大数据时代高校学科评价方法分析

学科评价方法主要有定性评价和定量评价。定性评价主要有深度访谈、专家访谈、调查问卷等方法，通过这些方法为学科评价的指标获取数据，为指标体系设置权重。定量评价主要有文献计量、社会网络分析方法等。

(1)文献计量方法与学科评价　基于文献计量的学科评价是针对某一学科群体，以文献体系和文献计量特征为对象，采用数学、统计学等计量分析的方法，对学科文献体系的分布结构、数量分布、变化规律进行研究，进而探讨学科发展和建设过程中的某些结构、特征和规律。该方法主要是针对文献群实体自身运动变化规律的研究，借助文献计量提供结构性强的描述数据，对学科领域的技术与发展加以推断，从而为学科的学术产出、学科影响力、学科的发展潜力与创新能力进行评价分析。科学合理的学科评价能针对学科研究和发展跟踪世界研究的最新进展，发现研究热点和趋势，激发新的研究思路，寻求研究合作伙伴，同时也使科研人员客观地了解自身学术水平和影响，准确评估自身科研成就，为申报科研项目、申请国家基金提供信息，为科学研究、奖励、管理提供依据，对管理决策部门正确地评价科研学术活动，合理地制定激励措施，促进科学发展和社会进步，都有一定的参考价值。

目前，在学科评价的实践活动方面，很多机构都采用文献计量方法进行客观地学科评价，如英国《泰晤士报》近年来也与汤姆森路透合作，采用ESI和德温特专利数据进行大学与学科的评价。此外，台湾的黄慕萱、陈达仁等开展的大学与学科专业的评价，上海交通大学刘念才的世界大学评价，以及武汉大学邱均平开展的世界一流大学与学科专业评价研究，多是采用汤姆森路透ESI数据库和德温特专利数据库来对大学和学科专业进行评价。

(2)社会网络分析　社会网络分析是对社会网络的关系结构及其属性加以分析的一套规范和方法，又被称为结构分析法。社会网络分析不仅是对关系或结构加以分析的一套技术，而且还探究深层结构即隐藏在复杂的社会系统表面之下的一定的网络模式。例如，网络分析者特别关注特定网络中的关联模式如何通过提供不同的机会或限制，从而影响到人们的行动。社会网络分析法可以从多个不同角度对社会网络进行分析，包括中心性分析、凝聚子群分析、核心—边缘结构分析，以及结构对等性分析等。社会网络分析相关理论有网络结构理论、弱关系力量假设与强关系理论、嵌入性理论、“结构洞”理论等。典型的社会网络分析软件有NetMiner、Pajek和UCINET三种。

山东理工大学科技信息研究所的李长玲获得的国家社科基金项目就是采用社会网络分析方法对学科评价进行研究。

(3)聚类分析与学科评价　聚类分析，又称群分析，是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计分析方法。聚类分析起源于分类学，在古老的分类学中，人们主要依靠经验和专业知识来实现分类，很少利用数学工具进行定量的分类。随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学中，形成了聚类分析。

聚类是将数据分类到不同的类或者簇的一个过程，所以，同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析的目标是在相似的基础上收集数据进行分类。聚类分析来源于很多领域，比如数学、统计学、计算机科学、生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。

天津外国语大学郭建校、高雅荣、刘健的文章《高校重点学科聚类结果分析——基于天津市高校重点学科的实证研究》，研究了天津市重点学科的聚类分析结果。聚类结果表明了不同学科的分类结果，各学科间存在着的内在联系。

(4)数据挖掘与学科评价　数据挖掘，又称数据库中的知识发现，是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。(www.xing528.com)

数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集;规律寻找是用某种方法将数据集所含的规律找出来;规律表示是尽可能以用户可理解的方式(如可视化)将找出的规律表示出来。数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。

采用数据挖掘，通过对学科相关数据的搜集整理和挖掘，给出了一套行之有效的科学评估手段，从而为学科之间横向和纵向的评比提供了参考依据，并对学科的建设和发展提供了相关的指导意见。

(5)数据包络分析与学科评价　数据包络分析是1978年由美国运筹学家A.Charnes和W.W.Cooper创建的。它是根据多项投入指标和多项产出指标，利用线性规划的方法，对具有可比性的同类型单位进行相对有效性评价的一种数量分析方法。也就是说，它可以对多投入、多产出的多个决策单元的效率评价，目的是评价部门间的相对有效性。数据包络分析第一个成功的应用案例，是在评价为弱智儿童开设公立学校项目的同时，描绘出可以反映大规模社会试验结果的研究方法。在评估中，输出包括“自尊”等无形的指标;输入包括父母的照料和父母的文化程度等。无论哪种指标都无法与市场价格相比较，也难以轻易定出适当的权重(权系数)，这也是数据包络分析方法的优点之一。

数据包络分析方法、模型及对数据包络分析方法的理解和应用还在不断发展和深入。数据包络分析模型可以处理和解决人们生产活动和社会活动中常常遇到的问题，如经过一段时间之后，需要对具有相同类型的部门或单位(称为决策单元)进行评价，其评价的依据是决策单元的“输入”数据和“输出”数据:输入数据是指决策单元在某种活动中需要消耗的某些量，如投入的资金总额、投入的总劳动力数、占地面积等;输出数据是决策单元经过一定的输入之后，产生的表明该活动成效的某些信息量，如不同类型的产品数量、产品质量、经济效益等。再具体些说，譬如在评价某城市的高等学校时，输入可以是学校的全年的资金、教职员工的总人数、教学用房的总面积、各类职称的教师人数等;输出可以是培养博士研究生的人数、硕士研究生的人数、大学生的人数、学生的质量(德、智、体)、教师的教学工作量、学校的科研成果(数量与质量)等。根据输入数据和输出数据来评价决策单元的优劣，即所谓评价部门(或单位)间的相对有效性。在研究中，可采用数据包络分析模型考察某一个学科的投入和产出，对学科进行评价研究。

(6)态势分析法与学科评价　态势分析法(SWOT)是旧金山大学的管理学教授20世纪80年代初提出来的，是一种能够较客观而准确地分析和研究一个单位现实情况的方法。SWOT四个字母分别代表:优势(Strengths)、劣势(Weaknesses)、机会(Opportunities)和威胁(Threats)。因此，态势分析法实际上是将对企业内外部条件各方面内容进行综合和概括，进而分析组织的优劣势、面临的机会和威胁的一种方法。运用这个方法，有利于人们对组织所处情景进行全面、系统、准确的研究，有助于人们制订发展战略和计划，以及与之相应的发展计划或对策。

采用态势分析法进行学科评价，可了解学科的优势和不足，从而对症下药，采取措施，提高学科水平。

(7)可视化方法与学科评价　可视化，又称数据可视化，是一种计算和处理的过程。它将抽象的符号信息表示成具体的几何关系，使研究者能够以图形、图像的方式亲眼看见他们所模拟和计算的结果，使用户看见原本不能看见的东西，可以更好地分析数据模式、理解复杂系统，进而获得新的洞察并进行有效的决策。从某种意义上来说，可视化技术的广泛应用，正在从根本上改变着人们表示和理解大型复杂数据的方式。可视化包括科学计算可视化和信息可视化。科学计算可视化指的是运用计算机图形学和图像处理技术，将科学计算、工程计算及测量过程中产生的数据转化为图形或图像，从而看到传统意义上看不见的事物或者现象，其处理的数据对象一般都具有较为明显的空间结构。信息可视化是通过视觉表达方式表现抽象的、非物理的数据，从而增强对数据本质的认识，其显示对象主要是多维标量数据和不具备显式空间结构的数据。常用的可视化工具有Pajek、Ucinet和CiteSpace等。

曲阜师范大学的杨爱青在《我国图书情报学科研究态势的可视化研究》中结合共词分析法和社会网络分析方法，用可视化工具Ucinet，从图书情报学科的研究主题知识群分布和网络的内部结构两个维度对图书情报学科的发展态势进行研究，得出图书情报学科研究结构呈现两大范式——信息分析和知识服务这个结论。