本章利用知识图谱的方法进行研究。知识图谱是以科学知识为对象，显示科学知识的发展进程与结构关系的一种图形。人们可以依靠知识图谱的帮助，透视人类知识体系中各个领域的结构，构造复杂知识网络，预测科学技术和知识前沿发展态势。它既是可视化的知识图形，又是序列化的知识谱系，显示了知识元和知识群之间的网络、互动、交叉、演化或衍生等诸多复杂关系。该研究选取CiteSpace软件作为分析软件，该软件主要可以对作者、关键词、机构、国家等一系列的信息进行可视化分析，以此梳理领域或学科的科学研究前沿和发展动态 [ 2 ] 。

数据来自Web of Science数据库，为提高文献的分析质量，选择核心合集数据库收录文献。检索策略：检索词 = 文章题名或关键词中包含“medical humanities”，共检索到相关文献1315篇，除去学位论文、会议记录、报纸、外文期刊等条目，经过清洗数据，共计检索得到文献751篇，检索时间跨度为1974~2022年，检索时间为2022年5月11日。

从被检索出的751篇文献按照学科分布进行分析，排名前10的研究方向主要围绕着伦理、保健科学服务、社会科学其它领域、教育科学学科、教育研究、公共环境职业健康、医学伦理学、科学历史哲学、图书馆情报学、社会问题等(见表1)。其中伦理领域的文献占所有发表论文的13.18%，保健科学服务以及社会科学其它领域分别占12.52%和12.38%。按照来源出版物分，论文主要刊载期刊分别是：social science medicine、academic medicine、scientometrics等。在这前15的期刊中，共发表文章322篇，占所有751篇文章的42.8%，根据布拉德福定律，核心区域包括的相关文献超过总量的1/3，表示关于医学人文的文章已经形成国际化的期刊群，期刊分布涉及学科间的交叉融合态势。因此，小结论回应布拉德福定律。

表1. 医学人文领域学科分布

在期刊上发表论文总数在一定程度上代表了作者在该领域的学术地位，作者合作网络能够清晰反映研究的核心作者群体及其合作关系。本研究运用CiteSpace软件对数据进行可视化分析，运行结果如图1所示的作者及合作网络知识图谱，其中字体和节点大小代表作者合作发文的数量，节点间的连线表示不同作者间的合作关系，连线的粗细代表合作紧密程度。通过分析研究领域的作者发文数量和作者间的联系可以发现高产作者及高影响力作者 [ 3 ] 。

从图1可以看出，共有309个节点和150条连线，整体网络密度为0.0032。图中主要的合作群体由德莱塞·维尔(DELESE WEAR)、约翰娜·夏皮罗(JOHANNA SHAPIRO)、大卫·杜卡斯(DAVID J DOUKAS)等人组成，这是合作作者最多的群体，彼此间合作较强。从作者合作发文量上看，排名前三的为AD A KAPTEIN (11)德莱斯·威尔DELESE WEAR (9)文森特·拉里维耶尔VINCENT LARIVIERE (8)，合作发文量在4篇及以上的作者有15位；从研究作者的合作度数上看，主要作者中的合作度较高，结合图1，可以认为在相关领域内局部形成严密成熟的合作网络。总体来说，高产作者和合作密度和力度有着明显的联系，主要的合作网络较为密集。

图1. 医学人文领域学科分布

研究机构合作网络图谱诠释了该领域研究力量的空间分布。为了发现推动研究发展的机构，本研究用CiteSpace软件工具中的合作网络分析功能，挖掘研究领域的研究机构的网络关系，该网络关系能直观地反映机构间的合作情况，能为科学评价机构在学术范围内影响力提供参考。

运用CiteSpace软件对数据进行可视化分析，在该软件的Time Slicing设定为“1974~2022”，YearsPerSlice设为“5”，NodeTypes面板选择“Institution”，其它选项为系统默认选项，运行可得到研究机构分布网络图谱，如图2所示，其中节点大小表示该研究机构合作发表期刊论文的数量，节点间的连线表示不同机构间的合作强度 [ 4 ] 。

从图2可以看出，研究样本中共包含291个节点，连线有183条，网络密度为0.0043。图中主要机构的合作网络分布较为均匀。为了深层次分析研究机构的成果及合作关系，对图2进行进一步的数据挖掘，得到合作发文量排名前十的研究机构如表2所示。合作发文量最多的是Univ Toronto (42)、Univ Sydney (25)、Johns Hopkins Univ (18)。从单位的合作度来看，主要研究机构的合作密度较好，说明目前的研究已建立了较为成熟的机构合作网络。

图2. 机构及合作网络知识图谱

表2. 高产作者前十名

对医学人文领域发表成果的研究机构进行分析，得出前10位的研究机构主要集中在美国(5所)、加拿大(3所)和英国(2所)地区(见表3)。由此也可以看出，在欧美国家不仅重视医学的技术领域，并且对人文领域也是相当重视的。

表3. 高产机构前十名

共词分析的主要途径之一便是提取目标文献的关键词、摘要等题录信息，通过词的共现关系形成直观的知识图谱，通过对高频关键词的研究，可以揭示一段时间内某领域研究的热点 [ 5 ] 。本文阈值选择g-index = 25，进行关键词共现分析，在图谱中一共有355个高频关键词，形成419条连线。文献的热点关键词共现图谱如图3所示。图3中文字大小代表关键词共现的频次，节点间的连线表示不同时间内建立的联系，连线的粗细表示关键词共现的强度 [ 6 ] [ 7 ] 。可以看出“医学人文(medical humanity)”是最大的节点，“人文(humanity)”和“(医学教育) medical education”次之。从软件中统计出的时间跨度上来看，“(人文) humanity”、“(同理心) empathy”出现时间较早，随后是care (护理)、health-care (健康护理)、community (社区)、这些词应该在当前国际上是医学人文领域的研究趋势。可以看出，国际上在医学人文领域更重视人文护理、社区养老、以及医学人文教育这3个方面。

而最近则出现了“(研究伦理) research ethics”、“新冠病毒肺炎大流行(Covid-19 pandemic)”、“(艺术治疗) arts-based training”、“(叙事医学技术) descriptive skill”等关键词，可能成为未来研究的新方向。

图3. 关键词共现图谱

关键词的中心度即是不同关键词在该研究领域中位置关系的重要指标，也是判断学者们关注焦点的重要依据。从代表节点网络位置重要程度的中心度指标来看(见表4)，“文化(culture)”、“同情(compassion)”和“决策(decision making)”与其他热点关键词之间的通信较强，说明其经常处于和其他关键词通信的路径中，对文献之间的互引关系产生积极作用 [ 8 ] [ 9 ] 。

表4. 关键词中心性前十(按中介中心性排序)

研究热点主题是特定学术领域学者关注的焦点，也是该领域在某一时期主要探讨问题的体现。关键词作为学术论文的重要组成部分，凝练着论文的精髓，经常被用来研究探讨某领域的热点问题 [ 10 ] [ 11 ] 。基于此，本文采用CiteSpace软件以及LLR (对数似然率)算法进行关键词共现的聚类分析，以直观反映医学人文的研究热点主题，其呈现的关键词聚类视图如图4所示，色块代表聚类的区域。节点N = 355，连线数E = 1202，网络密度Density = 0.0191。模块值Q大小与节点的疏密情况相关 [ 12 ] ，Q值越大聚类效果越好，可以用来进行科学的聚类分析。平均轮廓值S大小可以用来衡量聚类的同质性，S值越大说明网络的同质性越高，表示该聚类是具有高可信度的。从图4可以看出，Q = 0.4513，说明该网络结构聚类效果好；S = 0.7401，同质性较高，不同聚类划分较好 [ 13 ] 。图中展现出十大聚类，以“医学教育(medical education)”、“医学人文(medical humanities)”和“新冠肺炎(covid-19)”为首。从表5可以看出，前五大聚类的平均年份在2001~2015年左右，说明相关研究在此时期成熟。其中最大的聚类为“(医学教育) medical education”，年份为2008年，共包含48个关键词，主要的关键词有医学教育、同理心、姑息治疗、定性研究，医学生(medical education, empathy, palliative care, qualitative research, medical students)等；该聚类中最为活跃的文献为Turton, Benjamin Mark (2018)《Arts-Based Palliative Care Training, Education and Staff Development: A Scoping Review》 [ 14 ] 。

图4. 关键词聚类图谱

表5. 聚类的主要关键词

为了揭示不同国家学者关注的研究主题分布趋势，本研究利用CiteSpace软件的国家合作和关键词共现分析，基于每篇文献的作者国别属性和关键词关系属性绘制二模混合网络。

在CiteSpace信息可视化软件中，将年份间隔区间(Slice)设置为1年，阈值选择g-index = 25，并在裁剪选项中设置Pathfinder、pruning the merged network等参数，以关键词共现和国家合作混合网络的方法为主，生成国内外“medical humanities”研究国家和关键词热点混合图谱(见图5)与关键词数量表(见表6)。图1中圆形节点代表国家或地区，加号节点表示关键词，网络中一共有551个节点，1193条连线。

图5. “medical humanities”领域国家和关键词混合网络

表6. 混合网络节点频次信息表

在国外“medical humanities”研究领域，主要关键词有medical humanity (医学人文)、education (教育)、medical education (医学教育)、narrative medicine (叙事医学)、student (学生)、health care (卫生保健)等。其中，medical humanity共现频次最高为315次。从国家来看，USA (美国)的合作频次最高为210次；其次为ENGLAND (英国)合作频次为117次；CANADA (加拿大)合作频次为28次。

从混合网络中不同国家或地区的结构分布来看，各个国家之间分布界限清晰，分别位于图谱四周。其中，中国相关研究的关键词主要有challenge (挑战)、model (模型)、professionalism (专业)、cancer (癌症)、care (关怀)等。

美国相关研究关键词主要有adult learning (成人学习)、medical humanity (医学人文)、medical ethics (医学伦理)、perception hidden curriculum (感知隐藏课程)、education (教育)等。

英国相关研究关键词主要有empathy (共情)、ethics (伦理)、medical education (医学教育)、school (学院)、clinical competence (临床能力)等。

为了从时间维度研究发展演进过程，本文采用CiteSpace工具中的时区图对其进行分析。时区图能依据时间先后将文献的更新以及文献间的相互关系，清晰地展示在以时间为横轴的二维坐标中，如图6所示。在时区图中，节点大小表示该关键词出现的频次，节点所处的年份表示该关键词首次出现的时间，节点间的连线表示不同关键词同时出现在一篇文章中，预示着不同时段间的传承关系。不同年份出现的文献数量代表该时间发表的成果，也说明该领域所处的时期或阶段。由图6中可知，相关文献最大的节点为2001年提出的“医学人文(medical humanity)”，早期的研究中高频关键词有人性(humanity)，移情(empathy)，医学史(history of medicine)等。研究的相关概念跨度长，影响范围大，高频词集中在1992~2008年区间，说明此时期的研究热度较高，奠定了相关研究的基础。相关研究持续到现在，后续的研究逐渐提出不一样的概念 [ 15 ] 。研究主题大致经历了医学人文的阶段。而最近的概念则是提出“本科医学教育(undergraduate medical education)”、“精神病学(psychiatry)”、“伦理学研究(research ethics)”等新关键词。

图6. 关键词时区图谱

CiteSpace证伪主义的方法旨在提供具体的证据线索，以说明一个想法对于当前科学领域的知识结构是新颖的。科学知识的发展是新发表的科学论文中所传达的一连串“可证伪度高”的新想法之间和知识结构相互作用的过程 [ 16 ] 。每一个新想法都可能“证伪”当前的知识结构。对一个想法的潜在价值或“可证伪度”的预测，可以根据该想法所引入的结构变化的程度来进行计算。在这种情况下，CiteSpace称这种方法为“结构变异模型”。引文网络中的结构变换模型(Structural Variation Analysis, SVA)主要用于衡量一篇新论文引入到网络后对现有网络结构变化的影响。结构变换模型的理论基础在很大程度上是科学发现可以被概念化为知识空间中边界跨越、中介和综合机制的结果，其基本假设是偏离当前知识结构程度的，是科学中潜在变革思想的必要条件。结构变换模型主要包括三个测度结构变换程度的指标，分别是模式性变化率(ΔM)、聚类间链接变化率(ΔCLw)、中心性分散度(ΔCkl)。

模式性变化率(ΔM)指标是施引文献导致知识基础网络连线增加的情况。可以通过这一指标的大小，判断施引文献对网络结构变换的影响程度，这一指标的数值越大，施引文献导致学科发展发生变革的潜在影响力就越大，这样的施引文献就越可能是这一领域的研究前沿文献。本文对“medical humanities”领域的文献进行模式性变化率分析，一共识别出6篇ΔM大于0的文献，如表7。

表7. 文献的模式性变化率

其中，ΔM数值最大的为Chisolm Margaret S (2020)一文(见图7) ，该文模式性变化率为48.48，将该文引入文献共被引网络中后，其施引文献导致网络连线增加明显，该文链接的文献主要分布在2号聚类。其次，Smydra R (2021) 模式性变化率为23.94 (见图8) [ 17 ] ，将该文引入文献共被引网络中后，其施引文献导致网络连线增加明显，该文链接的文献同样主要分布在2号聚类。Chisolm Margaret S (2020)提出一种基于“艺术博物馆”的创新医学人文教育的教学模式 [ 18 ] 。Smydra R (2021)这篇综述回顾了将艺术和人文学科(AH)嵌入医学院课程的方法和研究 [ 17 ] 。

图7. Chisolm Margaret S (2020)文献引入对网络连线增加情况

图8. Smydra R (2021)文献引入对网络连线增加情况

聚类间链接变化率(ΔCLw)主要表征施引文献导致基础网络节点连线在不同聚类之间的跨度情况。这一指标的值越大，说明施引文献吸收了多学科主题知识基础，这样的施引文献的交叉属性越强，就越有可能成为代表研究前沿的文献。本文对“medical humanities”领域的文献进行聚类间链接变化率分析，发现ΔCLw数值大于0的文献一共有7篇文献，如表8。

表8. 文献的聚类间链接变化率

其中，Rana J (2020)一文引入文献共被引网络中后，其施引文献主要分布在2号聚类主题(图9)，说明该文献吸收了多个学科主题知识基础，具有较强的交叉属性，更可能成为代表研究前沿的文献。Rana J (2020)综述了利用艺术教育来提高视觉诊断的研究 [ 19 ] 。该文指出，艺术或“医学人文”正在被越来越多地用于医务人员教育过程 。

图9. Rana J (2020)在网络中结构情况

其中，Reisman Anna B (2006) 一文引入文献共被引网络中后，对原共被引网络中节点的中心度分布影响最大，其施引文献导致网络的连线增加，跨越了0、7两个聚类主题(图10)，所以从ΔCkl指标来看该文章更容易成为“medical humanities”领域的研究热点。Reisman Anna B (2006)从叙事医学的视角，研究医生写作能力的培训对其专业能力和好奇心的影响，写作的主题包括焦虑，同情和治愈能力等主题 [ 20 ] 。数据表明，这个写作研讨会是一个创造性的出口，在医生参与者中创造了一种社区意识，增强了医生对患者生活的共情，并增加了医生对于与职业相关(比如住院实习计划)的写作兴趣。

图10. Reisman Anna B (2006)在网络中结构情况

综合模式性变化率(ΔM)、聚类间链接变化率(ΔCLw)、中心性分散度(ΔCkl) (见表9)三个指标来看Rana J (2020)、Agarwal Gauri G (2020)、Chisolm Margaret S (2020)、Fernandez Nicole J (2021)、Thacker N (2021)、Smydra R (2021)等文献与其他文献相比，其模式性变化率、聚类间链接变化率指标值均较高，所以与其他文献相比，这些文献在未来更具影响力，可以重点关注。并且值得注意的是，这些潜在影响力文献关联的文献集中分布于2号聚类主题，所以2号聚类主题是当前和未来学者们研究的重点前沿问题。

表9. 文献的中心性分散度(前20)

学科领域通常由科学知识的基本概念、基本原理等要素构成。合理、有效地利用学科知识基础可以揭示学科内部不同知识体系之间的联系和发展规律。本节将medical humanities领域的1974~2022年文献分成1974~2000年(图11)、2001~2010年(图12)、2011~2022年(图13)三个阶段。利用CiteSpace软件分别绘制不同阶段的知识基础情况，需要注意的是，图谱的左侧表示的是目标文献集数据所属的学科领域称为现有研究领域，右侧的是目标数据集的参考文献所属的学科领域称为知识基础领域，通过对目标数据集的参考文献所属学科领域的分析可以清晰的看出知识基础的变迁，而对目标数据集所属的学科领域的分析可以清晰的看出知识的扩散情况。

对medical humanities领域的1970~2000年、2001~2010年、2011~2022年三个阶段的基础知识领域进行分析可以发现该领域知识基础和主要领域呈现多元化发展。其中，medical humanities领域在1970~2022年的核心研究一直集中在“#2 Medicine, Medical, Clinical”学科主题上，但是从2011年开始medical humanities领域的主题出现多元化发展，与“#4 Molecular, Biology, Immunology”和“#6 Psychology, Education, Health”两个科学主题的交叉研究越来越突出。从每个阶段的知识基础来看，medical humanities领域相关研究知识基础越来越丰富。在1970~2000年的3个基础知识领域，在2001~2010年有5个基础知识领域，在2011~2022年有超过10个基础知识领域。并且“#5 Health, Nursing, Medicine”基础知识领域一直是medical humanities领域核心基础。在2011年以来，medical humanities领域相关研究引用“#1 Systems, Computing, Computer”、“#8 Molecular, Biology, Genetics”等领域的研究越来越多，这突出medical humanities领域的学科交叉性越来越强。

图11. 1970~2000年知识基础的结构

图12. 2001~2010年知识基础的结构

图13. 2011~2022年知识基础的结构