这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首次发表在《医学互联网研究杂志》上,并适当引用。必须包括完整的书目信息,到//www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。
组织工程(TE)是一个以构建人工组织来再生终末期器官为目标的多学科交叉领域。它的发展始于20世纪最后十年,引发了一场临床革命。TE研究小组在大众传媒时代工作并分享相关信息。因此,研究TE研究的在线维度,并将其与传统的科学影响衡量标准进行比较,将是一件有趣的事情。
本研究的目的是利用从Web of Science (WoS)和Altmetric获得的元数据评估2012年至2018年TE文档的在线维度,并根据Altmetric分数建立TE文档影响的预测方程。
我们通过描述和统计方法分析了10112份TE文件。首先,揭示了WoS和15个在线平台(新闻、博客、政策、Twitter、专利、同行评议、微博、Facebook、维基百科、谷歌、Reddit、F1000、问答、视频和Mendeley Readers)的时间演化。根据归一化WoS被引次数和归一化Altmetric Attention Score对被引次数最多的10篇TE原创文章进行排名。其次,为了更好地理解TE在线框架,基于先前Bartlett球度检验和Kaiser-Meyer-Olkin检验获得的合适结果,进行相关性和因子分析。最后,运用线性回归模型来解释学术与网络媒体的关系,并从altmetrics数据构建TE的预测方程。
TE动态显示WoS引用、Twitter、Mendeley Readers和Altmetric Scores呈上升趋势。然而,WoS和Altmetric对被引用最多的文献的排名明显不同。Mendeley Readers与WoS的相关性最好(ρ=0.71)。此外,因子分析确定了6个因素,可以解释之前观察到的学术机构和评估的在线平台之间的差异。至此,所构建的数学模型能够从Altmetric分数中预测和解释超过40%的TE WoS引用。
与生物人工组织构建相关的科学信息越来越多地通过不同的网络媒体传播到社会。由于在比较学术机构和在线平台时,TE研究的重点存在重大差异,基础和临床研究小组、学术机构和卫生政治家应协调努力,设计和实施适当的信息传播和人口健康教育战略。
组织工程(TE)是一个多学科领域,旨在开发生物替代品,以恢复、维持甚至改善受损组织的结构或功能。
在过去十年中,科技刊物的数量不断增加,从定量的角度显示了科技的新兴趣和快速发展[
从这个意义上说,传统的文献计量学分析利用从学术文献中提取的信息(即引文或关键词)来理解科学学科的演变,例如TE [
Altmetrics描述了一种基于网络的指标,用于通过使用来自社交媒体平台(即Twitter, Facebook, Google+,博客,Mendeley Readers, CiteULike, Reddit和Wikipedia等)的数据来了解出版物和其他学术材料的影响[
此外,这些指标的在线公开性质允许在整个网络环境中比传统的引用指标更快、更广泛地跟踪学术文章的提及[
然后,在全球科学的背景下,信息在网络上共享和消费,甚至在科学界普遍验证之前,探索像TE这样的多学科和动态科学的在线维度将是有趣的。在健康科学的最新进展中,构建生物类似物组织是成功治疗以前未治疗疾病的最有力方法之一。据我们所知,自20世纪末TE研究出现以来,还没有评估在线维度的文件。因此,本研究的主要目的是确定在线TE行为的特征,并将其与传统的科学影响指标进行比较。
本研究使用的元数据来源于Web of Science (WoS) Core Collection书目数据库。WoS被认为是最相关的科学信息来源之一,因为它包含有关引用的可靠证据,并被广泛用于研究评估[
本研究中使用的搜索策略为“TISSUE ENGINEER*”或“TISSUE-ENGINEER*”,并将其应用于2012年至2018年期间的科学引文索引扩展集合。我们执行这种搜索策略是为了准确区分真正的TE文档和属于其他相关领域(如再生医学或细胞治疗)的文档[
一旦元数据被提取出来,我们就排除了评论、书籍章节、会议摘要和论文。然后,将本研究获得的原创文章与Altmetric在线信息进行匹配[
为了理解TE在社交网络中的行为,并将其与传统指标进行比较,我们进行了两种不同的分析。首先,我们评估了7个不同平台(WoS、Altmetric Attention Score、Twitter、patents、Facebook、Mendeley Readers和news)上关于TE的原创文章在2012年至2018年期间至少有一次提及或引用的文档的百分比。继艾森巴赫之后[
为了更好地在线表征TE结构,我们进行了3种不同的统计检验:Spearman相关检验[
为了验证数据集不遵循正态分布,对接下来评估的16个变量进行了Kolmogorov-Smirnov检验,总体而言,以表征该领域:(1)WoS引用,(2)新闻,(3)博客,(4)政策,(5)Twitter,(6)专利,(7)同行评审,(8)微博,(9)Facebook,(10)维基百科,(11)Google, (12) Reddit, (13) F1000, (14) Q&A,(15)视频,(16)Mendeley Readers。然后对前面描述的变量进行Spearman相关,并将统计显著性定义为
获得相关数据后,进行因子分析。因子分析使我们能够确定可以解释先前观察到的相关数据的共同变量或因素。从这个意义上说,在评估因子分析的适用性之前,先进行Bartlett球形性和Kaiser-Meyer-Olkin检验[
在执行上述搜索策略后,从2012年至2018年期间从WoS中检索了23,179份与TE相关的文档。然后执行WoS中可用的doi与Altmetric数据之间的匹配过程。最终获得Altmetric评分在1分及以上的文献10112篇,占43.63%。
在WoS和在线中显示了TE文档的存在
2012-2018年期间至少被引用/提及一次的文献百分比。只有那些在任何一年都超过5%的平台被代表。WoS:科学网。
按归一化WoS引用次数和归一化Altmetric注意力得分排名前10位的TE文档见
WoS排名前10位的组织工程文献一个引文为2012-2018年。
我们的排名 | 高程等级 | 规范化WoS引用 | 标准化Altmetric注意力评分 | 参考 |
1 | 5 | 38.32 | 140.76 | [ |
2 | 21 | 35.19 | 54.11 | [ |
3. | 43 | 22.19 | 33.31 | [ |
4 | 602 | 21.49 | 2.16 | [ |
5 | 291 | 19.78 | 5.73 | [ |
6 | 6022 | 18.10 | 0.11 | [ |
7 | 8060 | 18.10 | 0 | [ |
8 | 2259 | 18.03 | 0.59 | [ |
9 | 3738 | 16.97 | 0.22 | [ |
10 | 8 | 14.91 | 68.29 | [ |
一个WoS:科学网。
2012-2018年Altmetric注意力评分排名前10位的组织工程文献。
我们一个排名 | 高程等级 | 规范化WoS引用 | 标准化Altmetric注意力评分 | 参考 |
365 | 1 | 3.46 | 204.96 | [ |
16 | 2 | 12.97 | 199.36 | [ |
83 | 3. | 6.83 | 149.21 | [ |
39 | 4 | 9.60 | 141.62 | [ |
1 | 5 | 38.32 | 140.76 | [ |
8853 | 6 | 0 | 115.27 | [ |
1584 | 7 | 1.73 | 85.10 | [ |
10 | 8 | 14.91 | 68.29 | [ |
307 | 9 | 3.80 | 67.04 | [ |
252 | 10 | 4.37 | 65.81 | [ |
一个WoS:科学网。
一方面,邓等人的原文[
2015年至2018年所有检索出版物的传统指标与替代指标之间的相关性分析结果见
2015年至2018年发表的组织工程文章的变量对Spearman相关结果。一个
|
我们b | 新闻 | 博客 | 政策 | 推特 | 专利 | 同行评审 | 微博 | 脸谱网 | 维基百科 | 谷歌 | F1000 | 常见问题 | 视频 | |
我们 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
新闻 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
博客 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
政策 | 0.049 | 0.065 | 0.064 |
|
|
|
|
|
|
|
|
|
|
|
|
推特 |
|
|
|
0.009 |
|
|
|
|
|
|
|
|
|
|
|
专利 |
|
|
|
-0.009 | -0.068 |
|
|
|
|
|
|
|
|
|
|
同行评审 | -0.006 | -0.01 |
|
-0.001 | -0.006 | -0.009 |
|
|
|
|
|
|
|
|
|
微博 | 0.04 |
|
|
-0.002 | 0.063 | -0.011 | -0.002 |
|
|
|
|
|
|
|
|
脸谱网 | 0.064 |
|
|
0.046 |
|
0.047 | -0.014 |
|
|
|
|
|
|
|
|
维基百科 | 0.076 | 0.072 | 0.073 | -0.004 | 0.073 | 0.032 | -0.004 |
|
0.039 |
|
|
|
|
|
|
谷歌 | 0.071 |
|
|
|
0.073 | 0.013 | -0.005 |
|
|
0.086 |
|
|
|
|
|
-0.012 | 0.008 | 0.028 | -0.005 | -0.015 | -0.03 | -0.005 |
|
0.016 | -0.013 | 0.025 |
|
|
|
|
|
F1000 | 0.054 | 0.036 | 0.063 | -0.003 | 0.05 | 0.013 | -0.003 |
|
0.015 | 0.063 | 0.046 | -0.011 |
|
|
|
常见问题 | 0.003 | -0.007 | -0.007 | -0.001 | -0.004 | -0.006 | -0.001 | -0.001 | -0.01 | -0.003 | -0.003 | -0.003 | -0.002 |
|
|
视频 | -0.033 | 0.008 | 0.036 | -0.003 | 0.006 | -0.02 | -0.003 | -0.004 | 0.061 | -0.009 | -0.011 | -0.011 | -0.008 | -0.002 |
|
Mendeley读者 |
|
|
|
0.021 |
|
|
-0.025 | 0.049 |
|
0.077 |
|
0.012 | 0.067 | 0.008 | 0.03 |
一个斜体值表示
bWoS:科学网。
总体而言,Mendeley Readers和WoS的被引次数显示出最好的相关结果(ρ=0.71), Twitter (ρ=0.17)和news (ρ=0.14)等平台的相关性也比较合适。然而,维基百科、Facebook、F1000提及和问答提及的相关结果较弱,而TE文档出现在3个在线平台上的相关结果为负相关:同行评议提及(ρ= - 0.006)、Reddit提及(ρ= - 0.01)和视频提及(ρ= - 0.03)。
首先,值为5629.85 (
F1揭示了WoS引用与Mendeley Readers之间的关系。然而,其余因素(F2-F6)最有可能解释与TE专业研究人员和读者没有直接关系的不同类型的科学影响。关于这一点,F3是Google和政策提及的共同因素,有趣的是,3个社交平台(博客、新闻和Facebook)同时出现在F5中。最后,Twitter中提到的TE文档(
组织工程研究领域2015年产量因子分析结果。
相关系数(r)和决定系数(r)2)分别等于0.645和0.414。此外,方差分析的统计检验具有显著性(
变量Mendeley Readers构成了TE文档的最佳引用预测器,因为它拥有更高的r (r=0.599)结果。其余的Altmetric分数也有正相关,但观察到的关联强度较弱。
根据2015年Altmetric评分对2018年TE WoS被引次数的预测方程为:
Ln (1 + WoS)= -27.25 + 5.37 × Ln(1 +博客)+ 0.82 × Ln(1 +新闻)+ 12.78 × Ln (1 + Mendeley Readers) + 5.83 × Ln(1 +专利)+ 0.75 × Ln (1 + Twitter)。
最后,没有发现显著差异(
兰格和瓦坎蒂发表的一篇开创性的文章[
因此,出现了一种新的兴趣,旨在阐明TE及其认知和社会框架的全球趋势[
因此,在本研究中,我们对2012年至2018年从WoS检索到的TE核心文件进行了基于替代计量学的分析。我们之前使用这个查询词来分析全球TE趋势[
在这方面,我们首先对WoS和6个不同的网络平台(即Facebook、专利、Twitter、新闻、Mendeley Readers和Altmetric Attention Score)中TE文档的演变进行了描述性分析。WoS中TE文件的存在比其他文件重要,这表明存在一种完善的研究动态,学术和专业卫生从业人员在知名数据库中收集和咨询适用的临床信息。此外,Twitter中的TE扩散在被咨询的社交网络组中表现突出;有趣的是,在整个评估期间,Twitter上的科学信息传播的一种特殊模式可以解释这些结果。
一方面,Twitter是一个微博平台,用户可以通过Twitter与虚拟同事发送短消息,它本身的结构已经形成了一种独特的科学交流模式和特殊的信息流[
为了更好地理解网络科技文献与传统学术媒体关注焦点的异同,我们选取了2012年至2018年被引用次数最多的10篇科技文献。然后,我们根据归一化WoS引用次数和归一化Altmetric Attention Score对它们进行排名和比较。获得的结果表明,TE文档的排名之间存在明显的差异,这表明WoS中的引用与在线用户的兴趣并不遵循相同的路径。当比较每个指标排名靠前的文档时,指标之间的差异往往更加显著。这种比较虽然不能用于验证目的,但对于阐明这种差异模式是有用的。这种不同的关系,即学者和基于网络的关注明显不同,从未被证明是一门学科,尽管它并不排斥它。从这个意义上讲,其他研究领域也出现了类似的结果,表明科学进步的社会和学术假设并不遵循相同的原则[
这一发现并不是一个消极的结果,而是传统和替代指标的不同性质,以及研究发生的社会和动态背景的结果。据报告,在医学和应用科学领域,很大一部分信息目标是在研究和学者群体之外发现的,传统的引用只是衡量信息影响和使用的部分措施[
由于TE致力于构建能够恢复、维持甚至改善受损组织的结构或功能的仿生组织[
除了描述性分析外,我们还应用了3种不同的统计检验:Spearman相关、因子分析和线性回归模型。相关性研究表明,WoS的TE引用数与Mendeley readers的读者数最高(ρ=0.71)。这一发现可以通过关注Mendeley Readers自身的性质来解释,因为它是一个引文管理工具,主要用于存储和共享书目用户社区的参考文献。Mendeley reader的使用与未来在几个生物医学科学领域的引用数相关[
与Twitter、新闻和博客等在线平台呈正相关,但相关性较弱。然而,由于负相关关系,视频和Reddit中提到TE文档的次数较少。这些结果很可能受到这些平台上读者的结构和类型的影响。例如,在Reddit中,病毒式传播便是关键因素。
例如,相关性研究可能会模糊一组变量之间存在的真正关系。当存在显性或强烈的关联时,这种潜在的偏见尤为重要[
F1与Mendeley readers中的读者、WoS中的引用和专利相关联。有趣的是,指导TE研究的最终目标是生物工程组织装置在医学专业日常实践中的临床应用。要取得这一成就,必须满足两个先决条件:在同行评议的期刊上发表科学成果,并获得专利许可。由于这一过程与引文管理人员的使用和知名数据库的论文收集有因果关系,因此因子分析的结果是一致的。F2(微博、F100、Reddit和Wikipedia)可能是另一种类型的TE信息消费。对结果的非正式交流,较少的科学严谨性,主要主导了整合这一因素的组成部分。
F3中policy与Goggle的关系并不明确,后者可以用来过滤和获取与TE相关的异构和海量的信息,而不仅仅是临床应用TE的法律要求。有趣的是,Twitter在F4中获得了个体维度,构成了一个区别于其他社交网络的社交网络。然而,新闻和Facebook同时出现在F5中,博客构成了F6的一个组成部分。对于Twitter在TE信息传播中的主导作用,一个合理的解释是,TE的发展与社交媒体的爆发是同步发生的。可能,正如前面提到的其他科学学科一样,TE的研究人员已经用学术共同体的概念代替了虚拟部门[
最后,我们的目标是为TE文献建立一个数学模型,以相对准确地预测Altmetric分数对未来被引次数的影响。然而,根据塞尔沃尔和内维尔[
我们希望这篇文章能够促进在TE中充分利用基于网络的平台进行科学信息的交流和传播。我们坚定地相信,正如魏戈尔德[
尽管本研究提供的结果很有趣,但必须解决几个局限性。首先,只有一定比例的WoS索引出版物可在Altmetric上获得,因此,研究的结论受到所获得的核心文件的影响。其次,因子分析只进行了1年;虽然研究领域的行为可能是相似的,但它可能受到已发表的主题或其他因素的影响。最后,没有分析出版商或期刊编辑故意发布的推文。
此外,使用替代指标会导致一些潜在的缺点,特别是当它们被用作影响评估的唯一指标时。此外,领域标准化也存在困难,这使得比较不同学科的影响变得困难[
本研究的另一个局限性是,我们的搜索策略仅限于WoS,而没有探索其他数据库(如Scopus或Medline)中TE的存在,也没有采用其他研究中报道的更广泛的搜索策略[
我们小组之前的研究已经描述了全球趋势[
在线社交媒体在从学术界向患者和健康消费者传播有关先进疗法和TE的信息方面发挥着关键作用。
学术层面的TE研究群体关注的焦点和网络大众媒体中分享最多的文章并不相同,被引频次排名前10位的TE文献(归一化WoS被引次数和归一化Altmetric Attention Score)的排名并不均匀。
基于从替代度量(altmetrics)中检索到的信息建立的数学模型可用于预测TE文档对引用计数的影响。
不同的行为者(学者、基础和转化研究人员团体、卫生临床医生、数据管理人员和卫生信息工作者)应该在在线大众媒体上实施关于先进疗法和TE的知识传播模型。
TE被认为是日常医疗实践中的一场革命,因为组织结构现在可以用于治疗以前无法治疗的严重疾病。因此,这些新的医疗方法对人口的影响,现在可以通过其他指标来衡量。这些指标不同于经典的学术指标,但了解它们对最终引用计数的影响可以形成不同机构或个人决策过程的基础。参与TE科学传播的不同参与者可以利用本研究的结果来增加他们对使用社交媒体和其他在线平台作为世界窗口的兴趣,其目的不仅是达到科学界,而且是整个社会。
组织工程
科学网
本研究由西班牙安达卢西亚政府的CTS-115(格拉纳达大学组织工程研究小组)、西班牙国家研究机构通过项目PID2019-105381GA-I00/AEI/10.13039/501100011033 (iScience)、安达卢西亚卫生系统的博士后资助(rd -0145-2020)和欧盟加的斯省Fondo Europeo de Desarrollo区域para倒置领土整合资助(PI - 0032 - 2017)提供支持。作者感谢Altmetric LLP (London, UK)为研究目的授予Altmetric Explorer访问权限。
MAM-P和JAM-M负责这项工作的概念化。AS-E和JAM-M负责实施的方法。MJC进行了软件分析。AS-E, mamp和JAM-M。验证内容。AS-E管理正式分析、执行调查和管理资源。JM-S、MJC和AIP-S执行数据管理。JM-S和AIP-S负责撰写初稿,AS-E、MAM-P和JAM-M负责撰写审稿和编辑。JAM-M负责可视化。mamp, JAM-M和AC监督工作。 AC was responsible for project administration. AC and MJC handled funding acquisition. All authors have read and agreed to the published version of the manuscript.
没有宣布。