关于研究方面本科论文怎么写 与量化自我的知识图谱分析类大学毕业论文范文

本论文为您写研究毕业论文范文和职称论文提供相关论文参考文献,可免费下载。

量化自我的知识图谱分析

摘 要文章以WebofScience核心合集中收录的量化自我领域的文献为载体,利用信息可视化软件CiteSpace对该领域的研究力量、核心文献、研究热点等进行探究和可视化展现.研究结果显示:量化自我的研究力量集中在美国等发达国家,总体科研产出和合作较少;研究热点主要集中在量化自我的概念、技术、数据管理及健康应用等方面.

关键词量化自我知识图谱可视化

引用本文格式张彦斐,胡德华.量化自我研究的知识图谱分析[J].图书馆论坛,2018(2):8-16.

AKnowledgeMappingAnalysisofQuantifiedSelfStudy

ZHANGYanfei,HUDehua

AbstractBasedontheresearchpapersindexedbyWOScorecollectionsandbymeansofCiteSpace,thispapermakesisualizedexplorationoftheresearchers,coredocumentsandhottopicsinthefieldofquantifiedselfstudy.TheresultsshowthattheresearchersareconcentratedindevelopedcountriesliketheUnitedStates,andtheyfocuainlyonhottopicssuchastheconceptsandtechniquesofquantifiedself,itsapplicationsinthehealthservice,anddatamanagement.Besides,thereishardlyanycooperationbetweenresearchers,andtheoverallresearchoutputisratherlimited.

Keywordsquantifiedself;knowledgemapping;visualization

0前言

量化自我(QuantifiedSelf,QS)指利用可穿戴设备等工具或技术追踪、量化、探索、管理自身.量化自我在自动化、信息化、数据挖掘等技术支持下,通过量化自我设备,对人体各种行为信息和生命体征随时随地进行无创、连续的监测[1],以精确的数字进行记录,然后利用各种程序和算法对这些数据进行信号处理、模式识别、数据挖掘等,最后借助移动应用程序将分析后的结果以图形、图像等形式简洁清晰地呈现出来,为用户提供有针对性的干预和帮助,因而在健康医疗、教育教学、时间管理等方面具有广阔的应用前景.作为新兴的、多学科渗透的交叉研究领域,学界迫切需要对量化自我研究现状进行全景扫描,探究其研究前沿和发展趋势.为此,本文采用CiteSpace可视化分析软件,绘制量化自我研究领域的科学知识图谱,探究该领域的研究态势,发现存在的问题以及寻找新的研究切入点.

1数据获取与预处理

选取WebofScience核心合集作为文献来源数据库.检索式为:主题等于“quantifiedself”OR“self-quantification”OR“self-tracking”OR“self-surveillance”OR“personalanalytics”OR“lifehacking”.由于“量化自我”是2007年才提出的概念,因此,时间跨度选择2007-2017年.文献检索时间为2017年10月5日.经过检索WebofScience得到511篇记录.以人工筛查方式筛选每条记录,去除明显与量化自我主题不相关的文献,最终得到量化自我领域相关文献344篇.

2知识图谱分析

2.1研究力量分析

2.1.1研究国家分析

从表1发文量看,量化自我领域的研究力量集中在发达国家.无论是发文量还是中心性,美国都居于首位,表明美国对量化自我的研究热度和质量都较高.量化自我的理念和运动起源于美国,而且自2011年起每年在美国召开全球性量化自我大会.值得注意的是,中国的发文量(7)排在第15位,中心性(0.12)则更靠前,排在第5位.由此可见我国在量化自我领域的研究中也占有一席之地.

由图1看出,对于量化自我的研究,美国牢牢占据核心地位,其周围分别形成了以英国、澳大利亚、意大利、瑞典、中国、法国、德国、韩国和西班牙等国家为中心的合作网络.但整体看,各国之间的合作强度并不大,有待加强.

2.1.2研究机构分析

量化自我领域的研究机构集中在高校(表2左栏).在发文量排名前10的研究机构中,美国和澳大利亚各占3席,韩国占2席.美国华盛顿大学的发文量最多,达到11篇;其次是澳大利亚的堪培拉大学和墨尔本大学,各有9篇;韩国首尔国立大学、丹麦哥本哈根大学和澳大利亚的悉尼大学均为5篇.

从中心性(表2右栏)看,美国华盛顿大学最高,为0.07.无论是发文量还是中心性,华盛顿大学都居于首位,表明该校的量化自我研究最具影响力.其次为加州大学欧文分校(0.05)、英国华威大学(0.04)、加州大学洛杉矶分校(0.04).

综上所述,无论是发文量还是中心性,机构的研究力量均相对薄弱,尚未有高产出和高影响力的机构出现.而且由图2可以看出,各研究机构之间缺乏合作,仅形成以堪培拉大学、墨尔本大学、哥本哈根大学、华盛顿大学等为中心的少量弱合作关系.

2.1.3研究人员分析

堪培拉大学的LuptonD发文最多,为8篇;其次为华盛顿大学的MunsonSA、庆熙大学的LeeS、哈马德·本·哈利法大学的WeberI和墨尔本大学的GrayK,各5篇;墨尔本大学的AlmalkiM和华盛顿大学的FogartyJ各4篇.这再次表明澳大利亚和美国在量化自我领域较为领先.

由图3可知,BanosO、AminMB、LeeS、KhanWA和KangBH等具有较密切的合作关系.其中,前四位都是庆熙大学计算机工程系教授,KangBH是塔斯马尼亚大学计算机与信息系统系教授,他们主要开展基于健康数据的挖掘理论研究.比如,通过多模式的情境挖掘来研究人类的行为,并提供个性化的健康服务和支持[2].MunsonSA、FogartyJ和EpsteinDA也形成合作网络,他们均为华盛顿大学的教授,通过构建学模型研究量化跟踪工具的选择、使用和社群分享模式等,探究用户中止自我跟踪的6个因素:收集和整合成本、拥有或共享数据的成本、信息披露的不适、数据质量问题、目的已达到和生活环境的改变,并且探讨用户量化自我对生活的5种态度:没有大的影响、挫败、自责、自由以及为了提升知识或技能而继续使用[3-4].

墨尔本大学卫生与生物医学信息中心的AlmalkiM和GrayK两位教授也有合作,主要研究个人健康信息自我量化系统,包括量化自我相关的概念、健康量化自我应用程序和设备,以及用户在健康自我管理中得到的利益和遇到的挑战[5-7].

意大利都灵大学的RappA和CenaF两位教授围绕学展开研究,涉及自我跟踪的兴趣、个人数据信息收集中自我意识、自我反思及自我知识的重要性,以及不同工具测量的差异[8-9.

整体看,量化自我领域的合作研究并不明显.除少量同一机构内的研究者之间有合作外,跨机构、跨学科的合作研究几乎没有,也未出现突出的高产作者.

2.2核心文献分析

对核心文献的分析主要从高被引文献和高中心性文献展开.图4揭示出紫色外圈节点SwanM(2012),LiI(2010),RooksbyJ(2014)等人的文章为网络中的核心节点.

从表4可知,被引频次最高的文献是SwanM于2013年发表的THEQUANTIFIEDSELF:FundamentalDisruptioninBigDataScienceandBiologicalDiscovery,介绍量化自我的定义、工具、挑战、机遇以及发展趋势[10].SwanM认为量化自我即个人或群体参与的、对各种生理、物理、行为或环境信息自我跟踪的行为,是大数据科学重要的趋势.科学家需要开发新模型来克服数据收集、集成和分析等方面的挑战,并定义开放的数据资源和隐私标准来指导个人数据利用.短期看,量化自我是将自已塑造成合格的自我;而长远看,量化自我将促进人类进入延伸自我的新境界,最终达到不同群体的自我联结.

被引频次位居第二的是SwanM于2012年发表的SensorMania!TheInternetofThings,WearableComputing,ObjectiveMetrics,andtheQuantifiedSelf2.0.该文认为广泛的物联网正在兴起,通过传感器和微处理器芯片记录和传输各种数据,使现实世界的事物(包括人体)相互联结成网络[11].物联网生态系统包括4个关键功能:数据创建、信息产生,意义生成以及采取行动.量化监控将引导人们对内部和外部世界进行更深入的了解.为了应对物联网所产生的各种数据流,新的数据素养行为如数据评估、异常检测和高频数据处理正在发展.

被引频次位居第三的是ChoeEK于2014年发表的Understandingquantified-selfers´practicesincollectingandexploringpersonaldata.此文研究了量化自我者如何利用现有的技术和方法,克服自我跟踪过程中遇到的时间和动机障碍以及数据整合和解释的困难,努力追踪各种自身数据并通过群组、博客或会议进行分享[12].

SwanM的另外两篇文章Health2050:TheRealizationofPersonalizedMedicinethroughCrowdsourcing,theQuantifiedSelf,andtheParticipatoryBiocitizen和EmergingPatient-DrivenHealthCareModels:AnExaminationofHealthSocialNetworks,ConsumerPersonalizedMedicineandQuantifiedSelf-Tracking的被引频次分别位于第五和第六位,分别提出通过众包、量化自我和参与式生物公民实现个性化医学,以及基于健康社会网络、个性化医学和量化自我跟踪的新型病人驱动医疗模式[13-14].

中心性(表5)排名第一的文献是RooksbyJ等2014年发表的Personaltrackingaslivedinformatics,文中将活动的使用描述为生活信息学,区别于学和量化自我[15].通过对活动跟踪用户进行访谈,研究发现:用户没有逻辑地交织使用各种活动;跟踪往往是社交和协作的,而不是个人行为;有不同类型的跟踪,包括目标驱动跟踪和记录跟踪;跟踪信息经常被用来解释日常或短期目标和决策;个人跟踪与日常生活和人们对未来的期望是相融合的.

中心性排名第二的是AlmalkiM等于2015年发表的TheUseofSelf-QuantificationSystemorPersonalHealthInformation:BigDataManagementActivitiesandProspects,文中提出了新的个人健康信息自我量化系统模型[16].该模型描述了个人在自我健康管理过程中经历的两种实践活动:“自我量化”“自我激活”.该文比较分析11种典型的量化自我工具和辅助应用程序及其支持的数据管理流程,提出采用系统的方法来构思和映射这些过程与个人活动.

中心性排名第三的是AlmalkiM等2016年发表的ActivityTheoryasaTheoreticalFrameworkforHealthSelf-Quantification:ASystematicReviewofEmpiricalStudies.此文以活动理论作为健康自我量化的理论框架,对相关的实证研究进行系统综述,探究自我量化的一般特点、用户为实现其健康目标所进行的特定活动、健康量化自我在实证研究中已经确立的构想及其描述,以及如何从理论上对这些构想进行建模[17].健康量化自我有数据驱动和目标导向两种不同的动力机制以及两种工作模式:workondata(数据本身工作)和workwithdata(数据相关工作).基于活动理论,健康自我量化系统可以分6个部分:用户、跟踪工具、健康目标、分工、社区或群体环境,及自我量化计划和规则.

中心性排名第五的文献Health2050:TheRealizationofPersonalizedMedicinethroughCrowdsourcing,theQuantifiedSelf,andtheParticipatoryBiocitizen,被引频次也排在第五位,表明该文献有着较高的学术价值和学术影响力.该文探讨了个性化医学的现状,发现健康大数据时代医学模式的质变,在此基础上,提出了健康2050:个性化医学的实现模式,如众包、量化自我和参与式生物公民[18].

2.3作者共被引分析

以共被引作者为研究对象,图5中的紫色外圈节点为关键节点,主要有FOXS,FOUCAULTM,LII等,位于网络中的核心位置.

从表6可见,共被引频次最高的作者是SwanM(84次),这与前文的分析相一致.但是比较发现其发文量排名并不在前列,这与他多篇文章并未收录在WOS核心合集中有关.SwanM是美国的未来学家和科学家[19],是区块链(BlockChain)和Diygenomics创始人,主要从事数据区块链、深度学习(DeepLearning)、基因组学(Genomics)、网络(Networks)、量化自我(QuantifiedSelf)和个性化医疗(PersonalizedMedicine)等新兴科技领域的研究.

共被引频次排第二的是LuptonD(61次).LuptonD是澳大利亚堪培拉大学教授,其研究集中在公共环境职业健康、生物医学社会学、保健科学服务以及文化等[20].因此,他对量化自我的研究主要从社会学角度,采用一系列社会和文化理论探究自我跟踪的社会和文化意义,如数字技术使用在个人经验、自我与社会的关系等方面对目标群体的影响[21-22].LuptonD不仅在量化自我领域发文量最多,而且被引频次也较高.

2.4研究热点分析

根据图6,在量化自我研究热点中,紫色外圈节点quantifiedself、health、bigdata等为关键节点,位于网络的核心位置.词频排名前10位的关键词及其词频见表7.其中,quantifiedself(97)、selftracking(39)、personalinformatics(20)等高频关键词表明量化自我研究紧紧围绕“量化自我”“自我跟踪”“学”等核心概念.health(40)、physicalactivity(23)、care(17)、medicine(15)等高频关键词表明研究热点集中在量化自我在日常活动、医疗、医药等健康领域的应用方面.bigdata(34)、technology(18)、system(14)表明对大数据、量化自我相关技术、系统或模型的研究也是热点之一.

由表8可知,app(0.31)、management(0.19)、adult(0.18)、disease(0.17)、health(0.16)等关键词中心性较高,表明量化自我的工具,如相关APP,量化自我数据及个人健康管理的研究也相当重要.目前,存在各式各样的量化自我工具,如搭载在移动智能设备上的各类APP,或越来越流行的可穿戴设备,可以通过内置的传感器动态监测用户的时间、运动强度及活动范围等行为数据,以及体温、脉搏、心率、血压等体征数据.这些数据可以为用户的日常运动提供科学指导,以及为疾病的防治提供重要依据,有利于构建良好的健康管理模式.

图7显示了量化自我研究的6个热点:

(1)捕获负担(CaptureBurden)[23].健康行为的自我跟踪有助于提高自我认识和参与健康管理.用户需要选择目标行为和捕获机制来跟踪目标行为.然而,数据捕获的负担不利于长期的数据收集.因而,设计低负担、高效率的自我监控工具,改进信息获取途径和方式是很有必要的.

(2)挖掘思想(MiningMind)[24].大数据为卫生和健康保健带来巨大的变革.挖掘思想作为一种高效利用数据、信息和知识的新框架,建立在数字健康范式的核心思想之上,包含了大数据、云计算、可穿戴设备和物联网等数字技术,以及相关概念和方法,如情景感知、知识库和知识分析,从整体上不断探讨人们的生活方式,并提供各种智能的训练和支持服务.

(3)可穿戴技术(WearableTechnology)[25].采用先进技术制造的、可以佩戴在用户身上的可穿戴设备,如智能手环、智能手表、智能发带,将信息监测技术与人们的日常穿戴相结合,实现对人体无侵扰、无创、连续、动态的数据监测.

(4)关键组件(KeyComponent)[26].自动干预是健康生活方式管理的一个很有前景的新方法,它结合了自我跟踪和合理电子化指导.研究自动化健康生活方式干预中有哪些关键组件,以及如何设计这些组件,有利于促进健康数据利用的有效性.

(5)隐私(Privacy)[27].量化自我有巨大的利用价值,同时也带来隐私风险.以前从未有过如此大量的与用户相关的信息被收集、传输和存储.在数据共享过程中有效保障用户的数据安全,保护用户隐私是大数据时代亟待解决的问题.

(6)身体活动(PhysicalActivity)[28].传感设备的普及使人们可以独立、随时随地收集健康数据,尤其是日常活动数据.比如,对用户的运动、睡眠、饮食和营养摄入等进行持续跟踪,记录变化轨迹并在朋友间分享,提供信息反馈和行为激励,协助用户提升运动能力和健康状况.

3结语

本文对量化自我领域的研究文献进行可视化分析,探究了该领域的研究现状.从研究力量看,美国高校(如华盛顿大学和加州大学欧文分校)科研产出量和文献质量遥遥领先.其中,华盛顿大学的发文量和中心性均位于首位,该校MunsonSA,FogartyJ等是主要研究人员.英国华威大学、澳大利亚堪培拉大学和墨尔本大学的研究居于前列,堪培拉大学的LuptonD发文量居于首位.韩国、意大利、丹麦等国家的研究也具有一定的影响力.我国的发文量和中心性排位比较靠前,研究机构主要有上海交通大学、清华大学、香港大学,但以外籍教授为主[29-31].整体看,量化自我领域的科研产出和质量不高,各国家、机构、研究者之间缺乏合作.

从文献共被引和作者共被引角度看,SwanM在2009-2013年发表的文献被引频次较高,AlmalkiM在2015年和2016年发表的文献中心性较高,LuptonD在2012年和2013年发表的文献也有较高的被引频次和中心性.这些文献可看作是量化自我领域的核心文献,这几位研究者在量化自我领域的研究也较权威.

从研究热点看,量化自我领域的研究热点集中在:(1)“量化自我”“自我跟踪”“学”等概念的界定和内涵的探讨;(2)量化自我的工具,如APP的选择和使用;(3)量化自我的应用,主要是医疗健康领域及日常活动监测方面的应用;(4)量化自我的相关技术,如数据管理、数据挖掘、可穿戴技术;(5)量化自我面临的挑战,如收集数据时的捕获负担、数据隐私、安全等.

量化自我作为新兴领域,正在稳步发展,逐渐形成较为成熟的研究体系.但此领域的研究相对较少,且大多数研究停留在理论层面,缺少实用性,缺乏新发现,研究深度不足,还有很大的发展空间.量化自我理论具有多学科交叉的特性,应用范围较广泛.各研究机构及研究者之间急需加强合作,进一步细化和深化研究内容,促进量化自我的发展,充分发挥这一理论的应用价值,使其融入生活的方方面面,为大众服务.

参考文献

[1]ChangF,YinJ,ZhangH,etal.Theresearchandexpectationonwearablehealthmonitoringsystem[J].Chinesejournalofmedicalinstrumentation,2015,39(1):40-43.

[2][23]BanosO,AminMB,KhanWA,etal.TheMiningMindsdigitalhealthandwellnesramework[J].BiomedicalEngineeringOnline,2016,15(1):76.

[3]EpsteinDA,PingA,FogartyJ,etal.Alivedinformaticodelofpersonalinformatics[C]//Proceedingsofthe2015ACMInternationalJointConferenceonPervasiveandUbiquitousComputing.ACM,2015:731-742.

[4]EpsteinDA,CarawayM,JohnstonC,etal.Beyondabandonmenttonextsteps:understandinganddesigningforlifeafterpersonalinformaticstooluse[C]//Proceedingsofthe2016CHIConferenceonHumanFactorsinComputingSystems.ACM,2016:1109-1113.

[5][16]AlmalkiM,GrayK,SanchezFM.Theuseofself-quantificationsystemorpersonalhealthinformation:bigdatamanagementactivitiesandprospects[J].HealthInformationScienceSystem,2015,3(Suppl):S1.

[6]AlmalkiM,GrayK,Martin-SanchezF.RefiningtheConceptsofSelf-quantificationNeededforHealthSelf-management:AThematicLiteratureReview[J].MethodsofInformationinMedicine,2016,55(5):46-54.

[7]GrayK,Martin-SanchezFJ,Lopez-CamposGH,etal.Person-generatedDatainSelf-quantification.:AHealthInformaticsResearchProgram[J].MethodsofInformationinMedicine,2017,56(1):40-45.

[8]RappA,CenaF.Personalinformaticoreverydaylife:Howuserswithoutpriorself-trackingexperienceengagewithpersonaldata[J].InternationalJournalofHuman-ComputerStudies,2016,94:1-17.

[9]MarcengoA,RappA,CenaF,etal.TheFalsifiedSelf:ComplexitiesinPersonalDataCollection[M]//UniversalAccessinHuman-ComputerInteraction.Methods,Techniques,andBestPractices.Cham,Switzerland:SpringerInternationalPublishing,2016.

[10]SwanM.Thequantifiedself:Fundamentaldisruptioninbigdatascienceandbiologicaldiscovery[J].BigData,2013,1(2):85-99.

[11]SwanM.Sensormania!theinternetofthings,wearablecomputing,objectivemetrics,andthequantifiedself2.0[J].JournalofSensorandActuatorNetworks,2012,1(3):217-253.

[12]ChoeEK,LeeNB,LeeB,etal.Understandingquantified-selfer’spracticesincollectingandexploringpersonaldata[C]//Proceedingsofthe32ndannualACMconferenceonHumanfactorsincomputingsystems.ACM,2014:1143-1152.

[13][18]SwanM.Health2050:therealizationofpersonalizedmedicinethroughcrowdsourcing,thequantifiedself,andtheparticipatorybiocitizen[J].Journalofpersonalizedmedicine,2012,2(3):93-118.

[14]SwanM.Emergingpatient-drivenhealthcaremodels:anexaminationofhealthsocialnetworks,consumerpersonalizedmedicineandquantifiedself-tracking[J].Internationaljournalofenvironmentalresearchandpublichealth,2009,6(2):492-525.

[15]RooksbyJ,RostM,MorrisonA,etal.Personaltrackingaslivedinformatics[C]//Proceedingsofthe32ndannualACMconferenceonHumanfactorsincomputingsystems.ACM,2014:1163-1172.

[17]AlmalkiM,GrayK,Martin-SanchezF.Activitytheoryasatheoreticalframeworkforhealthself-quantification:asystematicreviewofempiricalstudies[J].JournalofmedicalInternetresearch,2016,18(5):e131.

[19]MelanieSwan[EB/OL].[2017-02-05].http://www.melanieswan.com/.

[20]ThisSociologicalLife[EB/OL].[2017-02-05].https://simplysociology.wordpress.com/about/.

[21]LuptonD.Quantifyingthebody:monitoringandmeasuringhealthintheageofmHealthtechnologies[J].CriticalPublicHealth,2013,23(4):393-403.

[22]LuptonD.M-healthandhealthpromotion:Thedigitalcyborgandsurveillancesociety[J].SocialTheory&Health,2012,10(3):229-244.

[24]ChoeEK,LeeB,KayM,etal.SleepTight:low-burden,self-monitoringtechnologyforcapturingandreflectingonsleepbehiors[C]//Proceedingsofthe2015ACMInternationalJointConferenceonPervasiveandUbiquitousComputing.ACM,2015:121-132.

[25]GilmoreJN.Everywear:Thequantifiedselfandwearablefitnesstechnologies[J].newmedia&society,2016,18(11):2524-2539.

[26]LentferinkAJ,OldenhuisHKE,deGrootM,etal.KeyComponentsineHealthInterventionsCombiningSelf-TrackingandPersuasiveeCoachingtoPromoteaHealthierLifestyle:AScopingReview[J].JournalofmedicalInternetresearch,2017,19(8):e277.

[27]BarcenaMB,WueestC,LauH.Howsafeisyourquantifiedself?[EB/OL].(2014-08-11)[2017-10-18]http://www.symantec.com/content/en/us/enterprise/media/security_response/whitepapers/how-safe-is-your

-quantified-self.pdf.

[28]LiY,GuoY.Wiki-health:fromquantifiedselftoself-understanding[J].FutureGenerationComputerSystems,2016,56:333-359.

[29]ShullPB,JirattigalachoteW,HuntMA,etal.Quantifiedselfandhumanmovement:Areviewontheclinicalimpactofwearablesensingandfeedbackforgaitanalysisandintervention[J].Gait&Posture,2014,40(1):11-19.

[30]RobertsS.Thereceptionofmyself-experimentation[J].JournalofBusinessResearch,2012,65(7):1060-1066.

[31]ZhengY,WongTCH,LeungBHK,etal.UnobtrusiveandMultimodalWearableSensingtoQuantifyAnxiety[J].IEEESensorsJournal,2016,16(10):3689-3696.

作者简介张彥斐,中南大学信息安全与大数据研究院硕士研究生;胡德华,中南大学信息安全与大数据研究院教授、博士生导师.

收稿日期2017-10-25

(责任编辑:刘洪;英文编辑:郑锦怀)

研究论文范文结:

适合研究论文写作的大学硕士及相关本科毕业论文,相关研究开题报告范文和学术职称论文参考文献下载。

相关研究毕业论文范文

相关参考论文写作资料

热门研究论文题目