Анализ публикационной активности и научных коллабораций научно-педагогических работников Финансового университета

В условиях стремительного роста объема научных публикаций, увеличения междисциплинарных исследований и усиления конкуренции в академической среде особенно актуальными становятся задачи анализа и визуализации научной активности. Современные цифровые инструменты позволяют не только отслеживать публикационную динамику, но и выявлять ключевые исследовательские направления, а также устойчивые коллективы авторов, образующие научные сообщества. Одним из эффективных подходов в данной области является сочетание методов тематического моделирования и сетевого анализа на основе теории графов. Научные организации зачастую сталкиваются с проблемой отсутствия оперативной информации о внутренней структуре исследовательской деятельности: какие тематики наиболее активно развиваются, каковы связи между авторами и коллективами, кто выступает в роли «ядер» научных сообществ. Особенно это актуально для крупных вузов, где работают сотни исследователей, создающих значительное число научных работ. В такой ситуации ручной анализ становится невозможным, и на помощь приходят методы автоматизированной обработки текстов и графовой аналитики. Настоящая статья посвящена анализу публикационной активности авторов Финансового университета. Цель исследования заключается в выявлении тематик научных работ и выделении научных сообществ для понимания развития научно-исследовательской деятельности высших учебных заведений на примере Финансового университета. В исследовании представлен подход к формированию набора данных научных публикаций авторов Финансового университета. Проведены визуализация динамики публикаций и анализ ключевых слов, позволяющие выявить общие тренды. Для решения задачи кластеризации текстов и определения тематик публикаций применена модель BERTopic. Выявление научных сообществ реализовано посредством построения и анализа графа соавторства, что позволяет идентифицировать группы исследователей, активно сотрудничающих в рамках определенных научных направлений.

1. Девицын И.Н., Савин И.В. Инструмент анализа научных сообществ на основе метода моделирования тем и теории графов. Успехи кибернетики. 2020;1(4):13–21. DOI: 10.51790/2712-9942-2020-1-4-2

2. Cohan A., Feldman S., Beltagy I., Downey D., Weld D.S. SPECTER: Document-level representation learning using citation-informed transformers. arXiv preprint. Cornell University. 2020;arXiv:2004.07180. URL: https://arxiv.org/abs/2004.07180 DOI: 10.48550/arXiv.2004.07180

3. Wang L., Yang N., Huang X., Yang L., Majumder R., Wei F. Multilingual E 5 Text Embeddings: A Technical Report. arXiv preprint. Cornell University. 2024;arXiv:2402.05672. URL: https://arxiv.org/abs/2402.05672 DOI: 10.48550/arXiv.2402.05672

4. Li X., Li J. AnglE-optimized Text Embeddings. arXiv preprint. Cornell University. 2023;arXiv:2309.12871. URL: https://arxiv.org/abs/2309.12871 DOI: 10.48550/arXiv.2309.12871