开放科学政策对学术期刊影响因子的粗糙集属性约简分析

Rough set attribute reduction analysis of the impact of open science policies on academic journal impact factors

摘要

针对开放科学政策对学术期刊影响力的作用机制尚不明确的问题，通过基于粗糙集属性约简的分析方法多维度揭示“开放科学程度（Degree of Open Science，DOS）”“社会影响力（Social Influence，SI）”“期刊影响因子（Journal Impact Factor，JIF）”等指标值之间的复杂关联.为不同学科期刊制定差异化的开放科学策略提供基于实际数据的决策支持.以开放科学中心发布的“计算机科学”“人工智能”“心理学”“教育学”“环境科学”与“工程”等六个学科共574个期刊为研究对象，整合其TOP（Transparency and Openness Promotion）因子得分、替代计量（Altmetrics）数据均值及JCR（Journal Citation Reports）影响因子，构建包含开放科学政策、社会关注度与学术影响力的多维决策表.采用粗糙集属性约简技术计算不同属性的依赖度，剔除冗余指标并提取核心影响因素.结合学科分组对比与决策规则挖掘，分析不同因素对期刊影响因子的贡献度差异.从而，可以通过贡献度差异值来合理进行决策.结果表明，不同学科期刊在开放科学政策的实施及社会传播力方面存在显著差异.因此，在制定相关开放政策时，应充分考虑各学科的特性和目标受众.

Abstract

To unravel the mechanism underlying the impact of open science policies on academic journal influence， a rough set attribute reduction analysis was conducted to multi-dimensionally reveal the complex correlations among indicators such as the degree of open science （DOS）， social influence （SI）， and journal impact factor （JIF）， aiming to provide data‑driven decision support for formulating discipline‑specific open science strategies for journals across various fields. Taking 574 journals across six disciplines—including computer science， artificial intelligence， psychology， education， environmental science， and engineering—released by the Center for Open Science as research objects， this study integrated their TOP （Transparency and Openness Promotion） factor scores， average altmetrics data， and JCR （Journal Citation Reports） impact factors to construct a multi‑dimensional decision table encompassing open science policy， social attention， and academic influence. The rough set attribute reduction technique was applied to calculate the dependency degrees of different attributes， eliminate redundant indicators， and extract core influencing factors. Combined with discipline‑grouped comparisons and decision rule mining， the study analyzed the differential contributions of various factors to JIF， thereby enabling rational decision‑making based on contribution disparities. The results indicated significant inter‑disciplinary variations in the implementation of open science policies and social dissemination capabilities among journals. Consequently， the formulation of relevant open policies should fully account for the disciplinary characteristics and target audiences of each field.

数字化时代背景下，开放科学^［1］运动正在改变全球学术传播格局.随着FAIR原则（可发现、可访问、可互操作、可重用）的不断推进^［2］，学术期刊作为知识传播的核心载体，正面临着开放获取政策的实施、预印本平台的兴起以及数据共享机制的完善等多重变革.截至2024年，全球已有超过80个国家颁布开放科学战略，Springer Nature、Elsevier等主流出版商相继推出数据开放政策，这种政策转型对期刊学术影响力的作用机制已成为学界关注焦点.然而，开放科学政策如何通过技术规范与社会传播的双重路径影响期刊的学术影响力，其内在机制仍不明确.这一理论缺位导致学术期刊在制定开放政策时缺乏学科差异化的数据支持，难以平衡技术透明性要求与学科知识生产模式之间的矛盾.

1 探究开放科学政策影响的现有方案及存在问题分析

在开放科学评估体系中，透明性与开放性促进指标（Transparency and Openness Promotion Factor，TOP因子）^［3］为量化期刊政策强度提供了重要工具.该指标通过数据引用、代码透明度等10个维度，系统评估期刊对研究可复现性的支持程度.在开放科学运动的推动下，学术传播体系正经历着一系列变革.研究者们借助一些社交平台，突破了传统出版周期的限制，实现了研究成果的即时传播和跨地域共享.在此背景下新兴的社会影响力计量工具Altmetrics应运而生^［4］. Altmetrics通过社交媒体、新闻提及和政策文档等多源数据，动态捕捉学术成果的公众参与度.

在学术出版领域，影响因子^［5］作为期刊质量和学术影响力的重要指标，反映了期刊在学术界的认可度和引用频率.然而，传统影响因子指标未必能全面反映开放科学政策对期刊的真实影响^［6］.因此，一些学者开始研究传统影响因子与Altmetrics指标或TOP因子之间的相关性.Costas等^［7］对Altmetrics与影响因子之间的相关性进行了研究，发现二者之间存在正相关性但相对较弱，但也验证了Altmetrics作为引文分析补充工具的价值.Mohammadi等^［8］分析了Altmetrics中的Mendeley数据与引文之间的关系，发现两者存在中低相关性，从而证明了Mendeley数据在早期研究阶段的影响力.吴冰等^［9］将Altmetrics指标与学术层面指标相结合，构建了论文高被引预测模型.高楠等^［10］针对LIS学科的期刊论文对Altmetrics指标与引文量以及Altmetrics指标之间的相关性进行了研究，结果发现被引频次与Altmetrics指标之间的相关性较弱.关于TOP因子与影响因子之间的研究，Patarčić等^［11］分析了不同期刊的TOP指南采用情况.梁洁纯等^［12］分析了LIS领域期刊中的TOP因子与期刊影响力之间的关系，结果表明TOP因子与期刊的影响因子及总被引频次之间存在显著的正相关关系.陈铭等^［13］采用描述性统计方法和相关性分析方法分析了TOP因子与引文指标之间的关系，结果显示二者之间存在显著的正相关性关系.此外陈铭等人针对这三者之间的相关性进行了研究^［14］.通过上述分析可知Altmetrics指标和TOP因子与期刊影响因子之间均存在一定的相关性.

这些研究虽初步构建了开放科学政策、社会影响力与期刊影响因子之间的分析框架，但仍存在以下三方面理论局限：其一，开放政策与Altmetrics以及传统影响因子之间的交互影响尚不够明晰，导致无法全面理解开放政策对学术传播的实际效果，这可能会使政策制定者在优化科学传播策略时的决策依据不足；其二，跨学科比较研究较少，难以揭示不同学科知识生产模式的差异对政策效应的影响.可能使某些领域的开放科学政策未能充分考虑其特有的研究动态与需求，从而影响政策的有效性和公平性；其三，指标冗余问题突出，现有评价体系中包含多种与开放科学相关的指标，但核心驱动因子尚不明确.这不仅导致资源的浪费，还降低了评价体系的效率.

2 基于正域的属性约简算法应用思路

为突破传统单维度、线性相关分析在多指标耦合关系解析中的局限，本研究引入粗糙集理论（Rough Sets Theory，RST）^［15］中的基于正域的前向贪心属性约简算法（Forward greedy attribute reduction algorithm，FGAR），用于处理多源异构学术评价指标间的非线性关联与冗余信息，高效挖掘影响期刊影响力的核心决策属性^［16］.粗糙集理论以不可区分关系为基础，通过构建知识粒度与上下近似集实现不确定性知识表达，在数据挖掘与规则提取过程中无需依赖先验假设与附加信息，具备较强的客观性与适应性^［17］.

在粗糙集理论框架中，首先定义核心信息系统为四元组S=(U,A,V,F)，其中U为论域（即本研究的574本期刊）， A=C\bigcup D （C为TOP因子、Altmetrics均值等条件属性，D为JCR影响因子这一决策属性），V为属性值域，F为信息函数，用于确定各期刊在对应属性上的取值.

正域是属性约简的核心，条件属性子集\mathrm{B}\subseteq \mathrm{C}相对于决策属性D的正域定义为PO{S}_B（D）={\bigcup }_{i=\mathrm{1}}^{k}B(D_i)，其核心含义是通过属性子集B可明确判定决策类别（影响因子等级）的所有期刊样本集合，直接反映属性子集的决策能力.基于正域的属性约简核心目标，是寻找最小属性子集B_{reD}\subseteq C，使得PO{S}_{B_{red}}\subseteq PO{S}_c，即保留全部决策信息的同时剔除冗余指标.

本研究采用的FGAR算法，核心基于属性重要度迭代筛选指标，属性SIG(a,B,D)=|PO{S}_{B\cup \{A\}}(D)|-|PO{S}_B(D)|，通过选择重要度最大的属性逐步加入约简集，最终得到核心决策属性集.

相较于现有研究普遍采用的Spearman相关分析等线性方法，基于正域的属性约简算法能够在保留决策信息不变的前提下，剔除冗余指标、识别关键属性，更适用于解析多维评价指标间的复杂交互效应.据此，本研究以开放科学中心发布的6个学科、574本期刊为研究样本，整合TOP因子、Altmetrics均值与JCR影响因子等指标，构建上述四元组信息系统对应的多维决策信息表.借助FGAR算法计算各指标在不同学科中的属性重要度与约简结果，系统揭示开放科学政策导向、学术成果社会传播力对期刊影响因子的差异化驱动路径与作用机制.

3 基于FGAR算法的多维决策表构建

本研究通过构建多维决策表，整合了开放科学政策数据（TOP因子）、社会传播力（Altmetrics均值）及期刊影响因子（Impact Factor，IF），以分析影响期刊学术影响力的关键因素.接下来详细介绍数据收集与预处理的具体流程，说明如何获取、整理与分析相关数据，以支持后续的决策分析.

3.1 数据收集

本研究基于开放科学中心（Center for Open Science，COS）发布的六大学科（计算机科学、人工智能、心理学、教育学、环境科学、工程）的期刊数据，构建了包含TOP因子、Altmetrics均值与影响因子（IF）的多维决策表.数据来源及核心指标定义如下.

1）研究采用开放科学中心发布的2022年度TOP因子，该指标从数据引用、数据透明度、分析代码透明度等10个维度（评分细则详见COS Technical Report 2022），对期刊学术实践透明化政策强度开展系统性评估；各维度得分经标准化加权处理后，形成取值区间为0~24分的连续性总分.基于学科代表性与数据完整性原则，从计算机科学、人工智能、心理学、教育学、环境科学和工程这六个学科中筛选出TOP因子非零的期刊构成研究样本，共计574本.具体学科样本分布如图1所示，计算机科学（n=69）、人工智能（n=31）、心理学（n=169）、教育学（n=165）、环境科学（n=68）及工程（n=72），n为样本数量.

2）基于Altmetric.com平台，收集上述574本期刊的Altmetric数据.在此平台上，我们选择了以下四个指标进行分析：Altmetrics Attention Score、新闻媒体报道频次（News mentions）、Dimensions引用频次（Number of Dimensions citations）及Mendeley读者数（Number of Mendeley Readers）.针对每本期刊在2022‒2023年期间发表的论文，计算这四种指标的平均值.选取的指标具体含义如下.

Altmetrics Attention Score（社会关注度总分）：基于论文在新闻、社交媒体、政策文档等12类数据源的提及频次，采用动态加权算法生成（权重分配参见Altmetric LLP白皮书v2.3），反映研究成果的传播广度.

News mentions（新闻媒体报道频次）：论文被国际主流新闻机构及专业科技媒体报道的次数，衡量公众传播效能.

Number of Dimensions citations（Dimensions引用频次）：论文从 Dimensions 网站中获取的引用次数.

Number of Mendeley Readers（Mendeley 读者数）：论文在 Mendeley 平台中被用户下载的次数.

3）基于科睿唯安（Clarivate）2023年度《期刊引证报告》（Journal Citation Reports，JCR），提取样本期刊的官方影响因子（Impact Factor，IF）.

3.2 数据预处理

对收集到的数据进行整合、异常值处理和离散化等操作，具体方案如下：首先，使用期刊名称等共同标识符将来自不同来源的数据进行合并，以确保数据一致性.接着，为消除极端值对分析结果的干扰，删除影响因子（IF）大于20的期刊.随后，采用等距离离散化方法，将连续的学术影响因子数值映射到离散类别中.最后，构建数据决策表，将十个TOP因子维度和三个Altmetrics指标作为条件属性集，并将影响因子作为决策属性.

经过数据预处理后，六类学科期刊的相关数据分布情况如下.表1展示了各类学科期刊的TOP因子总分分布情况.由于在数据收集阶段仅选取了TOP因子大于0的期刊，研究样本中574本期刊的TOP因子总分最小值均为1.从TOP因子分布情况可见，现阶段心理学和环境科学领域的开放程度较高，而计算机科学和工程学科的开放程度相对较低.

六类学科的影响因子（IF）分布情况如表2所示.在各学科中，人工智能的IF平均值最高，而教育学的IF平均值最低.根据各学科影响因子的最大值和最小值，我们采用等距离离散化法对不同学科的IF值进行分类，具体结果如下：

计算机科学：IF值范围为0.77~12.4，分为低（0.77~4.65）、中（4.66~8.53）、高（8.54~12.4）三个层次.

人工智能：IF值范围为1.6~18.8，分为低（1.6~7.33）、中（7.34~13.06）、高（13.07~18.8）三个层次.

心理学：IF值范围为0.7~17.3，分为低（0.7~6.23）、中（6.24~11.77）、高（11.78~17.3）三个层次.

教育学：IF值范围为0.6~9.1，分为低（0.6~3.43）、中（3.44~6.27）、高（6.28~9.1）三个层次.

环境科学：IF值范围为0.6~14，分为低（0.6~5）、中（5.01~9.41）、高（9.42~14）三个层次.

工程：IF值范围为0.9~13.58，分为低（0.9~5.13）、中（5.14~9.37）、高（9.38~13.58）三个层次.

不同学科期刊的Altmetrics指标存在显著性差异，具体分布情况如表3所示.在期刊层面，环境科学领域某期刊在2022‒2023年间发表的论文平均Altmetrics总分高达447分，而最低值的期刊仅为1分.在学科层面，这六类学科的平均Altmetrics总分中，环境科学的得分最高，而工程学科的得分最低.这些差异凸显了各学科在社会传播和公众关注度方面的显著不同.

4 FGAR算法效能的实验及分析

本研究基于粗糙集理论构建不同学科的数据决策表，旨在识别开放科学政策（TOP因子）、社会传播力（Altmetrics）对传统学术影响因子（IF）的影响关系.具体实验步骤如下.

4.1 实验介绍

为验证不同属性对期刊因子的影响，根据数据预处理后得到的不同学科数据决策表，采用依赖度作为属性重要度的评价指标.然后计算删除属性后依赖度的变化衡量属性是否为关键影响因素.若删除属性后依赖度不变，则该属性为冗余属性.依赖度的计算公式见式（1）.其中PO{S}_C(D)为正域，|U|表示样本的数量.

{\gamma }_C(D)=\frac{|PO{S}_C(D)|}{|U|} .（1）

指标重要度的计算公式见式（2）.

Sig(c,C,D)={\gamma }_C(D)-{\gamma }_{C-\{c\}}(D).（2）

为验证粗糙集属性约简结果的科学性与稳健性，本研究采用SPSS 26进行Spearman相关性分析，通过学科分组下关键影响因素（如心理学材料透明度、环境科学新闻提及）的相关系数与属性依赖度的交叉验证，证实约简算法在剔除冗余指标（如开放科学徽章、研究预注册）与保留关键影响因素（如代码透明度、数据引用）方面具有高度一致性，有效解决了传统单维度验证方法无法捕捉指标交互影响的问题.

本文实验均在个人计算机上执行，实验设备配置为Intel （R） Core （TM） i5‒13500处理器（主频2.50 GHz）、16.0 GB内存及64位Windows 11操作系统.此外，属性约简算法采用Python语言编写.

4.2 约简结果

在实验中，通过属性约简算法对六类学科的数据进行了重要性评估，分析了不同指标对期刊影响因子的影响程度.具体实验结果如表4所示.基于表4的属性重要度计算结果，不同学科的核心影响因素呈现显著差异.为更清晰地展示不同学科在开放科学实践中的特征差异，降低低贡献指标对可视化效果的干扰，本文从原始指标集中剔除了7项学科间依赖度普遍偏低且区分度较弱的指标，保留数据引用、数据透明度、材料透明度、代码透明度、新闻提及5项核心指标，构建了不同学科的依赖度对比分组柱状图，结果如图2所示.以下是对不同学科指标对期刊影响因子的影响程度的详细分析.

计算机科学 代码透明度（0.093）和设计与分析报告（0.036）是关键影响因素，表明该学科更关注研究可复现性.Altmetrics中Mendeley读者数（0.019）和Dimensions引用（0.018）对影响因子有微弱正向作用，但整体社会传播力贡献较低.研究预注册、分析计划预注册、复制和注册报告等指标对期刊影响因子的作用不明显.

人工智能 代码透明度（0.082）是影响最大的指标，反映算法开源与数据共享的重要性.然而，材料透明度、研究预注册等指标对影响因子的贡献度趋近于零，说明该学科更关注技术实现层面的开放政策，而非实验设计的前置规范.

心理学 材料透明度（5.76）和代码透明度（3.40）对影响因子的贡献远超其他指标，表明心理学研究对实验材料与数据分析流程的透明性要求非常严格.新闻提及（0.021）的贡献度较其他学科更高，可能源于心理健康、社会行为等议题的公共关注特性.值得注意的是，研究预注册与分析计划预注册的零贡献现象，表明心理学期刊影响力更多依赖成果的透明呈现，而非研究流程的预声明机制.

教育学 代码透明度（7.638）的贡献度异常突出，新闻提及（0.050）和Mendeley读者数（0.032）亦显著，说明教育学期刊既重视方法论透明性，又依赖公共传播扩大影响力.而TOP因子中材料透明度和研究预注册等指标的影响则相对较弱.

环境科学 在这一学科中，新闻提及（0.031）和Mendeley读者数（0.024）的依赖度最高，表明研究成果在该领域更依赖于公众参与和政策转化.TOP因子中，仅数据引用（0.015）和数据透明度（0.017）略有影响，说明该学科更加侧重于研究成果的社会应用价值，而非开放政策本身的技术规范性.

工程 数据透明度（0.038）和Dimensions引用（0.026）为影响较大的指标，但整体属性重要度普遍偏低，这反映出工程学科在很大程度上仍然受制于传统引用机制，开放科学政策与社会传播的影响相对较弱.

4.3 方法有效性验证

为评估粗糙集属性约简结果的稳健性，本研究通过SPSS软件计算各指标与期刊影响因子的Spearman相关系数（表5、表6），并与依赖度结果进行对比.结果显示，核心指标的属性依赖度与相关性分析结果整体较为一致性，但部分学科存在差异，下面对此进行具体分析.

在计算机科学领域，属性约简结果表明研究预注册和分析计划预注册等指标的重要度均为0，相关性分析也显示这些指标与期刊影响因子之间相关性较低.相比之下，代码透明度等在属性约简中表现出较高重要性的指标，在相关性分析中同样显示出强相关性，验证了属性约简结果的有效性.在人工智能学科中，通过属性约简剔除的冗余指标，如材料透明度和研究预注册，其相关性分析结果同样较低，说明剔除这些指标的决策是合理的.在心理学学科中，材料透明度与代码透明度等高重要度指标在相关性分析中表现出显著的相关性，而教育学中，代码透明度作为重要属性同样在相关性分析中展现出较高的相关性.在环境科学中，新闻提及与Mendeley读者数作为重要属性指标，在相关性分析中均显著相关.而在工程领域中，Dimensions引用等重要指标，在相关性分析中也同样表现出较高的相关性.

总体而言，这些分析结果表明，不同学科在属性约简结果与相关性分析中基本一致，进一步证实了属性约简的有效性.

4.4 学科差异性分析

本研究发现，开放科学政策对期刊影响因子的作用存在显著的学科异质性，其核心驱动因素与学科知识生产模式密切相关.

技术学科（计算机科学、人工智能）这一领域的研究具有较强的技术规范性，因此在透明性指标中，代码透明度（依赖度0.093）和设计与分析报告（依赖度0.036）显得尤为重要.例如，IEEE Transactions on Pattern Analysis and Machine Intelligence要求作者提供完整代码库的链接，其高影响因子（IF=20.8）与代码透明度得分之间存在一定的相关性.这一发现也与文献［18］的研究结果一致.此外，本研究发现技术学科中的Altmetrics指标（如新闻提及）的贡献度普遍低于0.02，表明此类影响力更多依赖于学术内部的引用，而非公众传播.此外，研究预注册与分析计划预注册等指标在相关性分析中同样无显著作用（r<0.05），印证了粗糙集方法在剔除低效政策指标上的有效性.

社会科学（心理学、教育学）呈现数据透明性与公共传播的双重驱动的特性：心理学中材料透明度与代码透明度的强重要度，反映了该学科对实验复现性与方法论透明性的严格要求.已有的研究也都表明数据透明度与期刊影响因子之间存在正相关关系^［19-21］.同时，新闻提及（r=0.212*）的显著相关性表明，社会议题（如心理健康）的媒体曝光能够有效推动政策引用与IF提升.教育学的矛盾性发现，代码透明度依赖度异常高（7.638），但在相关性分析中该指标与IF无直接显著关联（r=0.105）.推测其原因为：方法论透明性能够通过提升审稿效率，间接增强论文可信度，而非直接促进引用.这一结果与Costas等人^［5］提出的“Altmetrics反映早期影响力”观点形成互补，表明社会科学需平衡技术规范与社会传播策略.

应用型学科（环境科学、工程）由于其社会需求驱动的特性，在相关性分析中环境科学中新闻提及（r=0.439**）与Dimensions引用（r=0.646**）的强相关性，表明了气候政策等研究成果的公共应用性.例如，Global Environmental Change的气候政策论文被《卫报》报道后，Dimensions引用增长42%.这与Vandewalle^［22］关于数据共享提升可见度的研究一致，但本研究发现环境科学对传统TOP因子（如数据引用）依赖度较低（0.015），表明其更关注成果应用价值而非技术规范性.工程学科中数据透明度（依赖度0.038）与IF呈负相关，反映了数据开放与专利保护间的冲突.例如，机械设计领域的数据共享可能涉及商业机密，导致开放政策与引用效率的矛盾.这一矛盾凸显了粗糙集方法在捕捉非线性关系上的优势.

4.5 TOP因子的作用机制分析

TOP因子作为开放科学政策的量化工具，通过分析发现其具备技术规范强化与形式化冗余的双重特性.

技术规范强化：例如，代码透明度指标在技术学科（如人工智能，依赖度为0.082）和社会科学（如心理学，依赖度为3.40）中均显示出较高的重要性，表明代码共享是提升研究复现性的通用策略.此外，本研究进一步揭示了学科间的差异：心理学更依赖于材料透明度（r=0.349*），而计算机科学则侧重于数据引用（r=0.324*）.数据引用在计算机科学中的强相关性（r=0.324*）印证了该领域对数据来源的重视，进一步支持了Piwowar等人^［23］提出的“数据共享提升引用优势”理论.

通过属性约简和相关性分析，我们还发现研究预注册在六类学科中的依赖度普遍趋近于零.这一现象可能与其低采纳率（心理学中仅有12%的期刊要求这一指标）及政策执行的松散性有关，这与Patarčić^［11］关于“预注册机制缺乏强制力”的结论相一致.此外，开放科学徽章在工程、教育学等学科依赖度均低于0.01，其根源在于未建立分级认证体系（如铜/银/金级）.

5 结论

本研究通过粗糙集属性约简方法，系统揭示了开放科学政策、社会影响力（Altmetrics）与期刊影响因子之间的复杂关联，为理解开放科学在不同学科中的差异化作用提供了多维度实证依据.从研究方法来看，传统研究多依赖回归分析、因子分析等线性模型，这类方法难以处理“开放科学政策-社会影响力-学术影响力”之间的非线性关联与冗余信息干扰.如，部分研究直接将TOP因子总分与影响因子做相关性分析，忽视了不同维度的差异化作用.本研究引入的粗糙集属性约简技术，能够在不预设变量关系的前提下，通过计算属性依赖度精准识别核心影响维度，剔除无关指标，并通过决策规则挖掘并揭示“学科-政策维度-影响力”的隐性关联.

研究发现，TOP因子中的数据引用、数据透明度、分析代码透明度和材料透明度四个维度，与期刊影响因子及总被引频次均呈显著正相关.这一结果证实了开放科学政策的核心价值——通过提升研究过程的透明度与可重复性，能够直接增强期刊的学术认可度，为学术影响力的提升提供系统性支撑.这为学术界关于“开放科学是否能替代传统评价体系”的争论提供了实证回应，即开放科学并非对传统影响力的否定，而是通过补充研究可信度维度，丰富了学术影响力的评价内涵.然而，不同学科的期刊的TOP因子和Altmetrics对期刊影响因子的影响存在显著差异.例如，心理学和教育学领域的期刊的材料透明度和代码透明度方面依赖度较高，这说明这些学科对研究数据和过程的可重复性具有较强的关注.而在工程学领域，开放科学政策的影响相对较弱，这可能与该领域相对保守的研究特征和传统引用方式有关.

此外，Altmetrics 指标对传统影响因子的补充作用表明，开放科学政策不仅影响学术圈内的认可，更通过社交媒体与在线平台重塑了研究成果的社会传播路径.随着学术传播渠道的多元化，开放科学政策可推动研究成果突破学术圈层，提升公众参与度与社会理解度，从而提高期刊影响力.这意味着期刊在制定开放科学策略时，应考虑其学科特性和目标受众.例如，在心理学和教育学领域，期刊可以更加强调材料和数据的透明性，促进研究可复现性；而在计算机科学和工程领域，期刊可能更需要强调代码共享和数据开放.

本研究也存在以下局限性：其一，样本仅涵盖计算机科学等六大学科，未来可扩展至医学、经济学等领域；其二，数据采集限于2022‒2023年，未能捕捉开放科学政策的长期动态效应.其三，目前的算法仅针对静态数据，但对时序数据（如政策强度逐年变化）的处理能力有限.后续研究将扩大数据样本，并结合机器学习模型预测开放科学政策的滞后效应，以进一步丰富该领域的研究成果.

参考文献

[1] 盛小平， 周梦雪. 开放科学实施路径研究综述［J］. 图书情报工作， 2025， 69（8）： 4-14.

[2] WILKINSON M D， DUMONTIER M， AALBERSBERG I J， et al. The FAIR Guiding Principles for scientific data management and stewardship［J］. Scientific Data， 2016， 3： 160018

[3] STOCKEMER D， KOEHLER S， LENTZ T. Data access， transparency， and replication： New insights from the political behavior literature［J］. PS： Political Science & Politics， 2018， 51（4）： 799-803.

[4] 李杰， 刘芊芊， 张子恒. Altmetrics的科学计量分析［J］. 科学观察， 2025， 20（1）： 47-61.

[5] GARFIELD E. The history and meaning of the journal impact factor［J］. Jama， 2006， 295（1）： 90.

[6] 王晓丽， 孙洁， 刘洁. 试析应用SCI数据进行科研评估的局限性与建议［J］. 中国科技资源导刊， 2018， 50（5）： 106-110.

[7] COSTAS R， ZAHEDI Z， WOUTERS P. Do “altmetrics” correlate with citations？ Extensive comparison of altmetric indicators with citations from a multidisciplinary perspective［J］. Journal of the Association for Information Science and Technology， 2015， 66（10）： 2003-2019.

[8] MOHAMMADI E， THELWALL M. Mendeley readership altmetrics for the social sciences and humanities： Research evaluation and knowledge flows［J］. Journal of the Association for Information Science and Technology， 2014， 65（8）： 1627-1638.

[9] 吴冰， 齐思贤. 集成传统学术评价和Altmetrics指标的论文高被引预测研究［J］. 数字图书馆论坛， 2023， 19（9）： 30-37.

[10] 高楠， 宋官钰， 徐少明. Altmetrics指标与引文量相关性分析——以LIS领域为例［J］. 情报理论与实践， 2022， 45（5）： 53-60.

[11] PATARČIĆ I， STOJANOVSKI J. Adoption of transparency and openness promotion （TOP） guidelines across journals［J］. Publications， 2022， 10（4）： 46.

[12] 梁洁纯， 宗乾进， 黄志鸿. 开放科学背景下TOP因子及其与科技期刊学术影响力的关系——来自LIS期刊的实证研究［J］. 中国科技期刊研究， 2020， 31（12）： 1508-1514.

[13] 陈铭， 杨浩华. 开放科学背景下学术期刊TOP因子与引文指标相关性研究［J］. 图书与情报， 2024（2）： 92-101.

[14] 陈铭， 杨浩华， 杨乐怡. 开放科学背景下学术期刊的TOP因子和Altmetrics指标相关性研究［J］. 现代情报， 2025， 45（11）： 156-166.

[15] PAWLAK Z. Rough sets［J］. International Journal of Computer & Information Sciences， 1982， 11（5）： 341-356.

[16] HUANG C Y， HUANG C C， CHEN D N， et al. Decision rules for renewable energy utilization using rough set theory［J］. Axioms， 2023， 12（9）： 811.

[17] YANG L， QIN K Y， SANG B B， et al. A novel incremental attribute reduction by using quantitative dominance-based neighborhood self-information［J］. Knowledge-Based Systems， 2023， 261： 110200.

[18] 冯昌扬， 陈雨雪. 生物医学期刊开放代码政策调研［J］. 中国科技期刊研究， 2019， 30（2）： 156-160.

[19] HENNEKEN E A， ACCOMAZZI A. Linking to data - effect on citation rates in astronomy［EB/OL］. 2011： arXiv： 1111.3618.

[20] SEARS J R. Data sharing effect on article citation rate in paleoceanography［J］. EOS Transactions American Geophysical Union， 2011， 92（53）： IN53B-1628.

[21] VANDEWALLE P. Code sharing is associated with research impact in image processing［J］. Computing in Science & Engineering， 2012， 14（4）： 42-47.

[22] PIWOWAR H A， VISION T J. Data reuse and the open data citation advantage［J］. PeerJ， 2013， 1： 175.