SciMetrics图书馆学科服务课件：应用模拟ESI指数发现潜力学科、学者与科研机构

01 / 专题导言

从“是否进入 ESI”走向“距离 ESI 还有多远”

官方 ESI 告诉我们哪些对象已经进入 Top 1%，但对于尚未进入 Top 1% 的学科、学者和机构，差距并不会直接公布。模拟 ESI 指数的价值，正在于把这种不可见的距离转化为可计算、可比较、可追踪的本地指标。

01

核心观点

模拟 ESI 指数不是复制官方榜单，而是在本地 WoS 数据范围内重建“主体 × 学科”的相对排名，用排名百分比识别临界对象。排名百分比越小，说明该主体在对应学科中越靠前，也越值得进入潜力培育清单。

潜力学科

发现哪些 ESI 学科方向接近 Top 1% 阈值。

潜力学者

识别作者在具体 ESI 学科中的领先位置。

潜力机构

比较机构在不同学科上的冲榜基础。

学科服务最需要的，往往不是已经公开的入榜名单，而是“谁快要进入”“还差多少”“应该优先培育哪个方向”。

这也是模拟 ESI 指数和热力图最重要的使用价值。

02 / 服务价值

把潜在优势转化为学科服务行动

在学科评估、ESI 冲榜、人才引进和院系支持中，模拟 ESI 指数可以帮助图书馆从“结果查询”走向“过程预警”。

02

发现临界对象

把排名百分比略高于 1% 的作者、机构和学科方向筛选出来，形成近期观察清单。

估算冲刺距离

结合排名、排名百分比、总被引和论文量，判断距离 Top 1% 门槛还有多远。

比较学科结构

用矩阵横向比较多个机构或作者在 22 个 ESI 学科中的优势与短板。

形成培育建议

把潜力对象、支撑论文、高被引成果和持续跟踪指标组织为学科服务报告。

围绕 Top 1% 发现潜力对象与差距 — 从 Top 1% 目标反推潜力对象、差距位置和培育优先级。

03 / 数据基础

让连续 10 年以上 SCI/WoS 数据真正可计算

模拟 ESI 指数依赖较长时间窗口、稳定字段体系和可靠的作者/机构归并。SciMetrics 的数据处理能力，使大规模文献数据能够进入同一套指标计算框架。

03

数据治理的四个关键环节

导入

将连续多年 SCI/WoS 数据导入项目，保留 UT、PY、TC、DT、SC、C3 等核心字段。

映射

用 ESI 学科映射表把 WoS 学科归入 22 个 ESI 学科，并写入 class 维度。

归并

对作者和机构名称进行分组归并，减少同一主体被拆分造成的排名低估。

筛选

勾选参与计算的文献和学科，勾选需要输出或展示的关注主体。

SciMetrics 可以承载连续 10 年以上 SCI/WoS 文献数据的导入、清洗、学科映射、主体归并和矩阵计算。正是这种数据处理能力，使模拟 ESI 指数从“概念设想”变成可执行的分析方法。

数据项	在模拟 ESI 中的作用
UT	连接文献、作者、机构和学科关系。
PY / Time	确定时间窗口，支持最近 10 年或自定义年份范围。
TC / ReferencedNumber	作为排序计算的核心引文指标。
SC / class1-class4	承载 WoS 学科到 ESI 学科的映射结果。
作者、机构字段	形成作者或机构的排名主体。

ESI 学科与 WoS 学科映射字典 — 通过映射字典把 WoS 学科归入 ESI 学科，为后续排名矩阵建立统一学科口径。

04 / 指标思想

用排名百分比表达主体在学科中的相对位置

模拟 ESI 指数的基本单元是“某作者或某机构在某个 ESI 学科中的排名百分比”。它把被引影响力转化为可横向比较的百分比位置。

04

核心计算口径

排名百分比 = 学科内排名 / 参与排名主体总数 × 100%

同一学科内，按主体的总被引等指标从高到低排序。排名越靠前，排名百分比越小；当排名百分比小于或等于 1% 时，可视为当前数据集内达到模拟 Top 1%。

Top 1% 名次数 = max(1, ceil(参与排名主体总数 × 1%))

超过 Top 1% 门槛但距离不远的对象，是学科服务中最值得持续跟踪的潜力对象。

谁参与排名

所有归并后的作者或机构都参与排名，排名池不能只包含关注对象。

谁进入输出

勾选的作者或机构用于输出到 Excel 或热力图，避免结果表过大。

哪些学科计算

只有当前勾选的 ESI 学科参与计算和展示。

哪些文献计入

只使用当前勾选文献和指定年份范围内的文献。

这个指标不是 Clarivate 官方 ESI 全球排名，也不直接使用官方阈值。它的作用是基于本地数据和统一口径，发现相对靠前、值得复核和培育的对象。

05 / 分析流程

从数据治理到潜力清单的工作流

课件更关注方法路径，而不是逐个按钮说明。实际使用时，作者和机构入口的逻辑一致，只是排名主体不同。

05

1

构建数据集

导入连续多年 SCI/WoS 文献，确认年份、被引、文献类型、学科、作者和机构字段可用。

2

映射 ESI 学科

将 WoS 学科映射到 22 个 ESI 学科，并在 class1-class4 中选择本次分析维度。

3

归并主体名称

在作者表或机构表中完成分组，形成稳定的排名主体，避免同一对象被拆分。

4

选择分析范围

勾选文献、勾选学科、勾选关注作者或机构，并设置年份范围。

5

计算模拟指数

所有归并主体参与排名，勾选主体进入输出，生成排名表和矩阵。

6

形成服务产品

结合 Excel、热力图和支撑文献，输出潜力学科、潜力学者或潜力机构分析。

作者或机构 ESI 模拟指数参数对话框 — 参数窗口体现三个关键选择：学科维度、年份范围、作者或机构计算入口。

06 / Excel 指标

把排名结果整理成可复核的指标表

顶部菜单的“作者ESI模拟指数”和“机构ESI模拟指数”适合生成 Excel 指标文件，用于留痕、复核和报告写作。

06

Summary

记录计算对象、年份范围、学科维度、文献数量和输出对象数量。

ESI Ranking

列出每个关注主体在各学科中的总被引、论文数、排名、排名百分比和差距信息。

Rank Percent Matrix

以矩阵方式呈现主体与学科的排名百分比，便于横向比较。

07 / 热力图

用“主体 × 学科”热力矩阵发现重点方向

右键入口更适合快速查看矩阵。纵轴为作者或机构，横轴为 ESI 学科，单元格显示排名百分比。颜色越接近红色，表示排名越靠前、潜力越突出。

07

模拟 ESI 指数热力图窗口 — 热力图用于识别哪些主体在具体学科中接近 Top 1%。

右侧可视化控制区 — 控制区支持调整机构或作者数量、学科数量、标签大小、学科角度和数值显示。

看红色区域

红色或醒目色块代表较小的排名百分比，是优先观察的潜力对象。

看横向差异

同一主体横向比较，可以判断它在哪些学科更有冲刺基础。

看纵向差异

同一学科纵向比较，可以发现不同作者或机构之间的相对优势。

08 / 结果解读

围绕 Top 1% 看状态、差距和支撑证据

排名百分比只是入口。真正的学科服务分析，还需要结合总被引、论文数量、高被引论文和主体归并质量进行复核。

08

状态	判断方式	服务建议
已达到模拟 Top 1%	排名百分比小于或等于 1%	进入优势清单，复核数据口径和支撑论文。
临界潜力对象	排名百分比略高于 1%，例如 1%-3% 或 1%-5%	重点跟踪，分析差距来源和高被引增长点。
中期培育对象	排名百分比仍较靠前，但距离 1% 有一定空间	结合学科布局、团队建设和论文质量持续观察。
暂不接近 Top 1%	排名百分比较大，且总被引和论文量不突出	不宜作为近期冲刺重点，可作为长期背景监测。

排名池与排名百分比计算口径 — 排名池决定百分比解释，所有归并主体参与排名是结果可信的前提。

模拟 ESI 指数推荐操作流程 — 从数据准备到结果复核，形成可重复的潜力发现流程。

09 / 报告转化

把指数和热力图转化为学科服务产品

模拟 ESI 指数的终点不是软件截图，而是能够支撑决策的服务表达。

09

潜力学科清单

列出接近 Top 1% 的学科方向，说明排名百分比、名次差距、支撑机构或作者。

潜力学者画像

围绕作者在 ESI 学科中的位置，补充代表论文、被引变化和合作机构。

潜力机构比较

用矩阵比较院系、学院或合作机构，识别优势学科和薄弱方向。

冲榜跟踪台账

定期复算同一口径下的排名百分比，观察潜力对象是否持续接近 Top 1%。

建议在报告中同时呈现“排名百分比矩阵”“临界对象列表”“高被引支撑论文”和“数据口径说明”，这样既有结论，也能被复核。

10 / 质量控制

让模拟结果经得起复核

模拟 ESI 指数越接近真实服务场景，越需要重视数据治理和解释口径。结果可复核，才有指导意义。

10

稳定的数据窗口

优先使用连续 10 年以上或最近 10 年左右的数据，并记录实际年份范围。

一致的学科口径

ESI 学科映射表应固定版本，避免不同批次结果因映射口径变化而不可比。

可靠的名称归并

作者和机构归并直接影响排名池，计算前应优先修正明显拆分和误并。

完整的排名池

所有归并主体参与排名，勾选对象只控制输出，不改变排名总体。

清晰的输出范围

只计算勾选学科、勾选文献和设定年份，报告中应说明这些选择。

结合证据解读

排名百分比用于发现线索，最终建议还要回到论文、引用和学科建设证据。