R语言scholar包get_impactfactor返回错误期刊名与影响因子问题排查

复现场景 #

调用scholar::get_impactfactor()函数时，传入三个学术界通用的期刊名称标识"JAMA"、"Kidney Int"、"American Society of Nephrology"，在不同max.distance参数配置下，均返回了与输入不匹配的期刊名称、影响因子数值，具体运行表现如下：

1. 设置max.distance = .1时的输出：

scholar::get_impactfactor(c("JAMA", "Kidney Int", "American Society of Nephrology"), max.distance = .1)
#> # A tibble: 3 x 4
#>   Journal                            Cites ImpactFactor Eigenfactor
#>   <chr>                              <dbl>        <dbl>       <dbl>
#> 1 CA-A CANCER JOURNAL FOR CLINICIANS 28839         245.      0.0660
#> 2 CA-A CANCER JOURNAL FOR CLINICIANS 28839         245.      0.0660
#> 3 CA-A CANCER JOURNAL FOR CLINICIANS 28839         245.      0.0660

2. 设置max.distance = .5时的输出：

scholar::get_impactfactor(c("JAMA", "Kidney Int", "American Society of Nephrology"), max.distance = .5)
#> # A tibble: 3 x 4
#>   Journal                  Cites ImpactFactor Eigenfactor
#>   <chr>                    <dbl>        <dbl>       <dbl>
#> 1 LANCET                  233269         53.3      0.436 
#> 2 NATURE REVIEWS GENETICS  35680         41.5      0.0943
#> 3 NATURE                  710766         41.6      1.36

3. 设置max.distance = .8时的输出：

scholar::get_impactfactor(c("JAMA", "Kidney Int", "American Society of Nephrology"), max.distance = .8)
#> # A tibble: 3 x 4
#>   Journal                                         Cites ImpactFactor Eigenfactor
#>   <chr>                                           <dbl>        <dbl>       <dbl>
#> 1 JAMA-JOURNAL OF THE AMERICAN MEDICAL ASSOCIAT~ 148774        47.7      0.300  
#> 2 JOURNAL OF THE AMERICAN SOCIETY OF NEPHROLOGY   37796         8.65     0.0568 
#> 3 Annual Review of Nutrition                       5528         8.89     0.00523

上述可复现代码由R语言reprex包v1.0.0于2021-03-02生成。

错配原因 #

• max.distance参数控制字符串模糊匹配的宽松阈值，数值越小匹配规则越严格。当阈值为.1、.5时，因为匹配严格度过高，函数无法找到对应期刊条目，会自动返回内置影响因子库中排名最靠前的高分期刊作为兜底结果，因此出现三行返回值完全相同、和输入期刊毫无关联的情况。
• 即使把阈值放宽到.8，模糊匹配依然存在固有偏差：
  1. 输入的"Kidney Int"是期刊《国际肾脏》的通用缩写，函数没有内置缩写映射规则，因此误匹配到同领域的《美国肾病学会杂志》
  2. 输入的"American Society of Nephrology"是学术机构名称，本身不是期刊名，因此被误匹配到完全不相关的《营养学年评》
• 函数的匹配逻辑是基于内置库中的期刊全称计算字符串编辑距离，对学术界通用缩写、非期刊类机构名没有专门的映射规则，仅靠调整匹配阈值无法实现100%精准命中。

优化方案 #

• 输入参数时优先使用期刊标准全称替代通用缩写或机构名：
  • JAMA对应标准全称："JAMA-Journal of the American Medical Association"
  • Kidney Int对应标准全称："Kidney International"
  • 原输入的美国肾病学会机构名不属于期刊范畴，若需查询该学会主办的期刊，需替换为对应期刊名"Journal of the American Society of Nephrology"
• 模糊匹配阈值建议设置在.6-.7区间，平衡缩写容错能力和匹配准确率，避免阈值过高引入完全不相关的错配结果
• 获取返回结果后逐行核对Journal字段内容，确认匹配结果和预期一致后再使用对应的影响因子数值。

内容的提问来源于stack exchange，提问作者Zhiqiang Wang