基于社会网络分析的专家知识地图应用研究，本文主要内容关键词为：地图论文,专家论文,社会论文,知识论文,网络论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
知识共享是知识创新的重要前提。在知识资本时代，专家的作用、专家的知识尤其是专家的隐性知识越来越影响着科学和社会的发展。而且在过去的十几年里，一个事实变得越来越明显，那就是众多创造性的贡献和重要的突破性进展都是在跨学科、跨领域的交叉协作项目中产生的。如“陶瓷人工关节”课题，涉及生物医学、材料学、运动力学、润滑力学等学科领域，然而，正是由于这类交叉协作项目涉及学科众多，因此在项目的立项、论证、评审等关键阶段，尤其需要组织各学科领域及产、学、研、用各环节的专家，以获取利用专家知识，合理分工，协助攻关，才能促进知识共享、成果转移和产业化应用，为知识创新服务。
开发专家知识地图是有效组织专家并利用专家知识的重要途径[1-3]。笔者总结了跨学科知识创新活动对专家知识地图新的需求，分析了社会网络分析(Social Network Analysis)的内容及其与专家知识地图的关系，进而分析了二者的结合在科研组织管理中的应用，并利用社会网络分析的方法，运用社会网络分析常用的Ucinet软件，结合实例对专家知识地图中成员的相互关系和网络特征进行了实证分析。
1 专家知识地图的概念及应用
1.1 专家知识地图
专家知识地图实质上是以专家为节点的知识网络，在各节点上通过对专家所具有的知识及各种技能进行显性化的标引，以此来实现专家的定位功能。它能以一种通用、直观的方式将散落的专家知识汇集、管理并予以呈现，同时提供用户易用的智能化导航系统，为知识重组和知识服务提供良好的服务平台[2]。构建和使用专家知识地图的目的是将正确、适当及适时的信息传递给适当的人，以帮助该用户能够做出正确的决策[3]。
一些企业已经在利用专家地图进行知识交流方面进行了有益的尝试，例如拜恩(Basin)、波士顿(Boston)及麦肯锡(McKinsey)等咨询公司都投资于信息技术，建立诸如寻人数据库(People Finder Database)之类的系统以求迅速发现谁在哪方面具有丰富的知识。惠普公司在20世纪90年代中期建立了CONNEX的专家网络，把已经离开惠普研发部门的老专家、老工程师都用网络连接起来，并且用专家地图的形式在系统中展示给大家。美国国防部和国家科学基金组织的研究组开发了类似专家知识地图的专门软件，用于对大型科技文献数据库的主题词进行共词分析等技术处理，以发现科研的热点领域和前沿领域，并识别这些领域的研究专家，以便将这些专家组织联系起来，发挥各自专长，协作攻关。
1.2 构建专家知识地图的方法
专家知识地图有别于常见的专家数据库系统，后者采用人工搜索或Web挖掘等方法汇集了大量的专家基本信息，并能以信息检索的形式提供相关服务，但它不能体现专家之间的社会关系，并且一般不能以可视化的手段进行展现。按照文献[1]的分类，专家知识地图的构建包括4个方面的关键技术：①专家基本数据库的建立。专家基本数据库包含专家姓名、专长、学历、电子邮件等信息。②专家的研究课题、研究方向、发明专利等信息的收集，并构建专家专长数据库。③专家人际关系线索、个人及所属团体的关系等的自动收集，并构建专家社会网络。④提供专家基本资料、接触目标专家的关系路径等的图形呈现，建立专家知识地图。
专家信息一般可从以下几种渠道获得：从文献数据库中发表的论文中获得作者的姓名、所属单位、研究领域、承担课题情况、合作者信息等情况；利用Web挖掘技术从网页、博客中发现相关信息；从专利数据库中获得申请人姓名、单位等信息；通过科技统计、实地调研等方法获得的一手信息。目前，由于Web挖掘、信息抽取等技术的日趋成熟，基于上述技术建立专家基本数据库和专家专长数据库的难度已大为降低，但专家社会关系的构建及可视化表达仍然是个学术难题。国内对专家知识地图的研究大多数是将其作为专家组织目录，围绕实体发现、层次体系自动构建、用于知识地图构建的机器学习算法研究等偏重于理论方面的内容进行。这些研究大多是以专家个体为研究对象，对其进行数量上的比较和排序，专家之间千丝万缕的联系却无从得知。
1.3 对专家知识地图新的应用需求
实际上，在专家知识地图的应用过程中，隐藏在专家学术信息背后的专家社会关系信息也具有很高的利用价值。人们不仅需要知道谁是专家，还需要了解专家的社会背景、人际交往等社会情况，并作为优化选择专家的参考。这些新的应用需求可以概括为以下4个“Who Knows”问题：①认识谁(Who Knows Who)。②知道什么(Who Knows What)。③谁知道谁知道谁(Who Knows Who Knows Who)。④谁知道谁知道什么(Who Knows Who Knows What)。
另外，要利用专家知识地图找到具有关键地位的专家，实现专家推荐专家，在产、学、研、用各个环节找到合适的专家，巧妙地选择专家，使之能够避免人际关系带来的困扰，在项目立项、成果评奖等工作中做到客观公正。
社会网络理论为研究专家知识地图的构建和完善起到了开阔思路的作用，使人们能站在一种全新的角度上利用专家知识地图描述专家人际网络的动态性、复杂性和非结构化性。这对于提高专家知识地图的有效性和可用性，有效组织专家并利用专家隐性知识，有着非常现实的意义[4]。
2 社会网络视角下专家知识地图的应用
2.1 社会网络和社会网络分析
社会网络是指社会行动者及其间关系的集合。一个社会网络由很多节点(Node)和连接这些节点的链接(Link)所组成。节点往往表示了个人或团体，链接则表示了他们之间存在的各种关系(Relation)，如朋友关系、亲属关系、上下级关系、科研合作关系、贸易关系等。自从人类学家Barnes首次使用“社会网络”的概念来分析挪威某渔村的社会结构以来，社会网络分析就被视为是研究社会结构最简单明了、最具有说服力的研究视角之一。社会网络理论将人际关系的研究上升到科学的高度，提供了科学严谨的理论指导[5]。
社会网络分析方法是由社会学家根据图论、社会计量学和代数方法发展起来的定量分析方法，通过对社会网络的关系结构及其属性加以分析，为人与人之间的关系提供了视觉上和数学上的分析工具。该分析方法早已突破了社会学领域，被政治学、人类学、情报学等学科所采用。目前，从发表论文的情况来看，该方法在职业流动、世界政治和经济体系、国际贸易、竞争情报、社会政策研究等领域广泛应用，并发挥了重要作用[5-11]。
在社会网络分析方法中，有很多用于描述节点地位和网络关系图属性的关键要素可供研究者分析使用，如密度(Density，图形中实际存在的线与可能数量的线的比例，该值越接近1，网络整体密度越大)，入度(In-Degree，描述特定成员的影响力)，出度(Out-Degree，描述特定成员与其他行动者发生交互的关系个数)，大小(Size，图形中点的数量)，程度(Degree，行为者跟多少行为者有关系)，距离(Distance，行为者所拥有的机会与限制)，直径(Diameter，行为者有多“大”的信息)，权力(Power，行为者的地位、机会、受限)，中心度(Centrality，描述行动者在网络中的中心地位)等。社会关系网络图可以转换为社会关系矩阵，用矩阵元素衡量行为者之间有无某种关系及关系强度。
2.2 权威人物的选择——中心度分析
中心度是社会网络分析中的重点之一，它反映了该点在网络中的重要性程度，或者说居于怎样的中心地位。根据计算方法的不同，中心度又可分为点度中心度(Degree Centrality)、中间中心度(Betweenness Centrality)和接近中心性(Closeness Centrality)，其中点度中心性与中间中心性使用较为广泛。点度中心性以网络中与该点之间有联系的点的数目来衡量。在一个社会网络中，如果一个个体与其他个体之间存在直接联系，那么该个体就居于中心地位，在该网络中拥有较大的“权力”。丰富的联系意味着它可以通过不同的方式满足信息需求，由不同的渠道获取资源，也最有可能作为交换信息过程中的中介方来获得联系。中间中心性衡量的是行动者对资源控制的程度。在网络中，如果一个行动者处于许多两点之间的路径上，可以认为该行动者居于重要地位，因为他具有控制其他两个行动者之间的交往能力。中间中心性越高，就代表有越多的行动者需要通过它才能发生联系。
在利用专家知识地图进行权威人物的选择时，可以依据中心度分析，找到具有较高中心度的节点所代表的专家。中心度越高，说明该专家在所属领域具有越高的地位，他所认识或发生联系的专家数目越多，所掌握的人脉资源越多。权威人物的确立对于科研管理部门有很大的意义，比如在组建科研团队时，可以选择该专家作为学术带头人，或者在项目管理过程中发挥专家推荐专家等作用。
2.3 如何避嫌——凝聚子群分析
凝聚子群(Cohesive Subgroup)分析是社会网络分析中的重要方法，其目的是为了揭示社会行动者之间实际存在的或者潜在的关系。当网络中某些行动者之间的关系特别紧密，以至于结合成一个次级团体时，社会网络分析称这样的团体为凝聚子群。如果该网络存在凝聚子群，并且凝聚子群的密度较高，说明处于这个凝聚子群内部的这部分学者之间联系紧密，在信息分享和科研合作方面交往频繁。比如合作发文、联合申报专利的研究人员一定互相熟悉，私人感情通常比较要好，并组成了关系紧密的小团体。通过对论文合著网络或专利联合申报网络凝聚子群密度的分析，可以判断该网络中是否存在凝聚子群[11]。项目评审时，科研管理部门就可以有针对性地避开关系紧密的专家以力求评审结果的公正性。
2.4 科研合作关系状况分析
一般来说，一个稳定且具有创新性的科研团队应具有以下几个特征：①具有标志性的、稳定的研究方向，有明确的研究目标，已取得一定的成果。②已形成稳定的学术带头人和队伍，人员变动不大。③知识共享状况良好。
在专家知识地图的基础上，可以利用社会网络分析法对团队的科研合作状况进行分析与评估(假设团队成员都是专家知识地图中的节点)。当有节点加入和退出以及节点之间的关系发生变化时，需要及时掌握这些变化以及这些变化对团队的合作度及合作潜力等带来的影响。科研管理部门可以此为根据，加大对结构合理、产出较高的优秀科研团队的支持力度，并指导团队的组合，使其更有利于长期稳定的合作。
用密度可以表示和分析团队成员间科研活动的紧密程度，得出团队中隐性知识交流、共享的情况。密度是网络中实际存在的关系数目与可能存在的最多关系数目之比，密度值介于0和1之间，值越接近1则代表彼此间合作紧密，知识共享程度越好；越接近0则表示合作疏远，知识共享程度越差。以联合发表论文、出版专著、申请专利等科研活动作为团队成员之间的科研合作关系进行分析。一般来说，关系紧密的团体合作行为较多，密度越高，信息流通越容易，情感支持也会较好；而关系十分疏远的团体，团体合作行为较少，密度越低，并且常有信息不通、情感支持少、协作程度低等问题。
应用社会网络分析方法还可以优化项目团队的人员结构。首先，利用点度中心性分析找到该团队中的核心人物，判断其是否与团队名义上的带头人一致。如果不一致则说明其没有很好地履行团队带头人的责任。然后，利用中间中心性找到网络中信息流动的关键人物。他们是加快网络知识流动的催化剂，与其他成员的交流活动可以大大促进网络内隐性知识的交流。对于这类节点，应通过职位或工作性质的安排来充分实现其价值。最后，找到网络中的盲点，即没有与其他节点发生联系的节点，说明该成员仍习惯于个人奋斗，而不是与其他成员协作，在团队中没有发挥应有的作用，应帮助其实现更多的合作与交流或者选择其他人替代。
3 实例分析
笔者在前期收集和建设的专家知识地图的基础上，结合目前跨学科知识创新工作的新需求，运用社会网络分析法进行实例分析。某科研管理机构曾牵头组建一支跨学科的科研团队，团队成员来自相关的3个专业，每个专业选取2～4人，共计9人，团队负责人确定为A教授。以赋值矩阵的形式表现团队成立2年来发表论文、出版专著、申请专利等科研活动的情况，矩阵中的每个元素代表团队成员之间发生科研合作的次数。
首先将汇集团队科研成果的Excel表导入Ucinet[12]，并转化为Ucinet数据集。启动NetDraw绘制出该团队的合作结构图。通过直观分析以及数据分析可以得出：A的点度中心度最高，为该团队的领军人物，如图1、表1所示。核心成员为B，C，并且二者的中间中心度较高，处于知识交流和团队合作的关键位置，如表2所示。辅助成员为D，E，F，H，边缘成员为G。使用最大值归一法将数据进行处理后进行密度分析，得出团队平均合作密度为0.0818，标准离差0.15，可以初步判定该团队科研合作关系状况良好，该负责人在团队的科研活动中发挥了关键性的作用，较好地履行了团队负责人的职责，并且各团队成员与团队领导之间的合作紧密。同时还可以看出，A与C的关系最为密切，通过凝聚子群分析也证实了这一点，如图2所示。今后，科研管理部门依据这种紧密的关系，既可实现专家推荐专家等功能，也可在项目评审等事件中避免人际关系带来的主观影响。例如在评审专家C承担的项目时，可以避免邀请专家A，或者通过专家A，找到专家B和C，从而增大科研合作的力量。
4 结束语
目前，跨学科、跨领域的交叉协作项目将越来越多，有很多大学已经开始将自己的优势学科与其他大学的优势学科进行结合，共同来完成一项或者几项大的科研项目。另外，从中国科技论文与引文数据库(CSTPCD)的统计数据来看，高校、科研院所、公司合著论文数量增加很快，也表明目前已存在着将产、学、研、用各环节进行紧密联系的研究课题。本文将社会网络理论和知识管理的重要工具——专家知识地图进行结合，从社会网络分析的视角出发，运用中心度分析、凝聚子群分析等方法，对专家知识地图中成员的相互关系和网络特征进行分析，给出了在跨学科科研项目的组织和管理中选择权威人物、避开人际关系干扰以及科研合作关系状况分析等具体方法，以及上述方法在跨学科的科研项目进行组织和管理方面的应用，是促进知识共享和科研管理的有益尝试。