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[ 22]。

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[ 23]。正如Langer和Vacanti最初描述的那样[ 1]， TE的定义是使用细胞来源、基质和生长因子来构建对人体健康具有治疗作用的仿生组织[ 1]，这与其他新兴的生物医学方法不同，这些方法只使用培养的干细胞或生物材料，而不产生人类生物人工组织。从这个意义上说，我们的目标是捕捉TE研究的精确概念。

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[ 24]，自2012年以来，它拥有比传统指标更广泛的重要社会信息来源(例如，基于网络的引用、新闻媒体提及、Twitter提及或专利等)[ 25]。

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[ 26]，在Twitter的例子中，我们把每次提到都称为a tweetation，包括提及TE期刊文章的URL、转发同一条推文，或由其他用户发送修改后的推文[ 26]。此外，我们获得了2012 - 2018年被引频次排名前10位的TE原创文章，并根据归一化WoS被引频次和归一化Altmetric Attention Score 2个参数对其进行排名。这些测量是使用标准化引用影响的基本原理计算的。它是通过将引用条目数除以我们的文档语料库中出版同一年的文档的引用平均数来计算的。Altmetric Attention Score先前已被用作在线注意力的文献计量测量[ 25]。

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[ 27]、因子分析[ 28]，线性回归模型[ 29]。使用传统指标收集城市需要几年的时间，而Altmetric在2015年之前提供的数据并不广泛，因为该平台仅在2012年成立。因此，对2015年至2018年检索的出版物进行了相关分析和因子分析。这一策略以前在其他替代计量学研究中使用过[ 30.]。此外，在处理前，所有引用和提及计数都用公式Ln(1+x)进行了转换，以减少歪斜[ 30.]。

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 P< . 05。

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[ 31]。最后，应用线性回归模型获得替代指标对传统科学影响度量(如引文计数)影响的数学表达式。构建的方程包含一组在相关分析和因子分析中确定的变量，使我们能够根据2015年TE Altmetric分数预测2018年WoS的引用数量。最后，利用该方程计算2015年发表文献的预测被引频次。一个 t采用-检验分析确定显著性(95% CI和显著性) P< . 05)。JASP(免费软件;荷兰阿姆斯特丹大学(University of Amsterdam, Amsterdam, Netherlands)进行了所有的统计分析[ 32]。

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%。

兰格和瓦坎蒂发表的一篇开创性的文章[ 1为TE奠定了基础。从那时起，TE已经发展并产生了一个跨学科领域，将工程和生命科学的原理应用于开发能够恢复、维持甚至改善组织功能的生物替代品。在当代医学中，TE被认为是最有前途的先进疗法之一，因为它有可能克服与器官衰竭相关的传统问题，并治疗以前未治疗的疾病。 52]。它的出现和在临床实践中的应用导致了外科手术和移植程序的革命，因为新的生物人工组织装置现在可用于治疗，感染传播和免疫介导的器官排斥的风险大大降低[ 53]。

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[ 10， 11]。这些基于文献计量学的方法通常利用传统的科学影响测量方法，如引用和出版物。此外，提出的社会地图和概念图也存在同样的偏见，因为机构之间的关系和确定的关键概念都是基于关键词的引用次数和共现率[ 54]。因此，需要新的方法来更好地描述和理解TE对我们社会的真正影响。从这个意义上说，传统文献计量学与替代计量学(altmetrics)的联系可以提供一个更明智和现实的TE行为观[ 55]。

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[ 10]， TE的认知和社会框架[ 11]，以及评核的结构及演变[ 56]，试图复制相同的搜索策略，强调我们的结果的可重复性和可比性的价值。据我们所知，之前没有文献定义在线TE结构及其主要特征，或其与临床医学中其他广泛使用的平台(如科学期刊)的本质差异。

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[ 57， 58]。Kwak等[ 58]证明了转发构成了这个原始模型的核心。因此，TE文档的转发可以将其信息传播到原作者的限制之外，将其扩展到追随者网络的广阔空间中[ 59， 60]。此外，新的TE设备的相关信息可以通过该网络到达初级保健医生和患者群体，优化不同医疗保健水平之间的沟通和社会教育[ 61]。Eysenbach [ 26据报道，高推特的文章被高引用的可能性是高引用的11倍，推特与传统的科学影响指标相关[ 26]。因此，Twitter中TE文档的上升趋势也可以用这种更高的学术影响来解释。

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[ 62， 63]。

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[ 64]。根据Bornmann [ 65]，引用只评估学术文献对引用者的影响，这忽略了许多学术文献的受众，他们可能会阅读论文，但不会将其作为“纯”读者引用[ 65]。此外，评估科学影响的任务必须考虑到一些政策和社会需求。这些社会的、政策驱动的和技术的需求导致了替代计量学的出现，作为一种进化的方法，它扩大了研究对研究人员和政策需求的影响，作为研究的推动者，作为社会的最终用户，通过研究的进步扩大了研究的影响。

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[ 3.]，以及治疗先前未治疗的疾病[ 66， 67，其社会需求尤为重要[ 68]。从这个意义上说，使用替代度量，结合经典的科学影响度量，可以为TE研究在社会中的实际影响提供一个更广泛的背景。

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[ 69]。由此可见，WoS中TE文献的引用次数与Mendeley Readers的数量同样具有良好的相关性。因为TE研究人员可以使用先前存储的文档作为他们自己未来出版物的引用文档，因此相关结果在某种程度上是可以解释的。然而，Mendeley Readers的用户并不一定是专门的出版学者，也可以是从业者或学生，如前所述[ 70， 71]。因此，在TE研究中观察到的相关性应该与更广泛的科学活动有关，而不仅仅局限于在专业期刊上发表文章的专家和研究小组。

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。 72]。正如Berger和Milkman所说[ 73]，那些唤起活跃情绪(如愤怒、敬畏、焦虑)的内容更容易像病毒一样传播开来，而那些让人失去活跃情绪(如温柔)的内容则相反[ 73]。因此，关于构建生物人工组织的文件可以在Reddit上被批评，或者报道那些对普通读者来说令人惊讶和震惊的发现，但对专业读者来说却不那么相关。

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[ 30.]。从这个意义上说，因子分析可以用来确定解释先前观察到的相关性的共同因素或组成部分。对此，对TE产生的因子分析显示存在6个分化因子(F1-F6)。

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[ 74， 75]。此外，TE的结构多学科性质以及生物材料行业、研究小组和临床医生之间的关系可以通过Twitter等社交网络得到理想的展示[ 10， 58， 76]。

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[ 30.]，考虑与期刊影响相结合的其他指标是合理的，以了解哪些文章更有可能吸引长期引用[ 30.]。将这一逻辑应用于TE生产，我们建立了一个线性回归方程，从2015年Altmetric指标中得出2018年的TE引用计数。该模型能够解释Altmetric跟踪的TE文档WoS引用数量的40%以上的变化(R²= 49.6%);回归结果具有统计显著性，因此出版物或引用等指标与在线科学工作的影响之间的关联可以更好地表征生物医学学科(如TE)中的信息流动。

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[ 77]，在网上分享构建良好的信息有助于让社会了解科学进步的真正可能性。

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[ 78]。此外，替代指标可能会受到影响地区不完整和有偏见的报道(例如，大多数中国地区不使用Twitter)的影响，这使得比较不同地区的影响变得困难[ 79]。重要的是，替代指标缺乏质量控制，因此它们容易受到故意或意外的操纵，如果它们被用作影响评估的唯一指标，可能会促进耸人听闻的结果，并随后失去可信度[ 80]。然而，在分析大量文件时，其中一些缺点是可以控制的，从这个意义上说，与其他领域相比，替代指标似乎在健康科学中更为普遍和有用[ 81， 82]。因此，我们认为新的可选度量标准不会取代传统的度量标准。事实上，这是两种具有共同目标的不同方法:传统指标试图评估研究人员之间的学术影响，而替代指标试图评估特定科学问题上的政策和社会需求。虽然这些方法不同，但它们是正相关的[ 26]。一项随机对照试验[ 83]报告了通过网络平台传播研究成果与随后的引用之间的因果关系。

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[ 84]。然而，WoS涵盖250多个科学学科，记录总数超过9000万份[ 85]。在进行文献计量分析时，WoS提供的引文数据被认为是其与其他数据库相比的主要优势之一。此外，技术文件的覆盖范围不受WoS建设日期(20世纪60年代)的限制，因为关于技术的开创性论文发表于1993年[ 1]。

我们小组之前的研究已经描述了全球趋势[ 10]并确定了TE的认知和社会框架[ 11]。然而，据我们所知，这是第一个在大众媒体时代将TE的在线社会维度作为研究领域进行分析的研究。

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。