全球重要信息计量学家的可视化分析_以作者共被引为视角
21世纪初我国图书馆学研究的领军人物
21世纪初我国图书馆学研究的领军人物任景华【摘要】学科领军人物是学科发展的中坚力量.以共现分析、共被引分析、聚类分析和社会网络分析等方法客观呈现图书馆学者2001-2010年CSSCI的发文情况可以发现,21世纪初我国图书馆学研究的领军人物包括张晓林、马恒通、蒋永福、张智雄、盛小平、肖希明等,他们推动了包括图书馆学理论与图书馆学史、图书馆管理、知识产权法、信息资源管理等9个图书馆学研究领域的长足发展.【期刊名称】《图书馆建设》【年(卷),期】2013(000)012【总页数】6页(P63-68)【关键词】图书馆学;高产作者;高被引作者;社会网络分析;共被引分析【作者】任景华【作者单位】昌吉学院新疆昌吉 831100【正文语种】中文【中图分类】G2501 引言我国图书馆学研究已经有近百年的历史，百年的变迁是由图书馆学研究者造就的，同时也给图书馆人带来了新的机遇和挑战。
21世纪初的图书馆学研究不再仅关注如何组织排架、如何图书分类等方面的内容，而是在电子信息技术、数据存储技术的推动下，开始探索数字图书馆、移动图书馆等新兴研究领域。
哪些图书馆学家在引领这些变化?哪些学者在哪些研究方向上改变了图书馆学研究的格局?这些问题值得一探究竟。
从文献的角度探寻一个学科的领军人物，目前常用的有信息计量学分析方法与社会网络分析法相结合的方法。
事实上，自从社会网络分析法被引入图书情报学领域，就有大批学者针对图书馆学研究者做过分析。
这些研究大致可分为4类：（1）对图书情报学作者的分析，如马瑞敏等分析了图书情报学作者共被引的知识结构[1]，邱均平等构建了图书情报学高影响力作者的评价方法等[2] ；（2）对图书馆学学科的分析中少量分析了作者，如赵蓉英等利用Citespace等可视化工具分析了图书馆学的学科结构和演变趋势，阐述了哪些作者是图书馆学高影响力的作者[3-5] ；（3）对图书馆学部分研究的作者分析，如高国欣等分析了数字图书馆研究领域的作者[6]，杨慕莲等分析了参考咨询服务研究作者的情况[7] ；（4）对图书馆学特定期刊或特定年代发文作者的分析[8-11]。
经典计量经济学建立历史——引文分析可视化的视角
论 ， 出了著名 的序 贯概率 比检 验法 ， 提 并证 明该 方法的最优性 。 统 计决 策理论 和序贯 分析 在计量 经济学 中都 有非 常广泛 的用 处 。萨维奇在 《 统计学 基础》 中提 出了主观概率 的六 条公理 ， 并 且 由此 导出决策论 中常用 的预期效用理论 。 他认 为概率仅仅只 是 由人主观赋 予事件 的数 字 ， 可以从个人对 于不 同行 动的偏好 中推导 出来 。当它们满 足那 六条公理 时 ， 构成 了一个 自恰 的 就 概 率系统 ， 与事件 的客观频率 毫无关系 。这 些无疑是对计 量经 济学 的概率论基础 的发展 。 第 四类 为乘数效应 方面研 究。这是 一种宏观 的经济效应 ， 是 指经济 活动 中某一 变量 的增减所 引起 的经 济总量 变化 的连 锁反 应程度 。它也是一种宏 观经济控 制手段 ， 是指支 出的变化 导致 经济总需求 与其不成 比例的变化 ， 于宏 观经济学研 究范 属 畴， 这一类 研究代表 文献有 ： 珀尔 １ ２ 的《 ９ ４年 人类生 物学研究》 书 、 恩斯 １３ 凯 ９ ０年的著作 《 币论 》 哈维 尔莫 １４ 货 、 ９５年在《 计 量 经济 学》 １ 第 ３卷第 ４期 上 发表 的论 文 《 平衡 预算 的乘数 效 应 》 克 莱 因 １４ 、 ９ ６年 《 量经 济学 》 １ 计 第 ４卷第 ２期上 发表 的论
（ ） 视 化 结 果 分 析 二 可
经过数据处理后得到一系列视 图： 聚类 视图图 １时 间线 视 、 图图 ２和时间 区域视 图图 ３ 。
、
数 据来 源 和研 究方 法
一
（ ） 据来 源 一 数
本文选择 国际计量经 济学 领域 的专 门杂志 ，Ｅｏｏ ｅｉ ＞ （ ｃｎｍ ｔｃ＞ （ ｒａ （计量经济学 》 为研 究对象。它 １ ３ 《 ） ９ ２年的创刊 ， 旨就是出版 主 有关计量经 济学的文章 ， 促进 旨在解 决经济问题 的理论量化 与 经验量化方 法结合在一起 的研 究 ， 它是计 量经济学工作 的信 息
【国家社会科学基金】_信息计量学_基金支持热词逐年推荐_【万方软件创新助手】_20140804
信息获取能力 信息吸收能力 作者 人口学 主题分析 中介中心性 专家遴选 专家评价 zipf-pareto分布
1 1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
2011年 科研热词 推荐指数 序号 共被引分析 2 1 citespace 2 2 链接动机 1 3 评价信息 1 4 网络链接分析 1 5 网络影响因子 1 6 网络信息资源评价 1 7 网络信息计量学 1 8 经济计量学 1 9 科学计量学 1 10 科学知识图谱 1 11 社会网络分析 1 12 研究前沿 1 13 模糊偏好 1 14 核心期刊 1 15 文献计量学 citespace ii 知识图谱 1 研究前沿 研究热点 16 成果查新 1 17 引文分析 1 18 学术环境 1 19 大客户 1 20 多维尺度分析 1 21 创新研究 1 22 分类 1 23 信息可视化 1 24 信息可视 1 25 人文社会科学 1 26 ssci 1 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
科研热词 网络信息资源 目录学 期刊 信息计量学 信息经济学 交流 jcr 目录服务 学科 网络影响因子 网络信息计量学 科学评价 科学计量 科学知识图谱 知识图谱 引文分析 大学评价 可视化 前沿 信息可视化 作者共被引分析 主流研究领域 中国技术创新理论
基于知识图谱的国外信息可视化研究热点和前沿趋势分析
Operations Research and Fuzziology 运筹与模糊学, 2023, 13(3), 1686-1699 Published Online June 2023 in Hans. https:///journal/orf https:///10.12677/orf.2023.133170基于知识图谱的国外信息可视化研究热点和 前沿趋势分析吴铁柱浙江理工大学艺术与设计学院，浙江 杭州收稿日期：2023年4月13日；录用日期：2023年6月10日；发布日期：2023年6月16日摘要数据时代，数据无处不在。
信息可视化是将数据映射为视觉图形，提高对数据的认知效率，传达数据背后的有效信息。
为描绘国际信息可视化领域的研究图景，本文借助CiteSpace 软件，收集和分析Web of Science 核心合集数据库中收录的2007年至2022年信息可视化研究的相关文献，通过构建信息可视化研究的时空分布、研究热点与前沿趋势三个方面的知识图谱，厘清信息可视化的研究范畴和发展趋势。
关键词信息可视化，数据可视化，CiteSpace ，知识图谱，前沿趋势Analysis of Research Hotspots and Frontier Trends of Information Visualization Abroad Based on Knowledge AtlasTiezhu WuSchool of Art and Design, Zhejiang SCI-TECH University, Hangzhou ZhejiangReceived: Apr. 13th , 2023; accepted: Jun. 10th , 2023; published: Jun. 16th , 2023AbstractIn the data age, data is everywhere. Information visualization is to map data into visual graphics, improve the cognitive efficiency of data, and convey the effective information behind the data. In order to describe the research landscape of international information visualization, this paper uses CiteSpace software to collect and analyze the relevant literature on information visualization吴铁柱research from 2007 to 2022 included in the Web of Science core collection database, and clarify the research scope and development trend of information visualization by building a knowledge map of information visualization research in three aspects: spatial and temporal distribution, re-search hotspots and cutting-edge trends.KeywordsInformation Visualization, Data Visualization, CiteSpace, Knowledge Graph, Frontier TrendsThis work is licensed under the Creative Commons Attribution International License (CC BY 4.0)./licenses/by/4.0/1. 引言随着大数据和人工智能时代的到来，数据已经渗透到各行各业，并逐渐成为核心的生产要素。
可视化图谱视角下的国内外科学计量学比较
可视化图谱视角下的国内外科学计量学比较赵蓉英;魏明坤【摘要】随着科学技术不断发展,科学计量学逐步形成完善的学科知识体系,研究工具和研究领域不断走向成熟.为了解国内外科学计量学发展情况,文章以WOS、CNKI和CSSCI为数据源,对国内外科学计量学2006～2015年的发展情况进行可视化分析.通过绘制科学计量学可视化图谱,对比研究国内外科学计量学研究内容的差异,从研究热点、合作网络、学科结构三方面进行分析,发现国内外科学计量学在发文数量、作者合作关系、学科结构方面存在差异.【期刊名称】《图书馆论坛》【年(卷),期】2017(000)001【总页数】10页(P56-65)【关键词】科学计量学;可视化;学科结构;合作网络【作者】赵蓉英;魏明坤【作者单位】武汉大学中国科学评价研究中心;武汉大学中国科学评价研究中心【正文语种】中文科学计量学以数理统计和计算技术等数学方法对科学活动的投入、产出进行定量分析，大数据的兴起为科学计量学研究提供了数据基础。
没有科学的计量则无法进行有效管理，数据时代各种结构化和非结构化数据已经成为科学计量的主要对象。
2011年全球数据总量为1.8ZB，预计到2020年数据量将达到35ZB，其中95%会因数据分析的限制而被闲置，严重阻碍科学研究[1]，在此背景下，有必要对科学计量学进行阶段性分析。
科学计量学在大数据环境下，通过定量分析，揭示研究领域的发展规律与趋势，对研究者十分重要。
前苏联科学家弗·纳里莫夫等人在1969年正式提出科学计量学的概念并得到研究领域的认可[2]，这推动了科学计量学的快速发展。
普赖斯的《巴比伦以来的科学》《小科学、大科学》和尤金·加菲尔德的《科学引文索引》是科学计量学发展史上的开山之作，为科学计量学研究奠定了基础，开辟了一个崭新的研究领域——科学计量学。
所谓科学计量学(Scientometrics)是应用数理统计和计算机技术等数学方法对科学活动的投入(如科研人员、研究经费)、产出(如论文数量、被引数量)和过程(如信息传播、交流网络的形成)进行定量分析，从中找出科学活动规律的一门分支学科[3]。
全球重要信息计量学家的可视化分析——以作者共被引为视角
全球重要信息计量学家的可视化分析——以作者共被引为视角刘艳华;华薇娜;袁顺波【摘要】以Web of Science(SCI-E,SSCI,A&HCI,CPIC-S,CPIC-SSH)为数据源,借助可视化分析软件CiteSpace2.2.R11,时所搜集的信息计量学领域1955-2010年的3567篇文献进行可视化分析,构建作者共被引分析的可视化图谱.界定出被引频次或者中心度较高的48位信息计量学家,将其分为三个区,并结合文献信息统计第一区作者加菲尔德、穆德、格伦采尔、埃格赫、普赖斯、舒伯特、布劳恩、斯莫尔、鲁索、怀特、默顿等11位信息计量学家的学术成就,为了解信息计量学的重要学者及学科结构提供了独特的视角.【期刊名称】《情报杂志》【年(卷),期】2012(031)001【总页数】6页(P76-80,101)【关键词】信息计量学;作者共被引分析;可视化分析;CiteSpaceⅡ【作者】刘艳华;华薇娜;袁顺波【作者单位】南京大学信息管理系南京210093;南京大学信息管理系南京210093;南京大学信息管理系南京210093;嘉兴学院商学院嘉兴314001【正文语种】中文【中图分类】G3160 引言比利时科学家奥特勒(Otlet P)于1934年最先提出“文献计量学(bibli ometrics)”一词，随后，德国学者纳克(Nacke O)于1979年在其著作中首次使用“信息计量学(informetrics)”这一词汇，自此，信息计量学的研究开始受到学者们的关注。
根据布鲁克斯(Brookes BC)、埃格赫(EGGHE L)和鲁索(ROUSSEAU R)等计量学家的定义，信息计量学发展至今其含义范围覆盖了文献计量学、科学计量学(scientometrics)和网络计量学(webometrics)等方面［1］。
信息计量学在世界范围内的蓬勃发展得益于学者们所做出的贡献，他们的研究成果推动了信息计量学不同分支学科的产生和发展。
数据可视分析研究现状与发展趋势的图谱分析
数据可视分析研究现状与发展趋势的图谱分析作者：乔萨础拉努尔布力苏芮来源：《现代电子技术》2018年第14期摘要：以Web of Science中近20年2 709篇数据可视分析文献为研究对象，采用基于图谱分析的研究机构合作、文献共被引、关键词共现、突现词分析等方法，系统的回顾了数据可视分析方法研究的关注点、国际研究脉络及发展规律。
研究发现，截止目前，已完成基础理论和体系架构研究，并在延伸新的典型应用领域。
其中，美国和德国的研究机构具有较强科研水平，社交媒体数据、网络安全数据和地理信息数据已成为重要數据来源。
分析结果有助于为我国数据可视分析领域的研究人员提供了研究现状及进展的参考。
关键词：可视分析方法；图谱分析； CiteSpace；研究现状；文献共被引；数据分析中图分类号： TN957.52⁃34；文献标识码： A 文章编号： 1004⁃373X（2018）14⁃0161⁃05Map analysis for research status and development trend of data visual analysisQIAO Sachula， Nurbol， SU Rui（School of Information Science and Engineering， Xinjiang University， Urumqi 830046，China）Abstract： With 2 709 data visual analysis papers from Web of Science in recent 20 years as the research object， the focus points， international research context and development law of data visual analysis method research are systematically reviewed by using such map analysis based methods as research institution cooperation， literature co⁃citation， keyword co⁃occurrence， and burst term analysis. The research found that up to now， researchers have completed the basic theory and system architecture research， and are expanding to new typical application fields； the research institutions of the United States and Germany have a high scientific research level； social media data， network security data and geographic information data have become important data sources. The analysis results can provide a reference in research status and progress for Chinese researchers in the data visual analysis field.Keywords： visual analysis method； map analysis； CiteSpace； research status； literature co⁃citation； data analysis0 引言随着互联网的快速发展，大数据时代已经来临。
信息可视化(大师的综述)
信息可视化冯艺东汪国平董士海（北京大学计算机科学技术系，北京100871）摘 要 我们处在一个信息爆炸的时代。
对繁杂的抽象信息之间的复杂关系进行探索的努力，促使了信息可视化这一崭新科学领域的出现，它结合了科学可视化、人机交互、数据挖掘、图像技术、图形学、认知科学等诸多学科的理论和方法。
信息可视化与科学可视化的区别在于，科学可视化的研究对象主要是具有几何属性的科学数据，而信息可视化则主要应用于没有几何属性的抽象信息，揭示信息之间的关系和信息中隐藏的特征。
本文对信息可视化的概念、意义、主要问题和技术、研究现状作了综述，并简单介绍了我们正在进行的相关研究工作。
关键词 信息可视化可视化结构科学可视化人机交互知识挖掘1 什么是信息可视化可视化是这样一个过程，它将数据信息和知识转化为一种视觉形式，充分利用人们对可视模式快速识别的自然能力[1]。
可视化将人脑和现代计算机这两个最强大的信息处理系统联系在一起。
有效的可视界面使得我们能够观察、操纵、研究、浏览、探索、过滤、发现、理解大规模数据，并与之方便交互，从而可以极其有效地发现隐藏在信息内部的特征和规律。
在我们这个信息日益丰富的社会，可视化技术研究和应用开发已经从根本上改变了我们表示和理解大型复杂数据的方式。
可视化的影响广泛而深入，引导我们获得新的洞察和有效的决策。
可视化作为一个有组织的科学分支起源于美国国家科学基金会（NSF）的报告《科学计算中的可视化》[2]。
在那篇报告里，可视化被设想为这样一种工具，它能够处理大型科学数据，并且能够提高科学家观察数据中现象的能力。
虽然最初的概念不见得是这样，但是今天我们讨论科学可视化总是基于物理数据，例如人体、地球、分子等等。
计算机用来绘制它们某些可观察的属性。
虽然这些可视化也可能源于对这些物理空间的抽象，但是这些信息在本质上仍然是几何的，都是基于物理空间的。
近几年来，随着INTERNET的飞速发展，商业数据的大量计算，电子商务的全面展开，以及数据仓库的大规模应用，产生了一个广泛的需求：可视化技术不仅要用于科学数据，而且要作为一个基本工具，应用于抽象信息，揭示信息之间的关系和信息中隐藏的特征。
作者关键词共现网络及实证研究
作者关键词共现网络及实证研究孙海生【摘要】以中国期刊网(CNKI)为数据源,构建作者—关键词共现网络,采用社会网络分析方法争Pathfinder networks算法,选取国内图书情报研究领域进行实证分析.研究结果表明:2-模网络可视化图能够直接揭示作者的主要研究领域,反映出作者学术兴趣的多样性,显示不同作者的相同研究领域,对学科领域结构的解读具有显性、客观的特点；节点中心度分析反映出作者和关键词在网络中位置的重要性.【期刊名称】《情报杂志》【年(卷),期】2012(031)009【总页数】5页(P63-67)【关键词】作者—关键词耦合;隶属网络;社会网络分析;Pathfinder networks算法【作者】孙海生【作者单位】聊城大学图书馆聊城 252059【正文语种】中文【中图分类】G3500 引言分析科学研究领域结构，研究学科领域的产生、发展和前沿，是近年来图书情报学研究的重要内容，采用的研究方法主要是以文献内容之间联系为基础的信息计量，比如以引文理论为基础的共引分析、耦合分析;以描述文献基本内容的关键词为基本单位的共词分析方法等［1］，随着文本挖掘技术的逐渐成熟，必然会向以文献中知识元为基本单位的方向发展［2］。
当前，基于文献、作者的共引、耦合、共词分析构成了信息计量、科学计量领域炙手可热的领域识别、领域可视化的理论基础，颇具影响的Citespace就是以上理论结合计算机算法实现的可视化软件［3］。
作者、文献、期刊的共引、耦合分析以及共词分析都是针对同一文献特征共现的研究，随着研究的逐渐深入，针对两个或多个文献特征共现的研究也得到了发展。
Morris开发了基于Matlab的可视化系统DIVA(Database Information Visualization and Analysis System)［4－6］，把一组被大量引用的文章定义为知识基础，另一组文献定义为研究前沿，利用DIVA系统显示研究前沿与期刊、研究前沿与时间、研究前沿与作者等的共现关系。
数据科学中的可视化分析技术
数据科学中的可视化分析技术在当今信息时代，数据量呈爆炸式增长，处理数据的能力已成为人们共同面临的一项问题。
数据科学的出现为我们提供了一种新的方式来处理数据，但如何有效地呈现数据，却成为了数据科学家和数据分析师需要面对的重要问题之一。
因此，可视化分析技术的应用变得越来越重要。
一、可视化分析技术的意义可视化分析技术是指将数据进行可视化展示，以图形和图表等形式呈现，方便人们直观地了解数据信息。
在数据分析的过程中，可视化技术不仅可以帮助人们更好地理解数据，还可以发现数据的内在规律和联系，提高数据分析的效果和准确度。
可视化分析技术可以被应用于多个领域，如科学研究、商业管理、社会调查等。
它可以用来展示数据的量、趋势、比较等内容，有助于人们深入了解数据状况。
其次，可视化分析技术也为决策提供了更多信息。
它可以帮助人们更好地描述数据，提升数据的可靠性和解释性。
对于商业领域的分析，可视化技术可以让经营者通过数据的视觉形式快速了解公司业务的趋势和数据指标。
比如，通过可视化呈现销售额、利润、收入等指标，可以帮助经营者快速对公司赢亏有一个清晰的认识。
二、可视化技术的基本原则要想制作好的可视化图表，数据分析师需要有基本的原则来指导。
以下是几个供参考的原则：1.选择适当的图表类型。
不同的数据适合不同的图表类型。
例如，用于比较的数据可以采用条状图和饼图，而用于展示百分比的数据则可以采用雷达图和气泡图。
2.精简数据呈现内容。
每个图表都应当包含必要的信息，但不必过多。
过多的信息反而会让读者感到混乱，无助于清晰地表达信息。
3.保持图表的简洁、清晰和易读。
一个好的图表应当具备易读性，清晰明了地表现重要的信息，而且数据应当易于理解。
4.保持符号的规范性。
不同颜色、线条等符号应该有经过规范的行业标准，并且必须清晰简洁。
三、可视化技术的应用案例1.全球人口增长率可视化图表下图是一张展示了全球人口增长率的可视化图表，从 1960 年到2020 年的增长率进行了比较。
分析方法 50年来国际技术创新研究的可视化计量分析_基于作者共被引分析视角
第32卷第5期2011年5月科研管理Science Research Management Vol．32，No．5May ，2011收稿日期：2010－03－28；修回日期：2011－03－05．基金项目：内蒙古大学高层次人才引进科研起动项目资助（Z20100114）．作者简介：许振亮（1968－），男（汉），内蒙古包头人，副教授、大连理工大学21世纪发展研究中心博士研究生，研究方向为技术创新管理、创业管理、区域发展战略、知识管理。
文章编号：1000－2995（2011）05－012－001750年来国际技术创新研究的可视化计量分析—基于作者共被引分析视角许振亮（内蒙古大学经济管理学院，内蒙古呼和浩特010000；大连理工大学，网络－信息－科学－经济计量实验室，辽宁大连116026）摘要：运用科学计量学方法，信息可视化技术，通过作者共被引分析，对1959－2008年，国际技术创新研究现状进行了计量分析，结果显示其形成4个主要研究领域，据其学术活跃程度，排序分别为：“产业与企业的技术创新及知识管理的关系”、“技术创新与内生经济增长的关系”、“技术创新与技术变迁的关系”、“企业合作技术创新战略”。
关键词：技术创新；可视化分析；科学计量学；作者共被引；知识图谱中图分类号：F270文献标识码：A1引言20世纪50年代以后，以微电子技术为核心的世界新一轮科技革命的兴起，引起学术界对技术创新研究的深入探索，开始对技术进步与经济增长的关系产生了兴趣，从而使技术创新研究得以蓬勃发展。
时至今日，国际学界对技术创新研究状况如何？涌现出那些代表性的人物？形成的主要研究领域有哪些？张磊、王淼［1］认为国外技术创新的研究和发展已基本形成了技术创新的新古典经济学派，技术创新的新熊彼特学派、技术创新的制度创新学派和技术创新的国家创新系统学派等四大流派；J.Simmie ［2］分析了创新与范围的关系，用空间与集聚理论，追述了创新理论的历史发展与随后不同阶段的联系；林春艳、林晓言［3］归纳综述了中西方学者的技术创新理论，主要有创新动力论、模仿论与创新扩散模式论、市场结构论与企业规模论、创新与经济增长“逆相位”论、创新源泉论、创新选择论、技术创新长波论等，但是，这些研究基本基于定性与思辨的方法，鉴于此，笔者以科学计量学方法，对此进行可视化地计量分析。
知识计量学及其可视化技术的应用研究
知识计量学及其可视化技术的应用研究
知识计量学是研究知识与信息的数量化测量、分析和评价的学科，可以用于科学与技术管理、科研评价和网络分析等领域。
其可视化技术可以将数据转化为可视化图表或图像，使数据更加直观、易于理解和应用。
以下是知识计量学及其可视化技术的应用研究举例：
1. 科研评价：通过分析论文被引频次、高被引论文、影响因子等指标，评价学者、科研机构和学科领域的学术影响力和国际竞争力。
2. 技术竞争情报：通过对专利文献的分析，识别技术领域的重点发展方向、技术热点和技术竞争情况，为企业进行技术战略制定提供支持。
3. 社交网络分析：通过对社交网络、网民信息行为的分析，进行社会学、心理学、商业管理等领域的研究，深入了解人群特征和关系网络。
4. 教育评价：通过对学生学习跟踪、教学质量评估等方法，提高教师教学效率和学生学习质量。
5. 生产效益分析：通过对企业产品质量、生产效率、市场反馈等指标的计量，评价企业生产效益，为企业管理和投资决策提供参考。
以上应用仅是知识计量学和可视化技术研究的一部分，其它领
域还有大量应用。
通过计量学的方法，可以将大量的信息数据转化为可视化的数据图表，使得数据信息更加直观和易于理解，为科学决策和管理提供支持。
链接分析
第2章网络链接分析理论网络链接分析(Link Analysis)，也称链接分析，或称链接分析法、超链分析，当前并没有一个准确的定义。
从字面上看，可广义理解为以Web中页面间的超链接为研究对象的分析活动。
而从网络信息计量学的角度，可将其定义如下：链接分析是以链接解析软件、统计分析软件等为工具，用统计学、拓扑学、情报学的方法对链接数量、类型、链接集中与离散规律、共链现象等进行分析，以用于Web中的信息挖掘及质量评价的一种方法[1]。
链接分析先于网络信息计量学诞生。
早在1996年，Larson就依照引文分析中共被引分析（Co-citation Analysis）做了共链分析（Co-link Analysis）。
但在网络信息计量学诞生后，链接分析便被纳入了其研究范围。
至今，链接分析已成为网络信息计量学备受关注的研究方向。
链接分析理论包括以下几个方面：链接理论、链接分析的研究视角、链接分析与引文分析之间的关系、链接分类与统计理论、链接分析指标。
2.1 网络链接概述2．1．1 链接感性认识Wood等人将Web的结构绘制成图2-1所示的可视化图。
图中，白色的大球表示网站主页，小球代表网站的二级及二级以下页面；绿线代表链接，将不同的网站、网页连结在一起形成网络。
该图有助于读者对链接形成感性认识。
图2-1 Web抽象结构图[2]2．1．2 链接与超文本1965年，Ted Nelson提出了术语―超文本(Hypertext)‖。
1978年，他在《Dream Machines》中提到了―链接‖，并指出―链接‖将带来文件的连通性。
1981年，使用术语―超文本‖描述了这一想法：创建一个全球化的大文档，文档的各个部分分布在不同的服务器中，通过激活其中的―链接‖，例如研究论文里的参考文献，就可以跳转到所引用的论文[3]。
超文本是用超链接的方法，将不同空间的文字信息组织在一起的网状文本。
超文本更是一种用户界面范式，用以显示文本及与文本之间相关的内容。
文献计量可视化教程
文献计量可视化教程一、引言随着科研领域的发展，研究者们产生的学术文献数量呈指数级增长。
如何从这些庞大的学术文献中提取有价值的信息，是一个亟待解决的问题。
文献计量可视化作为一种利用可视化技术对学术文献进行分析和展示的方法，得到了广泛的关注和应用。
本教程将介绍文献计量可视化的基本概念、方法和工具，帮助读者快速上手并运用于自己的研究中。
二、文献计量可视化的基本概念1. 文献计量文献计量是指通过统计和分析学术文献的相关数据，来评价和衡量学术研究的质量和影响力的方法。
常用的文献计量指标包括文献被引频次、作者合作网络、期刊影响因子等。
2. 可视化可视化是指利用图形或图像等视觉方式来展示数据和信息的方法。
通过可视化，可以将复杂的数据和信息转化为直观、易于理解的图形，提高人们对数据的理解和分析能力。
3. 文献计量可视化文献计量可视化是将文献计量的结果通过可视化技术进行展示和分析的方法。
通过文献计量可视化，可以直观地展示文献的引用关系、作者合作网络、研究热点等信息，帮助研究者更好地理解和分析学术领域的发展动态。
三、文献计量可视化的方法和工具1. 方法文献计量可视化的方法主要包括网络分析、主题分析和时空分析等。
（1）网络分析：通过构建文献的引用网络、合作网络等来分析文献之间的关系，并利用网络图等可视化方式展示。
（2）主题分析：通过对文献的关键词、摘要等内容进行文本挖掘和分析，提取出研究热点和主题，并通过词云、主题演化图等可视化方式展示。
（3）时空分析：通过对文献的时间和地理信息进行分析，揭示文献的时空分布规律，并利用时间轴、地理图等可视化方式展示。
2. 工具已经有许多文献计量可视化的工具和软件可供使用。
常用的工具包括VOSviewer、CiteSpace和Gephi等。
（1）VOSviewer：VOSviewer是一款用于构建和可视化文献的引用网络和合作网络的工具。
它可以根据文献的引用关系和作者合作关系构建网络图，并提供多种布局算法和可视化效果供选择。
近10年国际情报学领域研究进展的可视化分析_杨良斌
4 Canadian Journal of Information and Library Science－Ｒevue Canadienne Des Sciences Del Information Et De Bibliotheconomie
5 College ＆ Ｒesearch Libraries
中图分类号 G350
文献标识码 A
文章编号 1002－1965（ 2013） 12－0104－06
The Visualization Analysis of Ｒesearch Progress of International Information Science Field in Ｒecent 10 Years
科学知识图谱不仅能够描绘、研究、分析所用的知 识资源，而且能够找出其相关联的地方，有助于了解和 预测科学前沿和 动 态，挖 掘 开 辟 新 的 未 知 领 域［2］。 科 学计量学和可视技 术 的 进 步，促 进 了 知 识 图 谱 应 用 的 广泛研究。知识图谱在教育科研、技术更新、智力结构
分析和社会问题等方面应用很多。 本文采用目前在国际上广泛使用 CiteSpace II 信
对文献共被引、作者共被引、关键词共现和突现词的时区分布进行可视化分析，构建了情报学领域的知识图谱。分
析结果表明，情报学领域近 10 年研究处于平稳发展时期。最后获得了信息检索方向、文献计量学方向、图书馆学和
数据库方向的演化趋势和数字图书馆等 8 个热点研究方向及其所包含的关键词。
关键词 情报学 文献共被引 作者共被引 关键词共现 可视化
图 2 2003－2012 年情报学领域论文被引频次按年分布
·106·
情报杂志
第 32 卷
数据可视化的先驱
1854 年—1856 年，英国、法国、土耳其等 国与沙皇俄国爆发了克里米亚战争。当时由于没 有护士护理伤病员，且战地救护条件十分恶劣， 英军负伤士兵的死亡率竟高达 42%。1854 年 10 月 21 日，南丁格尔主动申请参加战地救护工作， 率领 38 名优秀护士奔赴克里米亚战地医院，并 成为该院的护士长，由此开创了现代战地护理事 业。参战士兵伤病员由于得到了及时认真的医疗 护理，在短短的半年时间内，伤病员的死亡率降 至 2.2%。南丁格尔在分析了大量伤亡资料档案 后，得出的惊人结论就是：“士兵死亡原因大多 是因为感染疾病以及重伤员得不到及时救护所 致”[3]。这就是南丁格尔设计“鸡冠花图”的背景。
作者简介：管会生，男，教授，研究方向为传统文化与文化遗产的科学保护与创新传承，guanhs@。
计算机教育
2
Computer Education
2020
1 数据可视化经典案例一（1854年）
数据可视化用于疫情监控，可追溯到 1854 年伦敦发生的大规模霍乱。这次霍乱长时间得不 到控制。后来 John Snow 医师用标点地图的方法， 研究了当地水井分布和霍乱患者分布之间的关系 （如图 1 所示），发现在一口水井周围，霍乱患病 率明显较高，借此找到了霍乱暴发的原因——被 污染的水井。关闭这些水井后，霍乱发病率明显 开始下降，霍乱终于得以控制。此例成为现代医 学流行病学初创时期的首个案例，也是数据可视 化这一研究方向的首个案例。
新颖的数据展示形式，但由于绘制较难而没有流 行起来，直到 1857 年南丁格尔绘制出这张“鸡 冠花图”之后，才逐渐被人们熟知和接受。这张 图替代了原英国军方准备用几万文字描述的统计 分析报告，结论就是：由于医疗卫生条件太差， 战地医院死于可预防传染病的人数远远高于战争 期间战场上的直接伤亡人数。这是“鸡冠花图” 在数据可视化领域最经典、最实际的应用案例， 也是护理学科与数字学科相结合在发展初期的首 个案例 [2]。
统计学中的数据可视化
统计学中的数据可视化随着科技的发展，数据行业也如雨后春笋般的发展起来，而数据可视化也逐渐成为统计学中非常重要的一部分。
数据可视化不仅帮助人们更好地理解和分析数据，还能将数据呈现出直观、生动和美观的样子。
在本文中，我们将深入探讨统计学中的数据可视化。
一、数据可视化的历史数据可视化的历史可以追溯到古希腊时期。
当时，人们用统计图表记录天文观测结果。
直到17世纪，统计学家、生物学家约翰·格劳克（John Graunt）将统计图表应用于疾病和人口统计，并发表了《伦敦死亡报告》一书，这才使数据可视化逐渐走向人们的生活。
18世纪，统计学家威廉·普莱斯（William Playfair）发明了两种新的图形形式：线图和饼图。
线图用于显示趋势，饼图用于显示部分占比。
这些新的图形形式加快了数据可视化技术的发展，也帮助人们更好地理解和分析数据。
直到20世纪，电脑技术的发展和广泛应用，使数据可视化成为更为普及的技术。
二、数据可视化的意义1、数据可视化能帮助人们快速理解和分析数据。
对于一个数据报表，如果上面只有数字和文字，人们很难快速地理解和分析其中的规律，而如果将这些数字和数据用可视化的方式呈现，比如说用柱形图、直方图或雷达图等形式，那么人们就可以很容易地了解数据的趋势和规律。
2、数据可视化能够提高报表的美观度。
相比传统的文字和数字表格，图形化的数据更加美观和易于理解。
通过数据可视化的方式，可以将统计数据呈现得更加生动、直观和有趣。
3、数据可视化能够促进数据的交流。
很多时候，我们需要和同事、客户或领导交换数据报表。
如果数据报表只是文字和数字，那么很难在短时间内让对方理解我们想要表达的内容。
而如果将数据用可视化的方式呈现，那么不仅可以快速地让对方理解你的数据报表，还可以更好地与对方交换意见和思路。
三、数据可视化的种类1、柱状图和直方图。
柱状图和直方图用于显示一个变量的分布情况。
比如，我们可以用柱状图来显示销售额和销售量的分布情况；而直方图则可以用来显示年龄、收入、身高等变量的分布情况。
信息科学中的数据可视化技术研究分析
信息科学中的数据可视化技术研究分析在信息时代，海量的数据涌入我们的日常生活中。
这些数据蕴含着宝贵的信息，通过合理的数据可视化技术，我们可以更好地理解和利用这些数据。
数据可视化技术是信息科学领域的一个重要分支，它通过图形化的方式将抽象的数据转化为可视化的形式，让人类更容易理解和分析数据。
在本文中，我们将对信息科学中的数据可视化技术进行研究分析。
数据可视化技术的起源可以追溯到18世纪，当时统计学家和地图制作者开始使用图形和图表来展示数据。
然而，在数字化时代，随着计算机技术的发展，数据可视化技术得到了前所未有的提升。
如今，我们可以借助计算机软件和算法，将数据可视化技术应用于各个领域，包括商业、科学、医学等。
数据可视化技术在商业领域的应用越来越受到重视。
商务决策需要对市场趋势、用户行为等进行分析，数据可视化技术通过清晰的图表和图形展示数据，帮助企业领导者和分析师更好地理解数据并做出决策。
例如，通过销售数据的可视化，企业可以快速了解销售趋势，从而调整营销策略。
在科学领域，数据可视化技术也扮演着重要的角色。
科学家们通过可视化技术将实验数据转化为图表，以便更好地分析和理解数据。
例如，在天文学领域，天文学家可以通过数据可视化技术来展示星系的分布和运动，进一步研究宇宙的演化过程。
另外，数据可视化技术在医学领域也有广泛的应用。
医学研究需要对大量的医疗数据进行分析，而数据可视化技术提供了一种直观的方式来呈现这些数据。
通过可视化技术，医生可以更好地分析患者的病情和治疗效果，辅助临床决策。
数据可视化技术的研究和发展始终围绕着如何更好地展示数据和增强用户的理解。
在过去的几十年里，研究者们提出了许多数据可视化的方法和技术。
这些方法包括基于统计学和图论的技术，以及近年来兴起的机器学习和人工智能相关的技术。
随着计算机图形学和人机交互技术的进步，数据可视化技术的呈现形式也不断创新。
传统的图表和地图只是数据可视化的冰山一角。
现在，我们可以通过虚拟现实和增强现实技术将数据可视化应用于更广泛的领域。
数据科学家的重要职责和数据可视化
数据科学家的重要职责和数据可视化随着大数据时代的到来，数据科学家的角色变得越来越重要。
他们是数据分析和解释的专家，通过利用各种技术和工具，帮助企业和组织做出更明智的决策。
数据科学家的职责涵盖了数据收集、清洗、分析和可视化等方面，下面将详细介绍他们的重要职责以及数据可视化的重要性。
首先，数据科学家的职责之一是数据收集和清洗。
在进行任何分析之前，他们需要收集和整理数据。
这包括从各种来源获取数据，如数据库、API、传感器等。
然后，他们需要清洗和预处理数据，以确保数据的准确性和一致性。
这可能涉及到处理缺失值、异常值和重复值等数据问题。
只有在数据清洗完成后，才能进行后续的分析工作。
其次，数据科学家的重要职责之一是数据分析。
他们使用各种统计和机器学习技术，对数据进行深入分析，以发现数据中的模式、趋势和关联性。
通过数据分析，他们可以提取有价值的信息，为企业和组织提供洞察力。
例如，他们可以分析销售数据，以了解产品的热门时段和地区，从而优化供应链和市场营销策略。
此外，数据科学家还负责数据可视化。
数据可视化是将数据以图表、图形和地图等形式呈现出来，以便更好地理解和解释数据。
通过可视化，数据科学家可以将复杂的数据变得更易于理解和沟通。
他们可以创建交互式的可视化工具，使用户能够自由探索数据。
例如，他们可以使用柱状图和折线图来展示销售趋势，使用地图来展示地理数据分布，使用热力图来展示用户行为等。
数据可视化不仅可以帮助数据科学家更好地理解数据，还可以帮助其他人更好地理解数据。
数据可视化的重要性不容忽视。
首先，数据可视化可以帮助数据科学家发现数据中的模式和关联。
通过将数据可视化，他们可以更容易地发现数据中的趋势和异常。
其次，数据可视化可以帮助数据科学家与其他人共享和传达数据。
通过将数据以可视化的形式呈现，他们可以更好地向非技术人员解释数据，并帮助他们做出决策。
此外，数据可视化还可以提高数据的可理解性和可信度。
通过将数据以可视化的形式展示，人们可以更直观地理解数据，同时也可以更容易地验证数据的准确性。
统计学家大数据可视化技术掌握与应用
统计学家大数据可视化技术掌握与应用在当今数字化时代，数据如潮水般涌来，而如何从海量的数据中快速、准确地获取有价值的信息，成为了各行各业所面临的重要挑战。
大数据可视化技术作为一种有效的数据分析手段，逐渐在各个领域发挥着关键作用。
对于统计学家而言，掌握和应用大数据可视化技术更是提升工作效率和研究质量的必备技能。
大数据可视化技术是什么呢？简单来说，它是将复杂的数据通过图形、图表、地图等直观的形式展示出来，帮助人们更好地理解和分析数据。
想象一下，面对成千上万行的数据表格，我们很难一眼看出其中的规律和趋势。
但如果将这些数据转化为清晰明了的柱状图、折线图或者热力图，那么数据所蕴含的信息就能瞬间被我们捕捉到。
对于统计学家来说，掌握大数据可视化技术有着多方面的重要意义。
首先，它能够极大地提高数据探索和分析的效率。
在处理大规模数据时，传统的数据分析方法可能会显得力不从心。
而通过可视化，统计学家可以快速发现数据中的异常值、模式和关系，从而更有针对性地进行深入研究。
其次，可视化有助于更好地与他人交流和分享研究成果。
一个生动直观的可视化图表往往比一堆复杂的数字和公式更能让人理解和接受，这对于跨部门合作和向非专业人士解释数据分析结果非常有帮助。
此外，可视化还能激发新的思维和灵感，帮助统计学家发现潜在的研究方向和问题。
那么，统计学家需要掌握哪些大数据可视化技术呢？常见的技术包括但不限于以下几种。
首先是数据预处理技术。
在进行可视化之前，数据往往需要进行清洗、整理和转换，以确保数据的质量和一致性。
这包括处理缺失值、异常值，以及将数据进行标准化或归一化等操作。
其次是图表绘制技术。
统计学家需要熟悉各种类型的图表，如柱状图、折线图、饼图、箱线图等，并且知道在不同的场景下应该选择哪种图表来最有效地展示数据。
例如，柱状图适合比较不同类别之间的数量差异，折线图则更适合展示数据随时间的变化趋势。
再者是地理信息可视化技术。
随着地理数据在各个领域的广泛应用，能够将数据与地理位置相结合进行可视化变得越来越重要。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期：2011－07－22修回日期：2011－09－21作者简介：刘艳华（1985－），女，博士研究生，研究方向：社会科学研究评价；华薇娜（1956－），女，教授，研究方向：社会科学研究评价；袁顺波（1982－），男，博士研究生，讲师，研究方向：人文社会科学研究评价。
全球重要信息计量学家的可视化分析———以作者共被引为视角刘艳华1华薇娜1袁顺波1，2（1．南京大学信息管理系南京210093；2．嘉兴学院商学院嘉兴314001）摘要以Web of Science （SCI －E ，SSCI ，A＆HCI ，CPIC －S ，CPIC －SSH ）为数据源，借助可视化分析软件CiteSpace2．2．R11，对所搜集的信息计量学领域1955－2010年的3567篇文献进行可视化分析，构建作者共被引分析的可视化图谱。
界定出被引频次或者中心度较高的48位信息计量学家，将其分为三个区，并结合文献信息统计第一区作者加菲尔德、穆德、格伦采尔、埃格赫、普赖斯、舒伯特、布劳恩、斯莫尔、鲁索、怀特、默顿等11位信息计量学家的学术成就，为了解信息计量学的重要学者及学科结构提供了独特的视角。
关键词信息计量学作者共被引分析可视化分析CiteSpace II中图分类号G316文献标识码A文章编号1002－1965（2012）01－0076－05Visualization Analysis of the World Important Informetric Scientists ：An Author Co －citation PerspectiveLIU Yanhua 1HUA Weina 1YUAN Shunbo 1，2（1Department of Information Management ，Nanjing University ，Nanjing210093；2．School of Business ，Jiaxing University ，Jiaxing314001）AbstractBased on the ISI Web of Science ，we collected 3567infrometric documents from 1955to 2010．Using the visualization toolCiteSpace2．2．R11，we analyzed the infrometric documents ，and then constructed the visualization mapping of author co－citation．48in-formetric scientists with high frequency or centrality have been distinguished and divided into three parts．Then combined with the analysis of scientists＇published documents in the area of informetrics ，we analyzed 11scientists＇academic achievements in the first part which in-cludes GARFIELD E ，MOED HF ，GLANZEL W ，EGGHE L ，PRICE DJD ，SCHUBERT A ，BRAUN T ，SMALL H ，ROUSSEAU R ，WHITE HD ，and MERTON RK in detail．The authors hope that the study can provide a unique perspective to understand the important in-formetric scholars and the subject structure．Key wordsinformetricsauthor co－citation analysisvisualization analysisCiteSpace II0引言比利时科学家奥特勒（Otlet P ）于1934年最先提出“文献计量学（bibliometrics ）”一词，随后，德国学者纳克（Nacke O ）于1979年在其著作中首次使用“信息计量学（informetrics ）”这一词汇，自此，信息计量学的研究开始受到学者们的关注。
根据布鲁克斯（Brookes BC ）、埃格赫（EGGHE L ）和鲁索（ROUSSEAU R ）等计量学家的定义，信息计量学发展至今其含义范围覆盖了文献计量学、科学计量学（scientometrics ）和网络计量学（webometrics ）等方面［1］。
信息计量学在世界范围内的蓬勃发展得益于学者们所做出的贡献，他们的研究成果推动了信息计量学不同分支学科的产生和发展。
界定在该领域内做出突出贡献并且最受关注的重要学者，以可视化的方式展示重要学者以及该学科领域内的突出成就，有助于对信息计量学领域重要学者的整体把握。
引文分析作为信息计量学领域的一个重要分支，是研究学术流派和学科结构不可或缺的有效手段。
其中共被引分析自1973年被提出用于研究文献之间的动态联系以来，已在学术界产生了极大的影响，尤其是1981年被怀特（White HD ）和格里菲斯（Griffith BC ）第31卷第1期2012年1月情报杂志JOURNAL OF INTELLIGENCEVol．31No．1Jan．2012引入作者分析［2］，进行作者共被引分析，开创了学科结构分析的新视角。
之后，学者们采用不同的算法和可视化软件对作者共被引实现可视化，以图形的方式展示学科领域内的重要作者，揭示出潜在的学科结构［3－5］。
1数据来源与研究方法本文数据全部来源于美国ISI 的Web of Science（SCI－E ，SSCI ，A＆HCI ，CPIC －S ，CPIC －SSH ）数据库，检索策略为“主题=（informetric*OR bibliometric *OR scientometric*OR webmetric*）”，检索自数据库回溯最早年份至2010年间的几乎全部相关文献，并限定文献类型为“论文”、“综述”和“会议论文”，得到原始文献3511篇。
将文献集导入HistCite 软件，对原始文献集的参考文献进行分析，利用HistCite 帮助查找遗漏的重要文献的功能，检索被所下载文献集引用频次在33次之上（即原始下载文献集中的被引频次排名前30的最低被引频次），并且被WoS 数据库所收录的论文、综述、会议论文56篇，将其补充到HistCite 的原始数据中，再次检查是否遗漏重要文献［6］，循环直至被文献集引用频次高于文献集中被引频次前30的参考文献均在此文献集中。
最终获得被遗漏的重要文献56篇，将其补充到原始检索数据中，即本研究的数据样本从1955－2010年共计3567篇。
本文采用国际先进的可视化分析软件Cite Space2．2．R11［7］，对所收集的信息计量学领域文献进行作者共被引分析的可视化呈现。
CiteSpace 信息可视化软件是由美国德雷赛尔大学的陈超美教授于2004年开发，该软件基于引文分析理论，利用寻径网络算法（Pathfinder ）和最小生成树（Minimum Spanning Tree ）修剪节点间的连线，简化分析对象之间的复杂性，突出重点关系。
CiteSpace 可以对共被引作者进行分析，发现该学科的重要核心人物；通过引文网络分析，找出学科领域发展的关键节点文献［8］。
本文采用定量与定性分析相结合的研究方法，通过使用CiteSpace2．2．R11绘制作者共被引图谱，并结合对共被引作者知识图谱中重要作者的关键节点文献的分析，寻找信息计量学领域内的重要人物并展示其学术成就。
2结果分析本文以共被引作者为分析对象，各参数的设置如下：时间跨度选择从数据检索的最早年代1955－2010年，时间划分标准设置为2年；图谱修剪选择以Path-finder 算法修剪，并且选择修剪切片网和修剪合并网；显示方式选择静态显示并勾选显示合并网络；设置阈值部分c 、cc 、ccv 分别为（3，3，15）、（6，4，20）和（6，4，20）。
生成作者共被引可视化图谱，获得342个节点和714条作者之间的连线。
分别以中心度（见图1）和被引频次（见图2）为显示方式展示信息计量学领域作者的共被引图谱，图中的圆圈代表信息计量学领域设定阈值范围内入选的作者。
在图1中，中心度超过0．15的节点有42个，这些作者的中心度较高，表明他们在信息计量学领域起到了重要的链接作用。
在本文中被定义为关键节点作者，由带紫色标识的圆圈表示；图2显示了共被引作者的频次高低，图谱中圆圈越大，被引频次越高，受同行学者关注越多，被引频次不低于200的节点有17个，这些作者受到较多的关注，在领域内具有较高的影响力，在本文中被定义为高影响力作者。
根据图1和图2，本文对中心度高于0．15，或者被引频次不低于200的作者节点统计作者信息表（见表1），详细统计作者名称、所在国家图1信息计量学科重要作者图谱———中心度显示注：为使图清晰易懂，仅显示中心度＞0．27的15个节点·77·第1期刘艳华，等：全球重要信息计量学家的可视化分析机构）（以各作者最近文献标注国家机构为准）、被引频次（本文中为作者在所检索的文献集合范围之内的被引频次）、中心度、文献量（本文中为所检索数据集中各作者发表的文献）和作者活跃期（有文献出现的最早年份至最晚年份）等信息。
图2信息计量学科重要作者图谱———被引频次显示注：为使图清晰易懂，显示被引频次＞=250的16个节点从图1、2和表1中的数据可以看出，依据数据的分布特征，可将阈值范围内入选的342位作者分为四个区：第一区，被引频次不低于200，中心度大于0.15，共有作者11位，该区作者同时是关键节点作者和高影响力作者；第二区，被引频次不低于200，中心度不大于0.15，该区共有作者6位；第三区，被引频次低于200，中心度大于0．15，共有作者31位；第四区，被引频次低于200，中心度不大于0.15，共有作者294位（表1中不显示）。
第一区作者是在小同行内受关注程度较高，而且中心度较高的重要人物。
该区作者被引频次均较高，人均被引472．73次；在小同行的网络内中心度较高，往往是连接不同分支的核心节点；发文量相对较多，11位作者在信息计量学领域内共发表文献319篇，人均29篇；该区作者发表文献的年份从1955－2010年不等，各作者的首篇文献均表1作者统计表（被引频次＞=200，或者中心度＞0．15）被引频作者所在国家（机构）中心度被引频次文献量活跃期次≥200中心度＞0．15GARFIELD E 美国（科学信息研究所）0．279751955－09MOED HF 荷兰（莱顿大学）0．435354185－09GLANZEL W 比利时（天主教鲁汶大学）0．274728184－09EGGHE L 比利时（阿赛尔特大学）0．374124987－10PRICE DJD美国（耶鲁大学）0．23375265；76SCHUBERT A 匈牙利（匈牙利科学院）0．173704381－09BRAUN T 匈牙利（匈牙利科学院）0．183522981－06SMALL H 美国（科学信息研究所）0．183001073－09ROUSSEAU R 比利时（安特卫普大学）0．212983089－09WHITE HD 美国（德雷赛尔大学）0．372501481－10MERTON RK 美国0．2201168被引频次≥200中心度≤0．15VANRAAN AFJ 荷兰（莱顿大学）0．024392085－97NARIN F美国（CHI RES INC ）0．08395876－96LEYDESDORFF L 荷兰（阿姆斯特丹大学）0．073163591－10CRONIN B 美国（印第安那大学）0．032901691－09HIRSCH JE 美国（加州大学圣迭戈大学）0．02258205－07SEGLENPO美国（印第安那大学）0．11251692－00·87·情报杂志第31卷被引频次＜200中心度＞0．15BRADFORD SC英国0．241990———LOTKA AJ美国0．21970———VINKLER P匈牙利（匈牙利国家科学院）0．261672291－10 MCCAIN KW美国（德雷塞尔大学）0．33162886－10 NEDERHOF AJ荷兰（莱顿大学）0．331501687－08 MACROBERTS MH美国0．17140289－96 BORGMAN CL美国（加利福尼亚大学洛杉矶分校）0．23136583－02 FRAME JD美国（乔治华盛顿大学）0．271280———LUUKKONEN T芬兰（芬兰科学院）0．21119590－97 NOYONS ECM荷兰（莱顿大学）0．791052292－10 LAWRENCE S美国（NEC研究所）0．25890———GOMEZ I西班牙（高等科学研究委员会）0．16871990－10 OPPENHEIM C英国（拉夫堡大学）0．2484880－10 KING J英国（农业和食品研究委员会（AFRC））0．2766287－88 CHEN CM美国（德雷赛尔大学）0．3965402－10 BARABASIAL美国（圣母大学）0．18640———BUTLER L澳大利亚（澳大利亚国立大学）0．22631296－09 PETERS HPF荷兰（莱顿大学）0．1962491－94 EUR COMM欧洲0．28620———GUPTA BM印度（Natl Inst Sci Technol＆Dev Studies）0．23541295－10 COSTAS R荷兰（莱顿大学）0．22521305－10 BORNER K美国（印第安那大学）0．2351903－10 BATAGELJ V斯洛文尼亚（卢布尔雅那大学）0．26460———AMIN M英国（爱思唯尔公司）0．2742102 BHATTACHARYA S印度（Natl Inst Sci Technol＆Dev Studies）0．2441997－07 SWANSON DR美国（芝加哥大学）0．19400———TANG R美国（西蒙斯学院/天主教大学）0．3138503－08 VANRAAN A荷兰（莱顿大学）0．28360———KAMADA T日本（东京大学）0．24300———BARJAK F瑞士（Univ Appl Sci Solothurn NW Switzerland）0．1922307－08 WOEGINGER GJ荷兰（埃因霍温科技大学）0．22160———在1990年之前发表，对信息计量学领域问题的研究较早，属于信息计量学领域相关问题研究的奠基者。