在撰写文献综述和课题申请书时，研究者经常需要回答几个问题：某个领域近些年发展得怎么样？哪些学者和机构具有较高活跃度？哪些主题持续受到关注？不同研究方向之间是否形成了相对独立的知识群体？
传统文献阅读能够提供深度解释，但当研究领域涉及数千篇文献时，仅依靠人工逐篇阅读，很难迅速把握整体结构。
文献计量分析与科学知识图谱工具，为研究者提供了另一种观察视角。
CiteSpace、VOSviewer和Bibliometrix等工具，可以利用规范化的文献元数据，对引用关系、关键词共现、合作网络及主题变化等信息进行分析。
但需要强调，知识图谱并不是自动生成研究结论的机器。图中的节点、连线和颜色只是特定数据与算法处理后的可视化结果。
如果研究者不理解数据来源和计算规则，再漂亮的图谱也可能产生误导。
一、知识图谱首先是一种研究方法，而不是装饰图片
文献计量研究主要利用文献中的可量化信息，观察科学研究活动的某些结构与变化。
例如，文章发表数量可以反映数据库覆盖范围内的产出趋势；作者合作网络能够显示署名关系；关键词共现网络可以帮助研究者识别经常共同出现的研究主题。
但这些指标需要谨慎解释。
论文发表数量增长，不一定意味着研究质量同步提高；合作关系密集，也不能直接证明团队之间具有实质性的知识交流；关键词出现频繁，更不能自动说明该研究方向具有较高原创价值。
因此，使用知识图谱之前，必须明确自己想回答什么研究问题。
只有当图谱能够帮助识别某种结构、变化或学术联系时，它才具有分析价值。
二、VOSviewer适合开展哪些分析
VOSviewer主要用于构建和展示文献计量网络，可以分析作者、机构、期刊或文献之间的某些关联，也可用于关键词共现和主题观察。
例如，研究者可以通过关键词共现分析，观察一个研究领域中哪些术语经常共同出现。
通过作者合作网络，可以描述特定数据库记录中的共同署名关系。
通过共被引分析，则可以观察哪些文献经常在后续研究中共同被引用。
VOSviewer还提供不同的网络展示方式，但研究者不能只根据节点距离或颜色作出未经方法支持的解释。
图谱的具体含义取决于所选分析类型、计数方式、相似度处理和聚类设置。
使用前建议阅读官方操作说明，并在论文方法部分记录所采用的关键设置。
三、CiteSpace应该怎样融入科研选题
CiteSpace常用于科学文献的结构与时间演变分析。
对于准备博士开题或科研项目申请的研究者，可以围绕核心主题观察知识基础、研究前沿和某些主题在不同阶段的变化。
但使用该工具并不意味着只需点击生成图谱，就能够得到“未来五年的研究趋势”。
例如，某个关键词在近期出现频率升高，可能与领域内出现新技术有关，也可能与数据库收录范围、检索表达式变化或术语替代有关。
研究者应结合代表性论文、实际科研进展和学科背景解释。
如果某项方法刚刚出现，相关文献数量可能有限，却仍然值得关注。
反过来，持续高频出现的关键词可能反映成熟研究方向，而未必说明该问题仍存在重要科学空白。
四、Bibliometrix与Biblioshiny的使用思路
Bibliometrix是基于R环境的科学计量分析工具，Biblioshiny则提供便于操作的图形化分析方式。
对于有一定统计和编程基础的博士生，可以利用相关方法建立更可追溯的分析流程。
图形化界面降低了入门门槛，但不能消除对研究设计和数据处理的要求。
研究者仍需要明确数据来自哪个数据库、包含哪些文献类型、检索时间是什么，以及不同记录如何去重。
当不同数据库的作者姓名、机构名称或关键词格式不一致时，合并分析前还应进行必要清洗。
如果清洗规则没有记录，之后研究结果即使能够生成，也可能无法准确复现。
五、检索策略决定知识图谱的可靠程度
知识图谱分析的第一步不是启动软件，而是获得符合研究问题的数据集。
例如，想分析“生成式人工智能在高等教育中的研究趋势”，不能只搜索“ChatGPT”，因为相关领域可能使用大语言模型、生成式人工智能及其他术语。
但也不能不加区分地加入所有人工智能相关表达，否则结果可能被传统机器学习或一般教育技术研究主导。
因此，应先明确研究边界，再构建检索表达式。
检索时需要记录数据库、索引范围、字段、检索日期、文献类型和语言限制。
如果研究声称分析全球某领域的整体趋势，就要考虑单一数据库覆盖不足的问题，并在研究局限中明确说明。
数据集的合理性，往往比可视化软件的选择更重要。
六、数据清洗是最容易被忽视的步骤
文献元数据中经常出现同一机构的多种写法、作者姓名缩写不一致，以及关键词单复数、全称与缩写混用等情况。
例如，Large Language Model、LLM和Large Language Models可能指向相近研究对象，但并非所有相关术语都应自动合并。
如果不进行合理清洗，同一主题可能被拆分为多个节点，使共现网络显得过于分散。
如果清洗过度，又可能把理论定义不同的概念错误合并，造成虚假的集中结构。
建议建立术语替换表，记录每一组归并词及其依据。
对于作者与机构名称，还应注意同名不同人、机构更名以及多机构署名的问题。
正式分析之前抽查样本记录，通常比反复调整图谱颜色更有价值。
七、关键词共现图应该如何解释
关键词共现反映的是特定文献集合中，不同术语在同一记录里共同出现的关系。
一般来说，频次较高的关键词可能构成某个主题的重要组成部分，但其真正含义仍需结合具体文献。
例如，一张医学人工智能图谱可能同时出现“deep learning”“diagnosis”“medical imaging”等高频词。
这只能说明这些术语在数据集中具有一定联系，不能直接证明深度学习已经全面改善临床诊断。
聚类结果则可以帮助划分相对接近的主题群体。
但不同阈值、清洗规则和聚类参数可能改变图谱结构。
因此，论文中最好说明这些设定，并通过代表性研究验证聚类名称是否合理。
八、时间叠加图不等于未来预测模型
VOSviewer等工具能够通过时间信息帮助观察研究主题的相对变化。
例如，某些关键词主要出现在较早研究中，另一些则在近年更加活跃。
这对于识别技术发展阶段可能具有启发意义。
但是，图谱只能描述已有数据，不能自动推断未来一定会发生什么。
尤其是一个领域在近期发生突发性变化时，发表时滞、收录差异及热点词替换，都可能影响可视化结果。
研究者不能因为某个节点颜色代表较新的平均发表年份，就宣布这一主题必然是未来最具价值的方向。
更合理的做法是把图谱分析作为问题发现的辅助证据，再结合近年代表性研究深入判断。
九、如何通过共被引关系寻找研究基础
共被引分析可以帮助研究者观察哪些学术成果在后续文献中经常被共同引用。
如果一组研究反复出现在相关文献的参考文献中，可能说明它们构成某个主题的重要知识基础。
但共被引关系并不代表这些论文观点完全一致，也不代表研究者彼此合作。
有些论文因提出经典理论而被广泛引用，有些论文则可能因争议性方法而被反复讨论。
因此，识别关键节点后，应返回论文原文，弄清被引用的具体原因。
对于博士生而言，这一步尤其重要，因为确定理论贡献需要了解学科真正讨论的问题，而不是仅认识图谱中面积最大的节点。
十、怎样把知识图谱结果写进文献综述
知识图谱分析不应成为论文中孤立的一章。
可以先通过计量分析识别研究主题，再选择各主题中的代表性文献进行深入阅读，比较理论、方法和证据。
例如，某个领域可能形成“方法开发”“性能评价”“实际应用”三个主题群体。
研究者可以将其作为综述的初步组织线索，再检查这些划分是否符合真实学科发展。
如果深入阅读发现两个群体之间存在大量共同理论，就不必机械地照搬聚类结果。
好的综述应该在可量化的结构分析和深入的学术解释之间形成互补。
图谱帮助发现可能的联系，原始论文阅读帮助判断这些联系是否具有科学意义。
十一、知识图谱论文最常见的五类问题
第一类问题是检索范围不清楚，读者不知道数据集怎样产生。
第二类是只报告图谱，却不解释不同节点和网络关系的实际含义。
第三类是根据发文量或被引次数直接评价研究质量。
第四类是过度依赖聚类名称，忽略研究主题之间的交叉。
第五类是把某些高频词变化解释为已经得到验证的未来趋势。
这些问题具有共同原因：把工具输出误认为研究结论。
对于学位论文和期刊论文，作者应当明确哪些内容是软件计算结果，哪些是研究者结合文献提出的解释。
只有二者区分清楚，读者才有可能评估分析是否合理。
十二、一个示范性研究流程
假设某硕士生希望分析近十年来数字健康研究的主题演变。
首先需要界定数字健康的研究范围，明确是否包括远程医疗、可穿戴设备、电子健康记录和人工智能辅助诊疗。
随后构建检索策略，记录数据来源和获取日期。
第三步，对导出的文献记录进行去重和术语清洗，保存清洗规则。
第四步，分别尝试关键词共现、文献引用或合作关系分析，并说明不同分析回答的问题。
第五步，选取具有代表性的文献开展人工精读，检查图谱识别出的主题是否合理。
第六步，撰写研究局限，说明数据库覆盖、语言限制、阈值与时间因素可能造成的影响。
整个过程应强调可重复的研究步骤，而不是把生成图片作为最终目的。
十三、七天入门训练：做出具有解释价值的科研图谱
第一天，确定一个范围适中的研究主题，写清研究目的与边界。
第二天，学习目标数据库的导出方式，并完成一批文献记录的下载。
第三天，检查重复记录、机构名称和关键词差异，建立简单清洗表。
第四天，使用VOSviewer或适合自己的工具生成初步网络，记录关键参数。
第五天，阅读网络中具有代表性的研究，检查聚类解释。
第六天，尝试比较不同阈值或合理清洗方案下的结果是否稳定。
第七天，形成一份小型分析报告，包括数据来源、检索策略、主要图谱、结果解释和研究局限。
如果研究者只能描述图谱有多少种颜色，却无法说明研究问题获得了什么新认识，说明训练仍未完成。
结语：科研知识图谱的价值在于帮助发现问题，而不是替研究者思考
CiteSpace、VOSviewer和Bibliometrix等工具，为科研人员提供了观察大规模文献集合的有效途径。
它们可以帮助研究者识别主题结构、合作关系和某些时间变化，但不能替代原始文献阅读，更不能自动证明创新性。
对于硕士生，知识图谱可以辅助组织综述；对于博士生，可以帮助理解研究脉络；对于科研管理与项目申请，也能够提供一定的宏观观察材料。
只有当研究者理解数据、算法和学科背景之间的关系时，图谱才会从一张漂亮图片变成真正有价值的科研分析工具。