中文期刊知识图谱研究范式的优化
在科学知识图谱领域,代表性软件CiteSpace对于期刊数据的分析具有重要价值,但是CiteSpace软件对中文期刊数据的分析仅能完成几类基础聚类和数据分析,如若希望做深入解读就需要对已有中文期刊CiteSpace研究范式进行完善和创新.本研究通过深入分析CiteSpace两篇代表性文献,提取了标准研究范式,从CSSCI收录的文献中梳理出通用的CiteSpace中文期刊研究范式,并将两种范式进行对比,探究中文期刊研究范式需要优化之处.基于此,本研究通过使用自然语言处理技术(简称"NLP")主题挖掘的典型模型Latent Dirichlet Allocation(简称"LDA")处理论文摘要数据,通过这种技术完善文献检索策略和文献数据处理方法,提出的"优化范式"丰富了中文期刊CiteSpace研究来源数据,增强了中文期刊CiteSpace研究内容的深度和系统性,并通过对国内人工智能在教育领域应用的研究进一步验证了该"优化范式"的可操作性,揭示出国内人工智能在教育领域应用研究的前沿主要聚焦于智慧学习环境的构建和相关技术支持.在与国内CSSCI同类型文献的对比中,"优化范式"在数据收集、数据分析、数据解读三个阶段的表现均优于传统中文期刊CiteSpace研究范式.
期刊知识图谱、文献计量、LDA模型、CiteSpace、研究范式、人工智能教育、中文社会科学引文索引(CSSCI)
G420(教学理论)
2020-11-17（万方平台首次上网日期，不代表论文的发表时间）
共10页
1-10
