Garskova, Irina Markovna
Lomonosov Moscow State University, Russian Federation
irina.garskova@gmail.com
Одним из популярных направлений анализа эволюции научной области является количественный анализ историографии и библиографии. Однако при значительном количестве работ, охватывающих большое число авторов, даже на сравнительно коротких временных интервалах невозможно ограничиваться чисто качественным историографическим анализом и приходится обращаться к количественным наукометрическим методам. Первые работы по этой проблематике в русскоязычной историографии появились более 50 лет назад (Nalimov / Mul’chenko 1969).
В наукометрии используются различные методы анализа: статистические и лингвистические, методы построения индексов цитирования, контент-анализа и др. В данной работе проводится наукометрический анализ научного направления, известного под разными названиями (Historical Computing, Historical Information Science, l'Histoire et l'Informatique, в России – Историческая информатика и др.). Сегодня, в эпоху науки о данных (Data Science) адекватным для направления, связанного с применением цифровых технологий и аналитических методов в исторических исследованиях, представляется название Historical Data Science.
Данная работа посвящена анализу развития исторической информатики в России на источниковой базе, включающей более 3000 публикаций под эгидой межрегиональной ассоциации «История и компьютер» (АИК) с начала 1990-х гг. до 2020 г.
Методы анализа таких источников обычно делят на три группы: методы количественного анализа библиографии; методы количественного анализа историографии и методы анализа цитирования, для которого в последнее время часто более часто стал использоваться сетевой анализ. Соответственно, данное исследование проводилось в три этапа: статистический, семантический (контент) и сетевой анализ.
Основными параметрами количественного анализа библиографии являются ее объем, параметры концентрации и рассеяния, структурные изменения по научным направлениям и школам, а также парные взаимосвязи (например, число публикаций – число авторов). Анализ таких источников строится на классических законах Ципфа, Бредфорда, Лотки, Парето. Так, эмпирический закон А. Лотки для анализа научной продуктивности авторов основан на статистике числа авторов, написавших одну, две, три и т.д. статьи, и является одним из фундаментальных библиометрических законов (Garskova 2018).
Значения параметра α > 1 в распределении Лотки соответствуют случаю, когда бо́льшая часть авторов опубликовала по одной – две статьи по данной проблематике. Это бывает в период становления научного направления, которое начинается с публикации небольшого числа статей отдельных авторов, которые затем формируют ядро последующих публикаций. В данном исследовании такие значения параметра получены для периода 1991–1992 гг.
Затем в научную область приходит приток «новых сил» и число авторов интенсивно растет, причем доля работ авторов, написавших 1–2 статьи, некоторое время превышает долю работ высокопродуктивных авторов (эффект рассеяния превышает эффект концентрации). Значения параметра α в течение этого кратковременного периода (в данном случае – в 1992–1993 гг.) заметно уменьшаются. Затем ситуация стабилизируется, и параметр α постепенно возрастает, приближаясь к устойчивому значению, равному 1. Начиная с 1996 г., значение параметра α остается практически постоянным, а доля публикаций высокопродуктивных авторов превышает 50% и продолжает постепенно увеличиваться в течение следующих 10 лет, пока не достигает постоянного уровня 66–67%, и остается на этом уровне до настоящего времени.
Чаще всего исходные данные изображаются в логарифмических координатах, а зависимость между числом статей и числом авторов представляется уравнением линейной регрессии; можно также непосредственно к исходным данным подобрать гиперболический закон распределения. На рис. 1–2 показана визуализация распределения авторов по числу статей после устранения т.н. «краевых эффектов» на концах ряда, для самых малых и самых больших значений, когда из исходных данных удаляют значения с частотой встречаемости 1 или 2. В этом случае тренды лучше соответствуют эмпирическим данным, а параметр α равен 0,86, т. е. близок к значению 1 в законе Лотки.
Рис. 1. Линейный тренд после удаления точек с частотой встречаемости <3
Рис. 2. Гиперболический тренд после такого же преобразования
Таким образом, научное сообщество, сложившееся вокруг АИК, вполне соответствует развивающейся научной области, когда в массиве публикаций преобладают работы наиболее продуктивных авторов.
Вторым этапом исследования стало изучение полнотекстовой базы публикаций. В результате проведенного с помощью программы MAXQDA контент-анализа были сформированы девять семантических категорий или тематических рубрик (показаны на рис. 4–5). Распределение публикаций в соответствии с этими рубриками позволило построить и обосновать периодизацию развития исторической информатики (подробнее будет сказано в докладе).
Наконец, популярной в настоящее время методикой изучения публикаций является анализ цитирования, который предназначен для выявления структуры научных коммуникаций. Существует много методов анализа цитирования, хотя оценка научной эффективности на его основе имеет ряд недостатков. Как правило, сетевой анализ при наличии больших массивов текстовой информации проводится на основе информации электронных библиографических баз данных, таких, как Web of Science или Scopus. Разработано много алгоритмов и программ сетевого анализа, которые успешно применяются при таком анализе (Newman 2001; Newman / Girvan 2004; Perianes-Rodriguez et al. 2016; Waltman / van Eck 2016; Zhao, Y. / Zhao, R. 2016; Van Eck / Waltman 2010).
Однако если речь идет о ретроспективной информации в историографическом исследовании, источники в электронном виде могут отсутствовать, а если даже они имеются, то из них чрезвычайно трудно извлекать информацию о цитировании, поскольку оформление текстов не отвечает современным нормам оформления научных статей (с аннотацией, ключевыми словами и библиографическим списком).
В данном случае ситуация именно такова: имеется полнотекстовая коллекция публикаций, но информация о цитировании может быть получена для подавляющего большинства статей только в процессе «ручной» работы с текстами, число которых превышает 3000. Поэтому для изучения связей между авторами был выбран подход, основанный на соавторстве. Этот подход явился эффективным, поскольку историография исторической информатики, как и многих междисциплинарных направлений, включает много работ в соавторстве, например, отражающих работу над крупными исследовательскими проектами.
В исторических исследованиях примеры применения сетевого анализа пока немногочисленны. Например, до недавнего времени у историков не было профильного научного журнала по сетевым исследованиям, он появился только в 2017 году – Journal of Historical Network Research. Как заметили в первом выпуске журнала его редакторы, в последние годы сетевой анализ в исторических исследованиях превращается из периферийного направления в достаточно популярную методологию, вышедшую за рамки метафорического ощущения понятия «сети».
Например, в первом номере JHNR представлен обзор основных тенденций в области исследования археологических сетей посредством библиометрического анализа корпуса работ (222) в топ-10 журналах с 1965 по 2016 гг. (Brughmans / Peeples 2017). В этом обзоре проводится анализ соавторства, который показывает, что небольшое количество авторов создают основные публикации по применению сетевых подходов к археологии, но много исследователей слабо включены в эту проблематику (что аналогично нашим результатам по анализу научной продуктивности).
В данной работе сетевой анализ проводился с помощью программы UCINet, визуализация – с помощью программы NetDraw (Borgatti et al. 2002). Аффилиативные двумодальные сети (матрицы инцидентности) строились на основе перекрестных запросов к библиографической базе данных и импорта полученных результатов в MS Excel с последующим преобразованием в таблицы программы UCINet.
Результаты сетевого анализа историографии и библиографии исторической информатики позволили выявить в этой научной области 22 региональные группы исследователей (357 авторов) и 4 крупные научные школы исторической информатики, центральной из которых является московская школа, объединенные в единую межрегиональную группу (254 автора) (Garskova 2018; Garskova 2017a, 2017b). На рис. 3 показаны эти школы со связями между ними, которые обеспечиваются наличием акторов, играющих роль посредников, «мостов», без которых сеть распадается на отдельные изолированные компоненты, как это бывает на начальных этапах формирования научного направления. Подход, основанный на анализе соавторства публикаций как показателе научных связей, позволяет изучать формирование как формальных, так и «виртуальных» научных коллективов. Более того, связывая информацию о группах с тематическими рубриками публикуемых работ, можно выявлять специфику их научных интересов.
Рис. 3. Ведущие российские научные школы в области исторической информатики
На основе аффилиативных сетей можно строить не только традиционные социоматрицы, т.е. изучать соавторство, но и строить сети, представляющие собой связи между различными направления научной проблематики в рамках определенной научной области или в структуре публикаций в научном журнале. На рис. 4 и 5 можно видеть наиболее сильные связи между основными тематическими блоками публикаций в начальный и финальный периоды эволюции отечественной модели исторической информатики. В частности, при сохранении устойчивой традиции использования квантитативных методов и моделирования в последний период внимание в значительной степени переносится с формирования источниковой базы исследования на технологии работы с оцифрованными данными.
Таким образом, применение статистических, семантических и сетевых методов анализа тематической историографии позволяет исследовать эволюцию научной области, выявлять периодизацию этого процесса, появление новых направлений исследования, формирование научных центров и школ, их специфику и взаимодействие.
Рис. 4. Базовые связи между основными тематическими блоками публикаций в 1992–96 гг.
Рис. 5. Базовые связи между основными тематическими блоками публикаций в 2015–20 гг.