Citespace研究热点具体聚焦哪些领域？-华夏学术资源库

CiteSpace 是一款非常强大的可视化文献计量学软件，由美国德雷塞尔大学的陈超美教授团队开发，它通过分析大量文献数据，帮助我们直观地发现一个研究领域的研究热点、研究前沿、以及它们随时间演进的脉络。

（图片来源网络，侵删）

CiteSpace 分析研究热点的核心逻辑

CiteSpace 分析热点主要基于以下三个核心概念，它们构成了分析的基础：

关键词共现
- 逻辑：在一个研究领域中，如果两个或多个关键词频繁地出现在同一篇文献中，那么这些关键词之间就存在紧密的联系，联系越紧密，通常意味着它们代表的研究主题或方向越重要、越受关注。
- 作用：通过分析所有文献中出现频率最高的关键词，并构建它们之间的共现网络，我们就可以识别出该领域的核心研究主题和热点，网络中的节点代表关键词，节点的大小代表该关键词出现的频率（即中心性），节点之间的连线代表共现关系。
突现词检测
- 逻辑：研究领域是动态发展的，新的热点会不断涌现，旧的热点会逐渐消退，CiteSpace 可以检测出在特定时间段内，出现频率突然显著增加的关键词，这些被称为“突现词”。
- 作用：突现词代表了研究前沿，也就是正在兴起或受到学术界高度关注的新方向，通过分析突现词的强度和持续时间，我们可以把握领域的发展趋势和未来的研究动向。
聚类分析
（图片来源网络，侵删）
- 逻辑：关键词共现网络可能非常复杂，包含成百上千个节点，聚类分析可以将网络中联系紧密的关键词自动分组，形成几个大的“主题簇”。
- 作用：聚类结果可以帮助我们更清晰地理解领域的宏观结构，识别出几个主要的、相对独立的研究方向，每个聚类代表一个子领域或研究热点主题，高质量的聚类（通常用 Silhouette 值衡量）意味着这个主题内部非常聚焦，而与其他主题区分度很高。

使用 CiteSpace 进行研究热点分析的详细步骤

第一步：数据准备

确定研究主题：明确你想分析哪个领域，人工智能在教育领域的应用”、“新冠疫情下的心理健康研究”等。
选择数据库：根据你的研究领域选择合适的文献数据库，如 Web of Science (WoS)、Scopus、CNKI (中国知网)、CSSCI 等，WoS 和 Scopus 是国际主流，CNKI 适合中文领域分析。
检索文献：在数据库中进行检索，为了提高分析结果的准确性，建议使用 TS=(主题词) 或 TI=(标题) 这样的字段进行检索，这样可以确保关键词出现在最能代表文献核心内容的位置。
导出数据：将检索到的文献记录导出为 CiteSpace 可识别的格式，最常用的是 Plain Text 格式。
- WoS: 导出记录时，选择 Full Record and Cited References 格式，然后另存为 .txt 文件。
- CNKI: 选择 Refworks 格式，然后另存为 .txt 文件。

第二步：数据导入与参数设置

打开 CiteSpace，进入主界面。
创建新项目：File -> New Project...，选择一个文件夹并命名。
导入数据：点击 Data -> Import/Export -> Import...，选择你刚才保存的 .txt 文件。
关键参数设置：这是最核心的一步，在右侧的 Time Slicing 和 Network 面板中进行设置。
- Time Slicing (时间切片)：
  - 选择一个合适的时间范围,2010-2025，CiteSpace 会将这个时间段分成若干个切片（默认为一年一个切片）。
- Term Source (术语来源)：
  - Title (标题)、Abstract (、Author Keywords (作者关键词)、Keywords Plus (增补关键词)，建议全选，这样可以获取最全面的关键词信息。
- Node Types (节点类型)：
  - 勾选 Keyword，因为我们分析的是研究热点，所以关键词是核心节点。
- Pruning (裁剪)：
  - 非常重要！ 为了让网络图更清晰、更具可读性，必须进行裁剪，建议选择以下两种：
    - Pathfinder (寻径网络算法)：简化网络，保留最重要的连接路径。
    - Pruning the merged network (裁剪合并后的网络)：在生成最终网络图前进行裁剪，效果通常更好。
- 其他关键参数：
  - Minimum Spanning Tree (MST) (最小生成树)：勾选此项，可以避免网络中出现过多冗余的连线，使网络结构更清晰。
  - g-index (g指数)：设置一个合理的值，如 g-index = 50，这可以过滤掉出现次数太少的节点（关键词），让网络聚焦于最重要的部分。

第三步：运行分析并生成图谱

点击工具栏上的绿色 GO 按钮，开始运行分析。
等待程序运行完成,运行结束后，会自动生成一个关键词共现网络图谱。

第四步：结果解读

这是将图谱信息转化为知识的关键一步。

分析关键词共现网络图
- 节点大小：节点越大，代表该关键词出现的频次越高，是研究领域的核心热点，在“人工智能”领域，“深度学习”、“机器学习”、“神经网络”等节点会非常大。
- 节点颜色：节点的颜色代表其首次出现的时间，通过颜色，你可以看出哪些是老牌热点，哪些是新近出现的。
- 连线粗细：两个节点之间的连线越粗，代表它们的共现频次越高，关系越紧密。“深度学习”和“图像识别”之间很可能有很粗的连线。
- 中心性：这是衡量一个节点在网络中“中介”或“桥梁”作用的重要指标。
  - 中心性 > 0.1 的节点被称为关键节点或转折点，这些词虽然不一定出现频次最高，但连接了不同的研究子领域，是知识结构中不可或缺的枢纽，在某个研究中，“算法”可能就是这样一个高中心性的词。
查看突现词
- 在 CiteSpace 界面，点击菜单栏的 Burst -> Find Burst Keywords。
- 软件会生成一个列表,按突现强度对关键词进行排序。
- 解读：列表顶部的关键词是近年来突现最明显的研究前沿，你可以关注它们的突现开始年份和持续时间，从而判断这个新热点的兴起速度和生命力。
分析聚类结果
（图片来源网络，侵删）
- CiteSpace 会自动对网络进行聚类，每个聚类都有一个编号和标签（通常是该聚类中出现频率最高的关键词）。
- 聚类质量：在图谱的左下角，通常会有一个 Modularity Q = ... 和 Mean Silhouette = ... 的值。
  - Q > 0.3：说明聚类结构显著，网络是清晰可分的。
  - Silhouette > 0.5：说明聚类是合理的，内部同质性好，异质性高。
- 解读：每个聚类代表一个独立的研究热点方向，在“数字人文”研究中，可能会出现“文本挖掘”、“GIS空间分析”、“社会网络分析”等几个大的聚类，分别代表了该领域的不同研究路径。

一个综合实例分析

假设我们分析了 2025-2025 年关于“可持续城市” 的文献。

关键词共现图显示：
- 最大的节点是 “可持续发展”，频次最高，是永恒的核心。
- 第二大节点是 “气候变化”，表明其与可持续城市研究的紧密联系。
- 节点 “智慧城市” 和 “绿色基础设施” 也非常大，是近年的热点。
- “气候变化”和“绿色基础设施”之间有粗线，说明研究者常将两者结合。
- 中心性最高的节点可能是 “治理”，说明“城市治理”是连接技术、环境、社会等不同子领域的关键议题。
突现词分析显示：
- “韧性城市” 从 2025 年开始突现，强度很高，至今仍在持续，这说明“城市应对风险和冲击的能力”是当前最前沿的研究方向。
- “碳中和” 从 2025 年开始突

Citespace研究热点具体聚焦哪些领域？

CiteSpace 分析研究热点的核心逻辑