如果你第一次打开一张文献计量网络图，大概会有两种感受。
第一眼：很专业。红蓝绿不同颜色的圆点，节点之间连着密密麻麻的线，旁边还有中心性、聚类、突现强度等指标。
再看一会儿：这张图到底在告诉我什么？
圆点大，是不是说明这个方向更重要？线更粗，是不是说明两个主题有机制联系？某个关键词“突现”，是不是就能预测下一个研究风口？
其实都不一定。
文献计量学最容易给人的错觉，就是图比文字更客观。但一张图能说明什么，首先要看它用了什么数据、连的是什么关系，以及研究者在出图前做了哪些选择。
读完这篇，你不会学会某个软件的所有按钮，但应该能真正看懂一张图，也能判断它的结论有没有走得太远。
文献计量学研究的，不是疾病本身
前面讲用药规律数据挖掘和网络药理学时，我们处理的分别是医案、处方、成分、靶点和通路等数据。
文献计量学处理的对象不同。它观察的是论文以及论文附带的书目信息：作者、机构、期刊、关键词、参考文献和引用关系。
所以，它真正擅长回答的是：
- 一个研究领域的文献产出如何变化；
- 哪些作者、机构和期刊参与其中；
- 哪些概念经常一起出现；
- 后续研究共同依赖了哪些文献；
- 研究关注点随时间发生了怎样的变化[1]。
它不能仅凭发文量和引用量，就证明某一中医药疗法有效；也不能凭关键词网络，就确认两种机制之间有真实的生物学联系。
如果说系统评价和 Meta 分析主要在问“现有研究对某个临床问题给出了什么答案”，那么文献计量学更像是在问：这个研究领域是怎样组织和生产知识的？
它为什么这几年突然常见了？
这种感觉不是错觉。
为了观察中医药领域的使用情况，我们在 CNKI 期刊库中检索“文献计量”“科学计量”及 CiteSpace、VOSviewer、bibliometrix 等常见方法词，并把学科限定在中医学、中药学和中西医结合。
截至 2026 年 8 月 8 日，这个口径下共有 4229 篇记录。不过 2026 年还没有结束，直接把它和完整年度比较，会人为制造一条“突然下滑”的曲线。因此，图1只展示 2000—2025 年的完整年度。
图1 2000—2025 年中医药文献计量相关期刊文献年度变化。数据来自 CNKI 期刊库；检索限定中医学、中药学和中西医结合。2026 年为不完整年度，未纳入比较。
这条曲线大致可以分成三个阶段。
2000—2015 年更像缓慢积累期，年度记录从个位数逐渐增加到几十篇；2016—2020 年开始加速，2020 年达到 215 篇；2021 年以后明显放量，2024 年为 674 篇，2025 年仍有 644 篇。仅 2021—2025 年五年，就有 2653 篇。
从 2020 年的 215 篇到 2025 年的 644 篇，规模接近原来的 3 倍。2025 年比 2024 年略低约 4.5%，但还不能据此判断热度已经逆转。年度波动、数据库补录和选题周期，都可能影响相邻两年的数字。
这轮增长并不难理解。数据库导出越来越方便，CiteSpace 和 VOSviewer 等工具逐渐普及，知识图谱的视觉表达又很直观；当研究者面对成千上万篇文献时，也确实需要一种比传统综述更快的整体观察方式。
但发文量增长只能说明这种研究活动变多了，不能自动说明方法质量同步提高，更不能说明中医药的临床问题因此解决得更多。工具门槛降低，既可能让更多人提出好问题，也可能让“检索—导入—出图—命名热点”变成一套容易复制的写作流程。
所以，真正值得追问的不是“这几年有多热”，而是：增长出来的这些研究，究竟有没有把图谱背后的关系讲清楚？
同样是一条线，连的可能完全不是一件事
看文献计量图，最先要搞清楚的不是颜色，而是：节点是什么，边又表示什么？
关键词共现，是两个词在同一篇文献中出现。
比如“针灸”与“失眠”经常同时出现，可以说它们在这批文献中关联紧密。但这条线不能告诉我们针灸的疗效有多大，更不是因果关系。
文献共被引，是两篇较早的文献同时被后来的论文引用。
它观察的不是两篇文献有没有合作，而是后来的研究者是否经常把它们一起当作知识基础。因此，共被引更适合观察一个领域已经积累起来的知识结构。
文献耦合，则是两篇文献引用了相同的参考文献。
两篇刚发表的文章还没来得及被别人大量引用，却可能已经共享了相似的知识来源。所以文献耦合常用来观察当前研究的相似方向[1]。
合著网络，连的又是共同署名的作者或机构。
它可以显示谁与谁经常一起发文，但署名合作不自动等于实质合作更深，也不代表研究质量更高。
这就是为什么，共现图、共被引图和耦合图虽然长得很像，讲的却是三件事。VOSviewer、CiteSpace 或 bibliometrix 都只是实现这些分析的工具[2-4]。先选关系，再选工具；不能因为某个软件能出十种图，就把十种图都塞进研究。
真正改变图谱的，往往发生在打开软件之前
前面的 4229 篇，首先反映的只是：**在这个数据库、这个字段和这个学科边界中，有多少记录匹配了我们的检索式。**它不是一个脱离检索边界的“客观总量”。
换一个数据库，改用篇名检索，增加“科学知识图谱”等近义表达，或者排除学位论文，样本都会变。
这里有一个经常被忽略的问题：文献计量研究不是“数据越多越好”，而是数据边界要和研究问题匹配。
如果想看中文中医药期刊的研究生态，CNKI 可以成为主要入口；如果想讨论国际传播与英文论文合作格局，只使用 CNKI 就不够；如果研究对象是某一学科的全球知识结构，Web of Science、Scopus 或其他数据库的覆盖差异也必须交代。把不同数据库的记录简单拼在一起，还会带来重复记录、字段结构和引用口径不一致的问题。
样本拿到手以后，还要清洗。
在这次 CNKI 聚合结果中，“CiteSpace”和“Citespace”被分别统计；“可视化”“可视化分析”和“文献可视化”也可能指向高度重叠的概念。如果不合并，同一概念会在图上裂成几个节点；如果合并得太粗暴，原本有差异的概念又会被强行揉在一起。
作者同名、机构改名、中英文名称混用，都是同一类问题。
再往后，还有全计数还是分数计数、多少次出现才保留、选哪种聚类方法、显示多少节点。每一步都会改变最终的网络。
举个最实际的例子。一篇由十家机构共同完成的论文，如果采用全计数，每家机构都记作一次完整贡献；如果采用分数计数，这一次贡献会在十家机构之间分配。前者更容易突出大型合作网络，后者更能避免多机构论文反复放大。两种方法都可以用，关键是研究者要说明为什么这样选。
阈值也一样。只保留出现 20 次以上的关键词，图会清楚很多，但新出现的小众主题可能被删掉；阈值放得太低，网络又会密成一团。布局算法主要负责把网络摆出来，节点在画面上相距两厘米还是三厘米，很多时候并不是可以精确解释的“学术距离”。如果研究没有交代算法、参数和筛选规则，读者看到的只是结果，无法知道地图是怎样被裁剪出来的。
因此，图谱不是一个领域的拍照，更像是研究者按照一组规则绘制的地图。地图可以很有用，但你得先知道它省略了什么。
这批研究，主要在讨论什么？
为了把上面的提醒落到真实数据上，我们把 2021—2025 年的 2653 篇记录进一步拆成两张图：一张看 CNKI 的主要主题，一张看次要主题。两张图都先合并了大小写、异体字和高度近义的标引词；节点越大，相关文献越多；连线越粗，两个主题在同一批文献中共同出现得越多；颜色则来自聚类结果。
图2 2021—2025 年中医药文献计量相关文献的主要主题聚类网络。共展示 55 个节点；节点大小表示主题频次，边表示主题共现，颜色表示聚类结果。
主要主题图的中心很直观：可视化分析、CiteSpace、文献计量学、知识图谱和 VOSviewer 占据核心位置，外围则分布着针灸、中医药治疗以及不同疾病领域。这说明当前中医药文献计量研究，既在讨论方法本身，也在把这套方法不断迁移到不同临床和研究对象中。
图3 同一批文献的次要主题聚类网络。共展示 55 个节点，节点、连线和颜色的含义与图2相同。
次要主题图拆得更细。发文量、关键词共现、关键词聚类、数据库、核心作者和研究团队等节点，呈现了这类论文常见的分析对象；网络药理学、肠道菌群、人工智能等节点，则显示它正在向哪些具体议题延伸。
但要再次提醒一句：这两张图呈现的是文献主题之间的共现结构。两个节点靠得近，可以说它们在这批文献中经常一起出现；不能据此把它们写成机制联系，更不能推出临床疗效。
聚类做完以后，研究才刚走到一半
很多文献计量论文最热闹的地方，是给每个颜色群组起名字：“基础研究群”“临床转化群”“新兴前沿群”。名字一旦写上去，算法分出来的社区仿佛就变成了现实中边界清晰的学术板块。
但聚类只是根据当前网络关系进行分组。它不认识中医理论，也不知道某篇论文真正解决了什么问题。自动标签常常来自簇内高频词、标题词或某种统计权重，可能抓住核心，也可能只抓住最方便命名的表面词。
一个稳妥的解释过程，至少还要做三件事。
第一，回到每个聚类中的代表文献，看看高被引文献、早期文献和近年文献分别在讲什么。第二，检查同一聚类内部是否存在明显不同的问题，只是因为共享了宽泛词语才被连在一起。第三，把网络结构和时间变化对照起来：一个群组是长期稳定的知识基础，还是最近几年才快速增多的应用方向？
换句话说，算法负责帮我们找到“值得读的地方”，人仍然要负责解释。
2023 年一项针对 508 篇主题文献计量论文的分析发现，每篇平均存在约 2.6 项报告缺陷，常见问题包括检索策略、检索日期、时间范围、数据来源或文献类型交代不完整[8]。这很能说明问题：图可以做得越来越精致，但只要数据怎样来的说不清，研究仍然难以复核。
BIBLIO 报告清单因此强调，文献计量研究至少要把检索、筛选、数据处理、分析方法和结果报告说清楚[7]。这不是为了把文章写得更繁琐，而是让别人能够判断：换一个研究者，能不能大体复现同一批数据和同一套结论？
这些研究主要发在哪里？
高频期刊提供的是另一个视角：一个方法主要在哪些学术场域中被讨论和使用。
图4 2021—2025 年本次检索结果中发文量前 10 位的期刊，以及 CNKI 当前元数据中的复合影响因子和综合影响因子。两项指标均不是 JCR Journal Impact Factor。
《中国中医药图书情报杂志》和《中国医药导报》的相关发文量最多，分别为 154 篇和 142 篇；《中草药》的相关发文量为 91 篇，但两项 CNKI 影响力指标在这组期刊中最高。这个差别很有用：某本期刊承载这类研究较多，不等于它的影响力指标就一定更高；指标较高，也不等于每篇文章的方法质量都更好。
所以，期刊分布可以帮助我们理解一个领域在哪里交流，却不能替代对具体研究问题、数据质量和分析过程的判断。
“热点”不等于好问题，“突现”也不是预言
文献计量论文里，有几个词特别容易被写大。
高频关键词当然可以被称为“高关注主题”。但出现次数多，可能是因为概念宽泛、表述稳定，也可能是研究在大量重复。它不能告诉我们这个问题有没有被解决，更不能说它比低频问题更有临床价值。
中心性高，通常可以说这个节点在当前这张网络中连接了不同部分。它是结构位置，不是学术价值总分。
聚类是算法根据网络关系分出的组。有了聚类，不等于就发现了一个现实中边界清晰的新学派。自动生成的聚类标签，还需要回到其中的代表文献才能解释[5]。
突现词反映的，是某个词在一段时间内出现强度快速上升[2]。它可以提醒我们“这里变热了”，却不能保证它会继续变热，更不能保证这就是值得跟进的好问题。
引用量也一样。老文章有更长的时间积累引用，综述和方法文章天然容易被引，不同学科的引用习惯也不同。“高被引”是一个需要解释的现象，不是质量的直接同义词。
看完一张图，至少再问八个问题
文献计量学当然有价值。面对几千篇甚至几万篇文献，没有人能只靠逐篇阅读就迅速看清整个领域。它可以帮我们找到结构、异常、代表文献和值得继续追问的地方。
但下次看到一张节点很多的网络图，先不要被它的复杂感镇住。可以直接问八件事：
- **节点是什么？**是关键词、文献、作者，还是机构？
- **连线是什么？**是共现、共被引、共享参考文献，还是共同署名？
- **这批数据从哪里来？**数据库、检索式、检索日期、时间、语种和文献类型是什么？
- **数据怎样清洗？**重复记录、同义词、作者同名和机构改名怎样处理？
- **数量怎样计算？**采用全计数还是分数计数，跨数据库数据是否能够直接合并？
- **网络怎样生成？**使用了什么阈值、聚类方法、时间切片和布局算法？
- **解释有没有回到原文？**研究者是否阅读了聚类中的代表文献，并检查自动标签是否合理？
- **别人能否复核？**检索式、原始数据、清洗表和关键参数是否报告到足以复现？
最后这一问尤其重要。
文献计量学可以帮我们决定从哪里开始读，但不能替我们把文献读完。图谱可以显示一个领域的轮廓，但真正的学术判断，仍然发生在图和原文之间。
参考文献
- Donthu N, Kumar S, Mukherjee D, et al. How to conduct a bibliometric analysis: An overview and guidelines[J]. Journal of Business Research, 2021, 133: 285-296. DOI: 10.1016/j.jbusres.2021.04.070.
- Chen C. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57(3): 359-377. DOI: 10.1002/asi.20317.
- van Eck N J, Waltman L. Software survey: VOSviewer, a computer program for bibliometric mapping[J]. Scientometrics, 2010, 84(2): 523-538. DOI: 10.1007/s11192-009-0146-3.
- Aria M, Cuccurullo C. bibliometrix: An R-tool for comprehensive science mapping analysis[J]. Journal of Informetrics, 2017, 11(4): 959-975. DOI: 10.1016/j.joi.2017.08.007.
- 赵丹群. 文献计量范式下的科学知识图谱研究：新进展与新挑战[J]. 情报学进展, 2020: 359-385.
- 林骞, 徐浩. 基于CiteSpace软件中医数据挖掘文献的可视化分析研究[J]. 中国中西医结合杂志, 2020, 40(1): 46-51.
- Montazeri A, Mohammadi S, M Hesari P, et al. Preliminary guideline for reporting bibliometric reviews of the biomedical literature (BIBLIO): a minimum requirements[J]. Systematic Reviews, 2023, 12: 239. DOI: 10.1186/s13643-023-02410-2.
- Cabezas-Clavijo A, Milanés-Guisado Y, Alba-Ruiz R, et al. The need to develop tailored tools for improving the quality of thematic bibliometric analyses: Evidence from papers published in Sustainability and Scientometrics[J]. Journal of Data and Information Science, 2023, 8(4): 10-35. DOI: 10.2478/jdis-2023-0021.