领域角度出发，认为情报学方法属于不确定性科学方法论，而人工智能的工具正是解决不确实性问题的重要基础，因此是有效地提高情报分析能力的重要手段［9］。然而上述论证仍停留在概念讨论和要素比对等定性归纳的范畴，更为深入的层次化内涵未得以剖析，其他代表性文献如表1所示。

基于此，本研究采用高被引文献内容分析、基于转折点的文献知识结构演化分析和热点聚类时序图谱分析三种方式，结合相关领域知识对分析结果进行解读。与以往的研究相比，本研究具有三个方面的参考价值：

（1）本研究使用量化分析与质性分析相结合方法，讨论了情报学学科中人工智能研究发展演化情况，为理解大数据时代下如何使用人工智能技术与方法不断深化情报分析与管理工作提供了一定的参考。

（2）本研究使用文献计量分析的方法着眼整个情报学领域发展，而不只考虑某个具体技术层面或者应用层面的内容。

（3）特别地，与余厚强等研究人员的研究不同，本研究基于1999—2018年近20年的国内外文献数据集分别进行不同层面的比较与分析，充分考虑了调研文本集跨越时间长短与时效性因素，以便发现中外图情学界在人工智能相关研究上的研究主题与侧重点的不同，这将为我国情报学学者下一步如何进行智能化情报分析与管理决策提供更具有参考和依据性的意见。

因此，本文突出贡献在于基于定性和定量相结合的方法对情报学全领域下的人工智能相关研究进行深入分析，通过采集近20年的文献资源，将技术、应用、概念、要素等层面的内容映射到知识地图中，以便基于可视化技术更友好地展现该主题的图谱热点、趋势和相关发展规律，归纳总结人工智能在情报学领域研究发展的各方面内容，为相关领域学者提供一定借鉴与启发。

3

数据来源与研究方法

本文以情报学领域中人工智能相关研究的期刊论文为对象，从高被引文献内容、文献共引、主题词共现三个层面对情报学领域人工智能相关研究的发展脉络和研究热点进行分析，揭示情报学与人工智能交叉研究对情报学学科产生的影响，并探讨人工智能在情报学领域中的发展趋势。选择Web of Science核心合集中的SSCI（Social Sciences Citation Index）数据库与中国知网（CNKI）的CSSCI（Chinese Social Sciences Citation Index）数据库为来源数据库进行检索，时间限定为1999—2018年，检索时间为2019年1月5日，中英文检索主题词均来自于《中国人工智能发展报告（2018）》［15］。在SSCI数据库中，本研究限定文献类型为Article，最后的检索策略是：选择了SSCI数据库中的INFORMATIONSCIENCELIBRARYSCIENCE类别，以“Artificial-Intelligence”、“Machine Learn*”、“Natural-Language-Process*”、“Semantic-Web”、“Text-Analysis”、“Deep-Learn*”作为主题词，并排除了主题词“library”进行检索。在CSSCI数据库中选择了文献分类目录中的“情报学、情报工作”，并以“人工智能”、“机器学习”、“深度学习”、“自然语言处理”、“文本处理”、“语义网”、“人机交互”作为主题词进行检索。最终得到SSCI论文1181篇，CSSCI论文292篇。

4

情报学领域人工智能相关研究的发展脉络分析

通过统计分析（图1）发现，1999年SSCI中就已经出现一定数量的相关研究，例如1999年Wise基于“生态学”方法提出了“文本可视化”的方法［16］，Friedman等［17］利用自然语言和可标记扩展语言（XML）处理患者医疗报告。此后，越来越多的研究开始采用人工智能的理念和方法，并在2010年后迎来了第一个研究高潮，随即相关研究论文数量出现短暂下降后持续增加。在国内，1999年只有4篇论文，其中何骥等［18］基于自然语言处理技术探讨了检索客户端的处理技术，另外的3篇论文［19-21］均是探讨在情报学应用领域采用人工智能方法的设想。此后，情报学领域逐步涉及人工智能相关研究，发文数量缓慢上升并趋于稳定，并于2017年有了明显提高。总体而言，国外情报学领域关于人工智能的研究明显早于国内，研究数量呈现持续增长态势，研究成果也较为丰富，国内相关研究数量近两年出现大幅增长，但较国外而言，仍处于起步阶段。

4.1

基于内容的高被引论文探析

高被引论文具有较高的学术参考价值和学术引领作用，一般会得到该领域研究者的有效利用［22］。本研究通过对SSCI和CSSCI数据库中情报学领域人工智能相关研究的高被引论文进行统计，得出被引频次前五名的论文；并依据研究方式将论文分为了描述型论文、综述型论文和方法型论文，如表2、3所示。SSCI中高被引论文多以方法型论文为主，常以用户网络日志和电子病历等数据为研究对象，采用实体识别、自动分类等自然语言处理技术探讨更为有效的文本处理框架与方法。Thelwall等利用机器学习对用户非正式情感文本表达的情感进行预测的一系列研究被广泛引用，例如基于短文本的语法和拼写样式进行文本情感强度判断、在六个不同的社交网络数据集中进行了情感判断算法的比对与改进，这在一定程度上体现出了自然语言处理在文本处理中的优势及其在情报学领域受到了格外重视。

相比较而言，CSSCI中高被引论文发表时间较早、研究内容较分散。国内情报学领域被引频次最高的前五篇论文类型虽均为描述型论文，但涵盖内容广泛，包括语义网、信息检索、数据挖掘、信息服务、用户体验、自然语言处理等。在表3所示的5篇论文中，李蕾、邓胜利的研究以模型构建为目的，均未在文章中对其构建的信息检索模型或信息服务模型进行验证，故也将其归类为描述型论文。

从高被引论文内容看，国外主要利用人工智能方法拓展情报学学科应用场景，例如采用实体识别、自动分类等自然语言处理技术对医疗文本和社交媒体短文本进行加工、处理。国内情报学领域除自然语言处理技术外还关注语义网的研究，但此类研究多为概念梳理与探讨、方法述评以及应用展望。此外，国外的高被引论文发表年限明显晚于国内高被引论文。结合二者可以发现，国外情报学领域中人工智能研究发展迅速，方法、技术与应用场景不断迭新，而相对来说，国内情报学领域对于人工智能的研究还处于起步摸索阶段，多关注方法论的探讨。

4.2

基于文献共引的知识结构与演化分析

将科学研究论文中的引用表示为共引用网络，其中连接两个以上不同聚类，且中心度和被引频次相对较高的节点可能成为网络中一个时段向另一个时段过渡的关键点［33］。在Citespace中，使用中介中心度（betweenness）衡量节点在网络图谱中的连接作用，中心度大的节点文献，即知识“转折点”（Pivot node），一定程度上可以代表该知识领域的核心理论。此外，通过对引用爆发（Citation burst）的探测可以明确引用爆发强度和引用爆发状态的持续时间。为调和中介中心度和引用爆发性，Citespace使用Sigma参数进行综合评价，Sigma值越高，该节点文献在中介中心度和引用爆发性上的表现越好［34］，计算公式如下。

利用Citespace得到文献共引网络如图2、3所示，并提取出Sigma较高的5篇关键节点文献如表4、5所示。通过对国外情报学领域人工智能相关论文进行文献共被引分析（图2）发现其参考文献具有图2SSCI中情报学领域人工智能相关论文共引分析明显的共现趋势，即同一时间段内存在较多文献共引行为。其中，Sigma值较高的5篇文献（表4）均发布了开源的框架或数据集接口，不仅一定程度上突破了自然语言处理的技术难点，也解决了实际应用问题。Witten等人2005年发布了集合了大量机器学习算法的数据挖掘工作平台——Weka，该平台至今仍是最完备的数据挖掘工具之一；Zeng等人与Savova等人分别通过开发文本提取工具处理医学信息文本并分析相关疾病，在一定程度上均解决了自然语言处理应用的实际难题；Zheng等人利用实体识别技术解决身份追踪问题；Fellbaum等人早在1998年对WordNet的设计及其应用进行了探讨，该成果至今仍是计算语言学、文本分析等领域最重要的资源之一。综上所处，国外相关研究的重要知识基础是以实体识别为代表的自然语言处理技术，且多关注解决实际问题的系统开发与评价工作。此外，开源工具和数据集也在很大程度上促进了情报学领域运用人工智能的方法进行相关研究。

对CSSCI相关研究的论文进行文献共被引分析后发现，由于数据量较少，其节点文献在中介中心性和引用爆发性上均表现不佳，但聚类效果的轮廓系数为0.64（meanSilhouette=0.64>0.5），可以认为该聚类较为合理［40］。聚类效果如图3所示，共得到语义网、深度学习、图书馆、自然语言处理和智能服务5个类簇，各类簇下的高频共被引文献如表5所示。与国外相比，国内情报学领域的共引文献多为近5年的文献，且多是对研究现状与前沿的分析。此外，CSSCI文献共引网络较为分散，也从侧面反映出该主题是一个新兴的研究领域。

对CSSCI相关研究的论文进行文献共被引分析后发现，由于数据量较少，其节点文献在中介中心性和引用爆发性上均表现不佳，但聚类效果的轮廓系数为0.64（meanSilhouette=0.64>0.5），可以认为该聚类较为合理［40］。聚类效果如图3所示，共得到语义网、深度学习、图书馆、自然语言处理和智能服务5个类簇，各类簇下的高频共被引文献如表5所示。与国外相比，国内情报学领域的共引文献多为近5年的文献，且多是对研究现状与前沿的分析。此外，CSSCI文献共引网络较为分散，也从侧面反映出该主题是一个新兴的研究领域。

通过分析发现，国内外情报学领域人工智能相关研究的研究基础均是以各类机器学习算法为代表的自然语言处理技术。国外相关研究多基于现有的、发展较为成熟的数据分析与知识发现工具或面向语义计算任务的相关数据集，而国内研究则多为语义网、深度学习等热门主题的研究现状综述。上述差异反映了国内外相关研究发展进程的不同，也体现了促进相关研究发展的充分条件，即成熟的分析工具平台与便于模型训练且易于获取的数据集。

4.3

基于主题词共现的研究热点与前沿分析

关键词表达了论文的研究主题，是论文内容的核心表达，因此可通过某一领域文献的高频关键词共现网络分析主题分布。由图4、图5可知，SSCI中关键词数量明显多于CSSCI中的关键词数量，主要原因是SSCI中的论文数量较多、研究主题较为多元。

对SSCI论文进行词频统计与聚类，得到12类研究主题，如表6所示。其中，“疾病（#1）”类的研究多是基于医学信息的文本挖掘与知识发现，例如基于电子病历的实体识别、基于药物记录的知识发现等，即基于信息组织的应用创新。此外，出现了人工智能环境下信息安全与伦理问题的讨论，出现了“信息伦理（#5）”的相关研究。同时，在以语义计算为代表的文本挖掘（#0，#3，#6，#10）方面，涉及人工智能的相关研究衍生话题众多、应用空间广阔。结合主题词共现时区图（图4-A），可将研究主题划分为三个阶段：①1999—2006年，应用人工智能的情报学研究着重于基于语义网和自然语言处理的信息检索、信息组织；②2006—2012年，涉及人工智能的相关研究引入了如word2vec等特征表达方法，以便能够更好地使用深度学习算法实现自动分类等任务；③2013年至今，随着自然语言处理领域内突破性进展的出现，基于大规模语料的相关研究开始进入了情报学研究领域范围，不仅推动了语义计算在情报学领域中的应用，也促进了与关联数据、评价指标等相关研究的推进。

同样对CSSCI相关论文进行主题词聚类后得到6类研究，如表7所示。其中，“研究热点（#0）”类主题词直接反应出国内情报学与人工智能的交叉研究不仅是当下的热点，还是前沿趋势，其中知识图谱、词向量、关联数据、可视化等主题最为突出。此外，国内情报学领域出现了数字人文（#3）研究和数据科学（#5）研究2类十分独特的研究主题。通过主题词共现时区图（图5-A）可将国内相关研究分为两个阶段：①1999年—2013年，关注信息组织、信息检索方法上的革新；②2014年至今，大数据、可视化、数字人文等主题成为了情报学研究的重要主题，同时也是情报学领域基于人工智能方法的学科拓展。与国外相比，国内多探讨人工智能对传统情报学研究方法的革新以及带来的可能性，更关注研究范式的可行性评价，由此也促进了数字人文、知识图谱等研究主题的发展。

4.4

人工智能在情报学领域中的影响探析

（1）促进情报学研究主题的衍生

从时间分布结果可知，国内外情报学领域人工智能相关研究的数量逐年持续上升，其中国外近十年来相关研究急剧增多，国内相关研究数量较少，但在近三年中也表现出了明显增加的趋势。研究数量的持续上升一方面说明了人工智能在解决情报学研究重点、难点过程中确切发挥了更为高效的作用，另一方面也说明了其在情报学领域中仍然有着广阔的发挥空间。

从主题词共现结果分析可知，国内情报学领域关于人工智能的研究主题较多元，探讨话题不仅有信息检索、知识组织等传统情报学研究内容，还涉及到了诸如知识图谱、数字人文等交叉学科话题；但此类交叉学科研究数量较少，其中使用本体和可视化方法进行知识组织的研究相对常见。国外情报学领域在应用人工智能的研究方面较之国内更为深入，多基于自然语言处理技术开展语义计算、自动分类等数据挖掘与知识发现研究，此外社交媒体、信息服务、关联数据等研究均受到了广泛的关注，不仅拓展了以科技文献为主要研究对象的情报学研究范畴，也切实为网络环境下的信息组织、信息检索、信息服务等应用提供了具体的解决方案。

可以见得，人工智能为情报学研究扩宽了研究范围，使情报学研究主题更加的丰富。遵循这一思路，国内情报学学者无论是在人工智能的应用或人工智能的发展方面都应更加关注多领域融合视角下的研究，进而促进情报学学科的发展。

（2）推动情报学研究方法的革新

情报学研究方法传承于社会学研究方法，受到了传统科学模式三要素——理论、操作化、观察的影响［46］，演绎与归纳成为了重要的研究范式。作为一门研究信息的获取、序化、加工、传递、开发与激活的科学［47］，情报学与信息技术关系密切。一方面，其研究方法趋向于实验法、描述统计法、调查研究法和知识图谱法（Knowledge Maps）；另一方面，复杂网络分析和机器学习方法也被情报学学者广泛采用［48］，人工智能作为一种更加适用于大数据时代的方法进入了情报学领域。

通过研究主题分布发现，国外学者将人工智能方法引入情报学领域以解决海量文本的情感计算等传统情报学方法难以有效处理的问题，国内学者近几年也在探究支持向量机、条件随机场、隐马尔科夫模型等机器学习方法在情报学领域的适用性，不仅对现有方法进行了梳理，还对人工智能的应用场景进行了展望。随着情报学领域人工智能相关研究的增多，其相关方法将对情报学学科研究对象、方法和流程产生一定的影响，其中以对情报学研究方法的影响最为明显，并将进一步促进情报学学科体系的进一步成长、发展、变革、转型以及与相关学科群的整合。

5

情报学领域人工智能相关研究的意义与展望

大数据的4V特征［49］不断挑战着传统情报学研究理念、方法、模式与技术，也为一系列交叉与衍生理念和学科的孕育和发展提供了条件。中国科学技术信息研究所由此探讨出了一种综合集成“事实数据+工具方法+专家智慧”的科技情报研究模式［50］。近20年来，人工智能技术的飞速发展正是“工具方法”的突破性进步，由点及面，人工智能对情报学学科的影响也愈加深远。以下将探讨人工智能在情报学领域的重要意义与可能带来的影响。

（1）人工智能实践应用推动情报学理论创新

信息技术向来不是渐进式发展，而是颠覆性、跳跃性地前进［51］。因此，虽有理论优先于实践以指导其探索；也有实践反推理论的创新，以促进实践的再发展与持续创新。由上文部分探讨可以发现国外情报学领域涉及人工智能的研究范围较广、数量较多、方法技术较成熟，但其研究也不再局限于情报学研究范式，而是日渐趋向于人工智能与计算机科学领域。国内情报学领域应用人工智能的研究处于初步发展阶段，应把握机遇，拓展情报学学科体系以适应新的研究对象与方法，特别是机器学习应用研究的发展。贺德方研究员提出了“情报工程学”的概念，目的在于应对大数据时代对情报服务和决策支持的挑战［50］。“情报工程学”不仅是大数据环境下技术、服务与需求多方作用的结果，也是情报学研究范式的又一阶段。人工智能作用于情报学的着力点是方法创新与实践应用，在方法论变革与实践应用过程中会促进学科思考与探索，情报学学科理论也将得以丰富与发展。

（2）人工智能促进情报学研究对象范围进一步拓展

一直以来，情报学研究对象多以论文、专利、图书等为载体的文献数据，大数据时代下物联网、社交网络中用户活动产生的社会化数据激增，情报学研究对象范围也因此拓展［52］。但研究对象种类的增加，并不意味着传统情报学研究的没落，相反以自然语言处理为代表的人工智能技术对各类文本加工和处理方法赋予了多角度、多层面的可能。具体可以包括：①构建领域化词汇或术语资源集合，并通过自动分词、词性标记、实体识别等技术对文本知识进行组织；②从词汇、实体、句子、段落和篇章层面进行语法、语用以及语义分析,从而挖掘显性或隐性知识，以构建知识库或知识本体；③采用数据可视化等技术，以更加细小的颗粒度向用户呈现文本内容与关联知识。

（3）人工智能提升信息服务质量以满足用户多元化需求

人工智能的普及使用户对基于大数据的服务有更高、更多元的期望，情报产品需要包含面向用户的解决方案级的知识，即需要采集多种数据分析与表示用户需求。机器学习不仅可以处理大量用户生成的信息，也可深入挖掘用户信息检索和信息利用的行为，以对各种各样的行为进行总结与提炼。但在上述应用中，如何保护用户隐私、如何处理信息伦理问题则成为不可避免的问题。

（4）人工智能为情报学学科建设再添动力

知识体系化的重要表现就是学科的形成，这标志着一种知识范式在理论研究、实践应用、人才培养等方面均具备了自组织和可持续发展的能力［53］。理论体系、基础资源、人才队伍、学术期刊以及学术组织，均在学科建设中发挥着重要作用。具体可以表现为：①将人工智能合理应用到情报学理论体系中，并由此全面论述情报学视角下的人工智能理论。②人工智能相关研究得以开展的必要条件是数据资源的整合与利用，情报基础资源建设在强烈的应用需求下亟待进一步加强，此外资源建设还包括方法工具的创新与实践。③学术期刊承担着学术交流、学术传播等一系列重要作用。目前，Nature期刊下已开设人工智能子刊，为讨论机器智能对科学、社会和产业的影响提供了平台。情报学领域期刊也可通过开辟人工智能专栏等方式促进情报学研究内容的丰富与创新。④学术团体具有共同的学术目标和话语体系，是开展学术研究的重要助力，开设专项委员会能够推动科技情报工作、促进情报学理论研究与应用实践。

6

结语

人工智能作为一门技术科学，为诸多学科和应用都提供了更多的可能，促进了一系列交叉领域的萌芽与发展。通过对此类交叉领域的知识体系进行研究能够快速掌握其发展轨迹，有助于判别研究重点和趋势。

本文通过分析情报学领域人工智能相关的期刊论文研究人工智能在情报学中的知识体系和发展趋势，主要研究结论包括：时间分布上，国外研究明显早于且多于国内，但国内外研究都在持续增加且在近几年快速发展；通过节点性论文和高频关键词共现分析发现，国外情报学领域注重采用人工智能方法解决具体问题，且研究主题与对象越来越广泛，国内情报学领域重视研究方法的革新以及可能性的探讨，并且较为关注研究范式的可行性评价。基于对人工智能在情报学领域中发展脉络的梳理，将其对情报学学科的影响总结为促进了情报学研究主题衍生和推动了情报学研究方法革新两个方面。最后从理论创新、研究对象拓展、信息服务提升与学科建设四个方面探讨人工智能在情报学领域的意义与影响。

本文的研究不足是在中英引文数据库中选择了相同的领域，但SSCI和CSSCI数据库的收录期刊学科专指度可能存在差异，从而导致英文期刊数据量多于中文期刊数据量，可能会对后续结果产生一定影响。但该部分文献数据量较小，对结论的影响也较为有限。未来，将对英文期刊论文进行深层次的解读和分析，进一步充实本研究的结论。

参考文献

*本文原载于《图书情报知识》2020年第1期第53-62页

版权归《图书情报知识》所有，欢迎转发到朋友圈，转载请联系后台。

制版编辑 | 姚志臻

END