本文基于公众号“玉树芝兰”《如何用R快速了解科研领域》撰写，感谢老师的分享。
BiblioShiny官方网址：https://bibliometrix.org/
BiblioShiny
Biblioshiny分为：
三个不同级别指标的分析和图表：
-来源
-作者
-文献
知识的三个结构（K结构）：
-概念结构 ：主题和趋势
-知识结构 ：作者对该领域的影响力
-社会结构：作者、机构、国家如何彼此影响
BiblioShiny思维导图
简单来说，这款工具可以对某一科研领域的作者、期刊、文献计量分析，无需敲打代码，就可以对该科研领域有一个简单的认识。
接下来的篇幅，主要围绕BiblioShiny各个模块介绍，大家可以根据需求进行相应分析。
数据
数据从Web of Science下载，选择数据库“Web of Science核心合集”，检索式主题“information serendipit*”or 主题“information encounter*”，时间跨度“所有年份”。
检索式
对结果精炼，文献类型“ARTICLE”。
只选ARTICLE
避免文献相关性过低，通过观察，选择前1000条。
导出格式选择“其他文件格式”，记录来源“1至500”，记录内容“全纪录与引用的参考文献”，文件格式“BibTex”。下一次导出，记录来源改变“501-1000”。将下载的文件保存为Archive.zip。
选择其他文件格式
文件格式"BibTex"
安装
通过官网安装R与Rstudio，安装后，在Rstudio中执行以下命令。
安装命令
如果安装包过程中出现问题，有可能是镜像问题。
选择“Tools”中“Global Options”，Packages-CRAN Mirrors-China（Beijing）-enter键。
镜像选择
安装成功，会跳出如下页面。
biblioshiny界面
数据加载与过滤（Data&Filter）
选择Data-Import or Load，Import raw file(s)-Web of Science(WoS/WoK)-BibTex，将下载的wos数据上传，可以选择将bibliometrix文件另存为excel/R Data Format格式。
数据加载
过滤：可以根据文献类型、出版年份、被引次数、来源。
数据过滤
数据集
Main Information（部分）
数据描述
Annual Scientific Production：每年发文量
Average Citations per Year：每年平均引用次数
Three-Fields Plot：可以更改不同字段、调整数目，绘制可视化图，记得Apply！
Three-Fields
Sources（来源）
Most Relevant Sources：与该主题相关的期刊
Most Local Cited Sources：高被引期刊（当前文献集）
Bradford’s law：根据布拉德福定律划分出核心区
Source Impact：期刊影响因子
Source Dynamics：期刊出现次数
Authors（作者）
Most Relevant Authors：最高产作者
Most Relevant Authors
其中，Fractionalized Frequency是作者对于论文的贡献率。
Fractionalized Frequency
Author’s Production over Time：高产作者近期发文
Lotka’s law：洛特卡定律（核心作者）
Author Impact：作者影响因子
Most Relevant Affiliations：最高产机构
Corresponding Author’s Country：合著作者的国籍
其中MCP表示与其他国家作者合著论文的数量；SCP表示同国籍作者合著论文数量。
MCP_Ratio可以看出国际合作的比率高低。
Corresponding Author’s Country
Country Scientific Production：各个国家发文量
Most Cited Countries：高被引国家以及被引次数
Document（文献）
Most Global Cited Documents：在web of science中高被引文献
Most Local Cited Documents：在当前数据集中高被引文献
Most Local Cited Documents
Most Local Cited References：在当前数据集中高被引的参考文献
Reference Spectroscopy：每年参考文献的数量
Most Frequent Words：高频词
根据需求，更改字段。
Keywords Plus：WoS增加的关键词是和原文章相关的关键词，但是作者本人没有添加，为了增加文章在相关专题下的命中率。
Most Frequent Words
WordCloud：词云
WordCloud
TreeMap：树图
TreeMap
Word Dynamics：词出现次数，展示词变化趋势
Trend Topics：根据当年词出现频次推测热点话题
Trend Topics
Conceptual Structure（概念结构）
Co-occurrence Network：共现网络
可以选择对应词，确定与其相关联的其他词
Co-occurrence Network
Thematic Map：主题地图
横轴：中心度；纵轴：密度
第一象限（右上角）：motor themes，既重要又有良好发展；
第二象限（左上角）：highly developed and isolated themes，已有良好发展，但是对于当前领域不重要；
第三象限（左下角）：emerging or declining themes，边缘主题，也没有好的发展，可能刚刚涌现，也许即将消失；
第四象限（右下角）：basic and transversal themes，对领域很重要，但是未获得良好发展。一般是指基础概念。
Thematic Map
Thematic Evolution：主题演化
Thematic Evolution
Factorial Analysis：析因分析
Factorial Analysis
三种方法：
Correspondence Analysis：对应分析
Multiple Correspondence Analysis：多重对应分析
Multidimensional Scaling：多维标度法
word map（词汇地图）将研究领域划分为几个类别
word map
最具贡献论文（Most Contributing Papers）
Contributing：汇总的信息中每篇论文的权重
Most Contributing Papers
在wos被引次数最高的文献（Most Cited Papers）
Most Cited Papers
Intellectual Structure（知识结构）
Co-citation Network：同被引网络
Historiograph：了解数据集中重要性较高文献
Historiograph
Table列表中，LCS表示当前数据集中，文献被引次数，也就是文献在该领域的重要程度；GCS表示Web of Science 中，文献被引次数。
Historiograph
Social Structure（社会结构）
Collaboration Network：合作网络（作者、机构、国家）
Collaboration Network（countries）
Collaboration WorldMap
Collaboration WorldMap
以上对biblioshiny中的指标解读可能会存在不足，欢迎大家批评指正！
绘制图是第一步，解读图至关重要，合理应用计量指标以及设置参数，可以快速了解某一科研领域。
閱讀更多 質數數數數 的文章
