（本文发表于《情报理论与实践》2025年第12期P158-167）

摘要：目的/意义 为了突破传统文献计量方法的局限，为科学突破性创新论文的早期识别提供理论支持和方法论指导。 方法/过程 基于粗糙集方法中的信息表达系统和多样性测度理论，构建多指标特征视角下的科学突破性创新识别模型，并结合机器学习分类器进行识别。 结果/结论 以2000—2024年的“Science”年度突破数据为实证，验证识别模型的有效性，结果表明随机森林模型的识别准确率为0.9105、精确率为0.8624、召回率为0.9792、F1值为0.9171。 创新/局限 基于粗糙集工具和多样性理论，为科学突破性创新的早期识别提供自适应的测度方案，但仅测度了论文的作者、机构、基金、学科和参考文献等外部特征，未能深入内容特征层面。

链接： http://www.itapress.cn/CN/10.16353/j.cnki.1000-7490.2025.12.016 

转载本文请联系原作者获取授权，同时请注明本文来自刘桂锋科学网博客。

链接地址：https://wap.sciencenet.cn/blog-39723-1514594.html?mobile=1

收藏

分享