本文属于类型a，即单一原创研究的学术论文。以下是根据该文档内容撰写的学术报告。

本研究由山东理工大学信息管理学院的孙玉娟与魏绪秋完成，发表于《情报理论与实践》2026年第49卷第6期。该研究得到了国家社会科学基金青年项目“基于文本挖掘的学术论文创新性识别研究”（项目编号：21CTQ022）以及山东省高等学校青创科技计划创新团队项目“基于‘问题—方法—效果’关联的科技文献贡献度评价研究”（项目编号：2024KJL004）的资助。

从学术背景来看，该研究属于信息计量学与科学评价领域。传统学术论文创新性评价主要依赖被引频次、引用网络和Altmetrics等外部数据，但这些方法存在显著的引用时滞问题，难以及时评价新发表论文的创新性；同行评议虽然直接但效率低且存在主观偏颇；基于深度学习的文本语义相似度方法则复杂度高。为了突破上述局限，作者从论文文本内容本身出发，以知识单元作为表达学术概念与逻辑的最小载体，从语义功能视角将知识单元划分为“问题”与“方法”两类，并结合知识生命周期理论，构建了一个融合知识单元功能和知识生命周期理论的学术论文创新性评价模型。研究的核心目标是在论文发表后及时、精准地量化其创新性，避免传统评价方法的时滞瓶颈。

在研究工作流程方面，该研究主要分为三个步骤：全域知识单元数据库构建、目标论文知识单元的识别与分类、以及各指标计算与创新性度量。

第一步是构建智能网联汽车（Intelligent and Connected Vehicle，ICV）领域全域知识单元数据库。作者以中国知网（CNKI）数据库为数据源，以“智能网联汽车”为主题词进行检索，不设时间限制，于2025年8月1日检索共获得4166篇论文，时间跨度为2015年至检索日。经清洗数据后，剔除关键词缺失、作者信息缺失、摘要由系统自动截取正文开头内容以及选题指南、会议纪要等无效论文，最终保留1856篇有效论文。随后依据论文发表时间为每篇论文的关键词添加时间标签，并对关键词进行同义词合并与格式统一处理，例如将“ICV”统一为“智能网联汽车”。最后构建带时间标签的ICV全域知识元数据库，并按年份对库中知识元进行词频统计，得到各知识单元在每个年份出现的词频统计表（Wordtime）。需要注意的是，若后续从目标论文摘要中提取出关键词以外的有效知识单元，应将其反馈补充至全域库中。

第二步是目标论文知识单元的识别与分类。作者借助科技文献知识AI引擎（SciAIEngine）平台，该平台由中华人民共和国科学技术部、中国科学院、国家科技图书文献中心等权威机构支持开发，提供中文科研实体识别功能。通过对目标文献摘要进行处理，从中提取问题与方法知识单元。由于抽取过程中可能出现切词不完整或引入无关知识单元等问题，需结合Wordtime表与目标论文关键词进行人工校验与修正。该过程存在四种典型情况：完全一致、部分覆盖、方法补充和补充扩展。其中补充扩展最为常见，因为期刊对关键词数量有限制（3～8个），论文涉及多个问题或方法时往往只能精简关键词。此外，同一词语在不同论文中可能承担不同功能，存在知识单元功能歧义问题，通过与Wordtime表比对可有效规避此类歧义。

第三步是各指标计算及创新性度量。该模型基于新颖性和有用性两个维度，将知识单元的生命历程概括为诞生（新颖性）—扩散（有用性）—成效（有用性）三个阶段，共设计6个指标。问题知识单元维度包括：问题新颖度（Problem_Novelty），对应诞生阶段，测度公式为问题单元首次出现的时间与观察期起始年之差除以观察期总长度，其值越大表示问题越新颖；问题持久度（Problem_Durability），对应扩散阶段，统计问题单元在观察期内出现频次非零的年份数占比，反映学术关注度的持续性；问题引领度（Problem_Leadership），对应成效阶段，计算目标论文发表后该问题单元的总频次减去1再除以全时段总频次，衡量目标论文对后续研究的净知识增量贡献。方法知识单元维度对应设计方法新颖度（Method_Novelty）、方法扩散度（Method_Diffusion）和方法贡献度（Method_Contribution），其逻辑与问题维度类似，但方法扩散度以目标论文发表年份为起点统计，方法贡献度同样扣除目标论文自身一次。最终通过公式计算问题元维度平均总分、方法元维度平均总分，两者相加得到目标论文的创新性综合得分。

在实证研究部分，作者基于1856篇论文数据集，采用分层抽样原则，按每年10%的比例遴选了187篇具有代表性的研究型论文作为验证样本，时间跨度为2015—2025年。其中北大核心期刊论文72篇，非核心期刊论文115篇。同时采集了样本的总被引频次及北大核心期刊收录情况作为对照指标。使用Python并借助Jupyter和Excel工具自编程序，对187篇目标论文的创新性进行逐一计算。

主要结果显示，187篇论文的创新性得分取值范围为0.6636至3.3146，极差为2.6510，样本间创新水平存在显著差异；得分均值为2.009644，中位数为2.054700，数据分布近似对称，符合近似正态分布特征。中间50%样本集中分布在1.7955至2.2059区间，呈现“中间大、两头小”的分布形态。论文以创新性排名第二的《智能网联汽车自动驾驶行为决策方法研究》（论文ID为6）为例展示了详细得分流程：其问题知识单元为“智能网联”“自动驾驶”“行为决策”，方法知识单元为“深度强化学习”和“仿真分析”，通过各指标计算最终得到创新性综合得分3.0636。

在模型有效性验证方面，作者选取年均被引频次与北大核心期刊收录情况作为传统评价基准进行对比。结果显示，72篇北大核心期刊论文中约74%创新性得分高于中位数，但仍有26%低于中位数；115篇非核心期刊论文中约65%得分低于中位数，但有35%表现优异。研究识别了四个典型案例：一是2021年发表于《控制与决策》和《复杂系统与复杂性科学》的两篇论文，虽年均被引频次并非最高，但模型赋予其最高创新性得分，揭示了未来影响力增长潜力；二是2019年发表于非核心期刊《公路与汽运》的论文创新性排名第4，总被引频次30次，体现了模型挖掘普通期刊高创新性论文的能力；三是2016年发表于《现代经济探讨》的论文总被引频次高达134次，但创新性得分处于末端，表明模型能区分影响力与创新性；四是2025年发表于《汽车工程》的新论文总被引频次为零，传统指标无法评价，但模型给予较高创新性得分，证明了其对论文进行即时、前瞻性评价的能力。

研究结论指出，该模型能够有效识别高创新性但影响力尚未显现的潜力论文，发掘非核心期刊的创新成果，并能对新发表的高质量论文进行前瞻性评价，验证了其优越性，为学术评价提供了新方法。该研究的科学价值在于突破了传统文献计量学评价的引用时滞瓶颈，从论文内容本身出发，基于知识单元的语义功能和生命周期演化规律，实现了对学术论文创新性的实时、多维度量化测度。其应用价值体现在可为科研管理中的成果价值认定、学术资源优化配置以及期刊遴选提供高效客观的决策支持。

研究的亮点包括：第一，引入了知识生命周期理论，将知识单元的演化概括为诞生—扩散—成效三个阶段，使创新性评价从静态统计描述转向动态时序演化分析；第二，提出了包含问题新颖度、持久度、引领度及方法新颖度、扩散度、贡献度共6个相互关联的指标体系，从新颖性和有用性两个维度系统刻画创新性；第三，利用SciAIEngine平台从摘要中自动提取知识单元，并与关键词和全域知识库进行比对校验，有效解决了关键词数量有限和功能歧义问题。研究的局限在于仅在智能网联汽车领域进行验证，跨领域普适性有待检验；知识单元抽取与分类过程依赖人工辅助，可能引入主观偏差。未来研究可扩大实证范围并引入垂直领域大语言模型以提升自动化水平。