前沿主题表征着科技创新过程中最具新颖性、前瞻性和引领性的研究方向。有效识别科技前沿，可以对未来的研究趋势做出有效预判，有助于科技人员准确把握最新的研究进展，并为科研管理者和政策制定者将人力、物力和财力精准投入到最具战略价值的研究方向提供有力支撑。

本研究选取项目和SCI论文两种数据来源，构建目标领域数据集，采取主题提取模型进行文本语义识别提取研究主题；构建基于项目和论文的前沿主题识别指标体系；选取农业资源与环境领域开展实证研究以提出该领域的研究前沿。通过提取目标领域的前沿主题，以提高前沿主题识别的精准度和前沿探测的前瞻性价值，为特定领域知识服务和科技创新提供重要支撑。

1 研究方法

1.1 研究思路

项目数据来源于美国国家食品与农业研究所（National Institute of Food and Agriculture，NIFA），论文数据来源于Web of Science（WOS）核心合集数据库。由于NIFA项目数据的研究课题均在美国范围内，而WOS论文数据则覆盖全球。因此，项目数据和论文数据主题的对比主要从两个维度展开：NIFA项目数据和WOS全球论文数据对比；NIFA项目数据和WOS美国国内论文数据对比。

1.2 研究主题提取方法

潜在狄利克雷分布（Latent Dirichlet Allocation，LDA）模型是一个无监督模型，能够自动提取出文本中的语义信息，挖掘背后的语义关联。该模型具有对海量异构文本数据建模的优势，在科技文献知识挖掘、科学研究热点发现与主题演化分析、新兴前沿主题探测等研究方向得到了广泛的应用。

本研究采用LDA主题分析工具对上述数据集进行研究主题的聚类和分析。结合困惑度和一致性参数确定研究主题数量。

1.3 前沿主题类别的判定方法

采用LDA主题聚类模型分别识别出项目和论文数据的研究主题之后，结合领域专家智慧，判断是否为共同研究前沿。主要结合主题新兴度和主题关注度等外部指标结果，加之创新性和交叉度指标，对识别出的前沿主题进行多维度分析，本研究将研究前沿主题划分为热点研究前沿主题、新兴研究前沿主题、消亡研究前沿主题、潜在研究前沿主题4种类型。

新兴度是指研究主题时间的新颖性。从时间维度上看越是新出现的主题越容易包含最新的研究内容，也更有可能成为研究前沿。

创新性是指内容上的创新性，突出强调研究主题内容上的突破性与引领性。采用Kleinberg突发词检测进行计算。

关注度是指研究内容在时间跨度内受关注水平。项目的关注度从项目获得的资助时间长短、获得的资金数额高低、项目数量和经费的每年变化幅度以及主题中项目数量的占比来反映。论文从平均被引次数、每年论文数量的变化幅度以及主题内论文数量的占比来表征。

交叉性代表了学科交叉的广度。多学科的交叉促使科学研究成果跨领域应用的机会增加，出现创新性影响的概率加大。

由于项目是科研管理机构对科学研究的前瞻布局，而论文是科学研究阶段性成果的体现，所以项目比论文更具有前瞻性。结合已有学者的研究思路，在本研究中，“共同存在主题”的新兴度以项目数据为计算依据，“非共同存在主题”的新兴度分别计算。“共同存在主题”的关注度为项目和论文的关注度之和，“非共同存在主题”的关注度、创新性和交叉度分别进行计算。各个指标的高低和强弱以总体的平均值为参考，大于平均值的判断为高或强，小于平均值的判断为低或弱。具体判别方法流程如图1所示。

图1 基于项目和论文的研究前沿判别方法

2 前沿主题类型的识别与实证研究

2.1 单一数据源主题提取结果

使用LDA主题分析工具对2016-2021年农业资源与环境领域的NIFA项目数据和SCI 论文数据进行聚类，分别获得5个研究主题。然后，结合新兴度、创新性、关注度和交叉性进行评分，并根据等权重对指标进行归一化，最终得出每个主题的综合得分。得分超过0.50的主题被认为在各种指标方面表现良好，并被确定为研究前沿主题。因此，2016-2021年农业资源与环境领域的项目数据和SCI论文数据的研究前沿如表1和表2所示。经领域专家解读，提出基于项目数据的研究主要布局在废水处理技术与水资源的高效利用、农业废弃物增值利用与可持续发展、植物-根际-微生物互作与多样化农田管理、农牧生态系统管理与污染控制等4个方向。基于论文数据的研究主要布局在农艺管理措施下土壤生态响应机制研究、植物-根际-微生物互作机制研究、土壤滑坡、侵蚀退化机理研究与预测评估等3个方向。

表1 2016-2021年NIFA农业资源与环境项目各聚类主题词