本文介绍了一种在期刊论文集合中表现一门科学专业诞生和发展的模型。所提出的模型，名曰“带有样例论文累积优势”（Cumulative Advantage by Paper with Exemplars，CAPE），实为Price的累积优势模型的修正。修改之处有二：（1）参考文献分组引用；（2）模型考虑到了高被引的带有案例的参考文献在专业诞生之后马上会出现。这种简单的生长模型模拟了真实论文集合的诸多特征，包括论文-参考文献矩阵的结构，每篇论文参考文献数目的分布，每篇参考文献的引用论文数目的分布，引文耦合分布，同被引分布，引文耦合聚类系数分布，案例参考文献的时间分布。该模型让我们对文献和参考文献集合中链接产生和聚类的过程有了更为深刻的认识。介绍了两个样例和成功的模型：131篇关于微机电系统无线电频率开关的文章，901篇复杂网络的论文。

2.Co-citations and co-sitations: A cautionary view on an analogy.

与科学出版物的引文网络一样，万维网也是由网页通过超链接或者sitation联系在一起而成。在新出现的研究领域网络计量学（Webometrics）里，学者们对在文献计量学和超链接网络中所建立的引用概念进行了调查。本文主要探讨论文同被引和网页同被引的可能类似性，以构建web世界。报告了文献计量学和科学指标领域的实验研究，回顾了必须处理的几个技术问题。Web同被引似乎是描述web主题的有效途径，但是，有关网络同被引与传统的论文同被引之间类似的问题上有很多误解，因此在解释结构的时候要采取一些防范措施。

3.Comparative Study on Methods of Detecting Research Fronts Using Different Types of Citation

几种利用不同类型的引文发现研究前沿的方法的比较研究

本文对发现正在形成中的研究前沿的方法的优劣进行了比较研究，这三种引文网络：同被引，引文耦合，和直接引用网络，在3个研究领域（氮化镓，复杂网络和碳纳米管）。对每个研究领域都构建了三种引用网络：这些领域的论文被分成几个类别以探查研究前沿。我们评价了每一种引文网络在探查研究前沿上的优劣，对类内的每一篇论文所采用的指标有：显现度（通过归一化的类大小），速度（通过平均出版年），和拓扑结构上的适宜度（通过密度）。直接引用网络，可以较早地探查出大规模和初期的新兴类别，显示出在探查研究前沿方面最好的效果，而同被引则是最差的。此外，直接引用网络的聚类相关系数最大，表明通过直接引用联系起来的论文其内容相似性是最大的，且直接引用网络遗漏新兴研究领域的危险也最小，因为核心论文都被包括在最大的组成成分之中了。

4.CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature

本文介绍了一种可以利用科学文献识别并显示科学发展新趋势和新动态的通用方法。这项研究在理论和方法上极大地促进了知识领域可视化研究。如何表现一个研究领域？本文利用了信息科学中的一对概念—“研究前沿”和“知识基础”，通过它们随着时间而变化甚至相互影响的情况来达到显示学科发展趋势和动态的目的。研究前沿(research front)是指一组突现的动态概念以及潜在的研究问题，使用了研究前沿概念的科学文献随时间变化形成了一系列的演化网络；研究前沿的知识基础(intellectual base)则用上述文献中的引文和共引轨迹来表示。Kleinberg设计的突发监测算法(burst detection algorithm)可以用于辨认新兴研究前沿专业术语概念。Freeman提出的中间中心性测度可以把潜在范式变化的关键点凸显出来。我们设计并实现了两个互补的视图：聚类视图(cluster views)和时区视图(time-zone views)。这种方法的贡献在于：①通过对研究前沿术语的算法运算，在动态中认识知识基础的本质；②用研究前沿专业术语概念明确标出共引聚类的确切含义；③直观地和靠算法识别的关键点的一致性大大简化了可视化的复杂性.CiteSpace Ⅱ应用Java程序实现了大规模生物集群灭绝(mass extinction)(1981～2004年)和恐怖主义(terrorism)(1990～2003年)两个研究领域的建模和可视化过程。可视化网络中的突出的趋势和关键点的作用经各自领域专家直接验证，这些专家本身就是关键点文章的作者。本文讨论了这项研究的实际意义，并明确了今后研究工作中存在的一系列挑战和机会.[注：该段译文以其中文版为主，加入了个人的理解]

5.Mining Enriched Contextual Information of Scientific Collaboration: A Meso Perspective

挖掘科学合作中丰富的背景信息：中层次视角

近年来，利用合著网络研究科学合作引起广泛的关注。两位作者之间如何合作以及合作的背景依然没有搞清楚。但是以往的研究都聚焦在合著网络的整体拓扑结构（宏观层面），或者对作者的影响力进行排序（微观层面）。这些研究都没有提供两位特定作者合作背景的信息，而这个问题会反映出丰富的社会经济上、学科上和单位的信息。与宏观和微观视角不同，本文提出一个新的方法（meso中间视角），来分析科学合作，其做法就是将背景子图作为分析单位加以抽取。背景子图（contextual subgraph）是指一种捕捉两个作者之间关系和背景的大规模合著网络中的较小的子图。用该方法调查了图书情报领域，分析了四个时间段的所有子图的拓扑结构属性，包括大小，平均度，聚类系数，和网络中心性。结果显示背景子图可以捕获关于两个作者的有用的背景信息。