The Algorithm for Refining a Framework of Scientific and Technological Field in Bibliometric Databases on the Example of Synchrotron, Neutron Research and Development

12+ Submit an article

Received: 21.07.2022 Published: 21.07.2022

UDC: 001 DOI: 10.22394/2410-132X-2022-8-2-98-117

Abstract

To assess the publication effectiveness of the Federal Scientific and Technical Program for the Development of Synchrotron and Neutron Research and Research Infrastructure for 2019–2027 (Program), its developers proposed the special search query in Web of Science Core Collection (WoS). The purpose of the study is to determine effective approaches to adaptation of the search query providing the most complete coverage of the Program topics publications and applicable to international and domestic databases. In publications from applications for participation in the Program, we identified keywords to validate the search query. We used keyword search in WoS, Scopus, core of Russian Index of Science Citation, identification of publications by using WoS and Scopus APIs, graph building in VOSviewer, Yet Another Keyword Extractor text mining method. On the basis of empirical data, a multistage algorithm was proposed to the formation of a specific scientific and technological field collection of publications in bibliometric databases.

Keywords

Agencies

Работа выполнена при финансовой поддержке Минобрнауки России в рамках соглашения о предоставлении субсидии № 075-02-2022-979 от 22.02.2022 г.

How to cite

Для цитирования:

Чернова И.Н., Черченко О.В. Алгоритм уточнения рамок научно-технологической области в библиометрических базах данных на примере синхротронных, нейтронных исследований и разработок // Экономика науки. 2022. Т. 8, № 2. С. 98–117. https://doi.org/10.22394/2410-132X-2022-8-2-98-117

For citation:

Chernova I.N., Cherchenko O.V. The Algorithm for Refining a Framework of Scientific and Technological Field in Bibliometric Databases on the Example of Synchrotron, Neutron Research and Development // Economics of Science. 2022. Vol. 8, no. 2. P. 98–117. https://doi.org/10.22394/2410-132X-2022-8-2-98-117

Коды статьи

  • УДК 001

How to Cite

Chernova I.N., Cherchenko O.V. The Algorithm for Refining a Framework of Scientific and Technological Field in Bibliometric Databases on the Example of Synchrotron, Neutron Research and Development // Economics of Science. 2022. Vol. 8, no. 2. P. 98–117. https://doi.org/10.22394/2410-132X-2022-8-2-98-117

References

  1. Дежина И.Г. (2020) Трансформационные исследования: новый приоритет государств после пандемии. – М.: Издательство Ин-та Гайдара. 116 с.
  2. Гуськов А.Е., Косяков Д.В. (2020) Национальный фракционный счет и оценка научной результативности организаций // Научные и технические библиотеки. 1(9):15–42. DOI:10.33186/1027-3689-2020-9-15-42.
  3. Стерлигов И.А. (2021) Российский конференционный взрыв: масштабы, причины, дальнейшие действия // Управление наукой: теория и практика. 3(2):222–251. DOI: 10.19181/smtp.2021.3.2.10.
  4. Руководство по наукометрии: индикаторы развития науки и технологии, второе издание (2021) / М.А. Акоев, В.А. Маркусова, О.В. Москалева, В.В. Писляков; под. ред. М.А. Акоева; Екатеринбург: Издательство Уральского университета. 358 с. DOI: 10.15826/B978-5-7996-3154-3.
  5. Жэнгра И. (2018) Ошибки в оценке науки, или Как правильно использовать библиометрию; пер. с франц. А. Зайцевой. – М.: Новое литературное обозрение. 184 с.
  6. Шомшор М., Адамс Д., Пендлбери Д.А., Роджерс Г. (2021) Классификация данных: как делать осознанный выбор, ведущий к желаемым результатам / Отчет о международном исследовании Института научной информации. – https://discover.clarivate.com/data_categorization_ru?utm_campaign=EM1_ISI_11_GRR_InCites_Data_Categorization_LeadGen_SAR_RussiaCIS_2021&utm_medium=-email&utm_source=Eloqua.
  7. Abramo G., D’Angelo C.A., Zhang L. (2018) A comparison of two approaches for measuring interdisciplinary research output: The disciplinary diversity of authors vs the disciplinary diversity of the reference list // Journal of Informetrics. 12(4):1182–1193. DOI: 10.1016/j.joi.2018.09.001.
  8. Zhang L., Sun B., Jiang L., Huang Y. (2021) On the relationship between interdisciplinarity and impact: Distinct effects on academic and broader impact // Research Evaluation. 30(3):256–268. DOI: 10.1093/reseval/rvab007.
  9. Pech G., Delgado C., Sorella S.P. (2022) Classifying papers into subfields using Abstracts, Titles, Keywords and KeyWords Plus through pattern detection and optimization procedures: An application in Physics // Journal of the Association for Information Science and Technology. Article in Press:1–16. DOI: 10.1002/asi.24655.
  10. Thijs B., Zhang L., Glänzel W. (2015) Bibliographic coupling and hierarchical clustering for the validation and improvement of subject-classification schemes // Scientometrics. 105(3):1453–1467. DOI: 10.1007/s11192-015-1641-3.
  11. Bode C., Herzog C., Hook D., McGrath R. (2018) A guide to the dimensions data approach. A collaborative approach to creating a modern infrastructure for data describing research: where we are and where we want to take it. London: Digital Science. DOI: 10.6084/m9.figshare.5783094.v7.
  12. Bornmann L. (2018). Field classification of publications in dimensions: A first case study testing its reliability and validity // Scientometrics. 117(1):637– 640. DOI: 10.1007/s11192–018–2855-y.
  13. Herzog C., Lunn B.K. (2018) Response to the letter “Field classification of publications in dimensions: A first case study testing its reliability and validity” // Scientometrics. 117(1):641–645. DOI:10.1007/s11192–018–2854-z.
  14. Постановление Правительства Российской Федерации от 16.03.2020 г. № 287 (2020) Федеральная научно-техническая программа развития синхротронных и нейтронных исследований и исследовательской инфраструктуры на 2019–2027 годы. http://publication.pravo.gov.ru/Document/View/0001202003260022
  15. Благов А.Е. (2021) Источники синхротронного излучения четвертого поколения и лазеры на свободных электронах – основа современной кристаллографии и материаловедения / Заседание Президиума РАН 14.09.2021 г. «Научная Россия», 14.09.2021. https://scientificrussia.ru/articles/zasedanie-prezidiuma-ran-14092021.
  16. Путин утвердил сроки создания синхротронных и нейтронных мегаустановок (2019) / РИА, 25.07.2019. https://ria.ru/20190725/1556871808.html.
  17. Чернышенко одобрил проект создания научной установки на острове Русский (2021) / РИА, 10.12.2021. https://ria.ru/20211210/megasayens-1763194751.html.
  18. Мегазапуск: утвержден план развития синхротронных исследований (2019) / Известия, 23.10.2019. https://iz.ru/935014/dmitrii-istomin/megazapusk-utverzhden-plan-razvitiia-sinkhrotronnykh-issledovanii.
  19. Постановление Правительства Российской Федерации от 19.03.2022 г. № 414 (2022) О некоторых вопросах применения правовых актов Правительства Российской Федерации, устанавливающих требования, целевые значения показателей по публикационной активности / Официальный интернет-портал правовой информации. http://publication.pravo.gov.ru/Document/View/0001202203210040.
  20. Конкурсная документация по проведению конкурса на предоставление грантов в форме субсидий из федерального бюджета на реализацию отдельных мероприятий Федеральной научно-технической программы развития синхротронных и нейтронных исследований и исследовательской инфраструктуры на 2019–2027 годы (2021) Утв. Заместителем Министра науки и высшего образования Российской Федерации А.М. Медведевым 20 мая 2021 г.
  21. Campos R., Mangaravite V., Pasquali A., Jatowt A., Jorge A., Nunes C., Jatowt A. (2020) YAKE! Keyword Extraction from Single Documents using Multiple Local Features // Information Sciences Journal. 509:257–289. DOI: 10.1016/j.ins.2019.09.013.
  22. Borner K., Chen C.M., Boyack K.W. (2003) Visualizing knowledge domains // Annual Review of Information Science and Technology. 37:179– 255. DOI: 10.1002/aris.1440370106.
  23. Mohammadi E., Karami A. (2022) Exploring research trends in big data across disciplines: A text mining analysis // Journal of Information Science. 48(1):44–56. DOI: 10.1177/0165551520932855.
  24. Rezaeian M., Montazeri H., Loonen R.C.G.M. (2017) Science foresight using life-cycle analysis, text mining and clustering: A case study on natural ventilation // Technological Forecasting and Social Change. 118:270–280. DOI: 10.1016/j.techfore.2017.02.027.
  25. Fundamentals of predictive text mining (2010) / S.M. Weiss, N. Indurkhya, T. Zhang; Springer. 226 p. DOI: 10.1007/978-1-84996-226-1.
  26. Daim T., Bukhari E., Bakry D., VanHuis J., Yalcin H., Wang X. (2021) Forecasting Technology Trends through the Gap Between Science and Technology: The Case of Software as an E-Commerce Service // Foresight and STI Governance. 2021; 15(2):12–24. DOI: 10.17323/2500–2597.2021.2.12.24.
  27. Солошенко Н.С., Пронина Т.А, Зибарева И.В. (2017) Возможности использования лингвистических аппаратов реферативно-аналитических ресурсов при выявлении новых направлений в междисциплинарных научных исследованиях: библиометрический подход / Информация в современном мире. Международная конференция, посвящается 65-летию ВИНИТИ РАН. Материалы конференции. Москва, 2017. 286–297 с.
  28. Вице-президент РАН Алексей Хохлов: DOI-импортозамещение (2022) / Поиск, 06.04.2022. https://poisknews.ru/science-politic/vicze-prezident-ranaleksej-hohlov-doi-importozameshhenie.
  29. Пресс-релиз о подписании соглашения о сотрудничестве между РАН и НЭБ (2022) / Научная электронная библиотека eLIBRARY.RU, 26.05.2022. https://elibrary.ru/projects/rsci/ran_2022.pdf.

Articles

All articles