Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tính liên ngành và tính tự cách lập trong việc lan tỏa tri thức: phân tích ranh giới giữa triết học khoa học và các lĩnh vực khoa học
Tóm tắt
Có hai quan điểm cơ bản khác nhau về việc lan tỏa tri thức thống trị các cuộc tranh luận về các ngành học. Một mặt, những người chỉ trích việc nghiên cứu và giáo dục theo ngành đã lập luận rằng các ngành học là những khoang riêng biệt, trong đó các chuyên gia theo đuổi các chương trình nghiên cứu ngày càng hẹp và hướng nội. Mặt khác, những người chỉ trích lập luận về khoang đã chứng minh rằng các nhà nghiên cứu liên tục nhập khẩu và xuất khẩu ý tưởng qua các ranh giới ngành học. Những quan điểm này có những tác động khác nhau về cách tri thức được lan tỏa, cách mà các trí thức có được và mất đi vị thế trong ngành học của họ, và cách mà danh tiếng trí thức phát triển bên trong và giữa các ngành học. Chúng tôi lập luận rằng những tuyên bố tổng quát về bản chất của các ranh giới ngành học là không hiệu quả, và rằng nghiên cứu về bản chất của các ranh giới ngành học cụ thể là hữu ích hơn. Để đạt được điều đó, bài báo này sử dụng một tập dữ liệu mạng xuất bản và trích dẫn mới mẻ và các mô hình thống kê của mạng trích dẫn để kiểm tra các giả thuyết về các ranh giới giữa triết học khoa học và 11 cụm ngành. Cụ thể, chúng tôi kiểm tra các giả thuyết về việc tham gia và bị trích dẫn bởi các cộng đồng khoa học bên ngoài triết học khoa học có ảnh hưởng đến vị trí của một người trong triết học khoa học hay không. Kết quả của chúng tôi cho thấy các triết gia khoa học sản xuất tài liệu liên ngành, nhưng họ có xu hướng không trích dẫn công trình của các triết gia khác khi được xuất bản trên các tạp chí bên ngoài ngành của họ. Hơn nữa, bên cạnh các yếu tố khác, việc nhận được trích dẫn từ các ngành học khác không ảnh hưởng có ý nghĩa - tích cực hoặc tiêu cực - đến việc trích dẫn trong triết học khoa học.
Từ khóa
#Tính liên ngành #Tính tự cách lập #Ranh giới ngành học #Trích dẫn #Triết học khoa học #Phân tích mạngTài liệu tham khảo
Bettencourt, L., Kaiser, D., Kaur, J., Castillo-Chavez, C., & Wojick, D. (2008). Population modeling of the emergence and development of scientific fields. Scientometrics, 75(3), 495–518.
Börner, K., Chen, C., & Boyack, K. (2003). Visualizing knowledge domains. Annual Review of Information Science and Technology, 37(1), 179–255.
Börner, K., Klavans, R., Patek, M., Zoss, A., Biberstine, J., Light, R., et al. (2012). Design and update of a classification system: The UCSD map of science. PLoS ONE, 7(7), e39464.
Boyack, K., Klavans, R., & Börner, K. (2005). Mapping the backbone of science. Scientometrics, 64(3), 351–374.
Campbell, D. (1969). Ethnocentrism of disciplines and the fish-scale model of omniscience. Interdisciplinary relationships in the social sciences, 328, 348.
Chen, S., Arsenault, C., Gingras, Y., & Larivière, V. (2014). Exploring the interdisciplinary evolution of a discipline: The case of biochemistry and molecular biology. Scientometrics, 102(2), 1307–1323.
Chen, S., Arsenault, C., & Larivière, V. (2015). Are top-cited papers more interdisciplinary? Journal of Informetrics, 9(4), 1034–1046.
Chen, C., & Hicks, D. (2004). Tracing knowledge diffusion. Scientometrics, 59(2), 199–211.
Coccia, M., & Bozeman, B. (2016). Allometric models to measure and analyze the evolution of international research collaboration. Scientometrics, 108(3), 1065–1084.
Coccia, M., & Wang, L. (2016). Evolution and convergence of the patterns of international scientific collaboration. Proceedings of the National Academy of Sciences, 113(8), 2057–2061.
Collins, R. (2009). The sociology of philosophies. Cambridge: Harvard University Press.
Collins, H. (2011). Language and practice. Social Studies of Science, 41(2), 271–300.
Collins, H., Evans, R., & Gorman, M. (2010). Trading zones and interactional expertise. In M. Gorman (Ed.), Trading zones and interactional expertise (pp. 7–25). Cambridge: MIT Press.
Crane, D. (1972). Invisible colleges: Diffusion of knowledge in scientific communities. Chicago: University of Chicago Press.
Cronin, B., & Meho, L. I. (2008). The shifting balance of intellectual trade in information studies. Journal of the American Society for Information Science and Technology, 59(4), 551–564.
Cronin, B., & Pearson, S. (1990). The export of ideas from information science. Journal of information science, 16(6), 381–391.
Cronin, B., & Sugimoto, C. (2014). Beyond bibliometrics: Harnessing multidimensional indicators of scholarly impact. Cambridge: MIT Press.
Fanelli, D., & Glänzel, W. (2013). Bibliometric evidence for a hierarchy of the sciences. PLoS ONE, 8(6), e66938.
Fehr, C., & Plaisance, K. S. (2010). Socially relevant philosophy of science: An introduction. Synthese, 177(3), 301–316.
Frodeman, R. (Ed.). (2010). The Oxford handbook of interdisciplinarity. Oxford: Oxford University Press.
Galison, P. (1997). Image and logic: A material culture of microphysics. Chicago: University of Chicago Press.
Gao, X., & Guan, J. (2011). Network model of knowledge diffusion. Scientometrics, 90(3), 749–762.
Gorman, M. (2002). Levels of expertise and trading zones: A framework for multidisciplinary collaboration. Social Studies of Science, 32(5–6), 933–938.
Gorman, M. (2010). Trading zones and interactional expertise: Creating new kinds of collaboration. Cambridge: MIT Press.
Gross, N. (2002). Becoming a pragmatist philosopher: Status, self-concept, and intellectual choice. American Sociological Review, 67(1), 52–76.
Gross, N. (2009). Richard Rorty: The making of an American philosopher. Chicago: University of Chicago Press.
Handcock, M., Hunter, D., Butts, C., Goodreau, S., & Morris, M. (2008). Statnet: Software tools for the representation, visualization, analysis and simulation of network data. Journal of Statistical Software, 24(1), 1548.
Herrera, M., Roberts, D. C., & Gulbahce, Natali. (2010). Mapping the evolution of scientific fields. PLoS ONE, 5(5), e10355.
Hunter, D., Goodreau, S., & Handcock, M. (2008). Goodness of fit of social network models. Journal of the American Statistical Association, 103(481), 248–258.
Hunter, D., Goodreau, S., & Handcock, M. (2013). Ergm. Userterms: A template package for extending statnet. Journal of Statistical Software, 52(2), i02.
Ilhan, A. (2013). The growth of the design disciplines in the united states 1984–2010. Ph.D. thesis. Washington State University.
Jacobs, J. (2014). In defence of disciplines: Interdisciplinarity and specialization in the research university. Chicago: Chicago University Press.
Jacobs, J., & Frickel, S. (2009). Interdisciplinarity: A critical assessment. Annual Review of Sociology, 35, 43–65.
Jiang, S., Gao, Q., Chen, H., & Roco, M. (2015). The roles of sharing, transfer, and public funding in nanotechnology knowledge-diffusion networks. Journal of the Association for Information Science and Technology, 66(5), 1017–1029.
Klein, J. T. (1990). Interdisciplinarity: History, theory, and practice. Detroit: Wayne State University Press.
Koskinen, J., & Snidjers, T. (2013). Simulation, estimation, and goodness of fit. eds. Dean Lusher, Koskinen Johan, and Garry Robins.: 141–66.
Kreuzman, H. (2001). A co-citation analysis of representative authors in philosophy: Examining the relationship between epistemologists and philosophers of science. Scientometrics, 50(3), 525–539.
Lamont, M. (2009). How professors think: Inside the curious world of academic judgment. Cambridge: Harvard University Press.
Larivière, V., & Gingras, Y. (2014). Measuring interdisciplinarity. In B. Cronin & C. Sugimoto (Eds.), Beyond bibliometrics: Harnessing multidimensional indicators of scholarly impact (pp. 187–200). Cambridge: MIT.
Larivière, V., Sugimoto, C. R., & Cronin, B. (2012). A bibliometric chronicling of library and information science’s first hundred years. Journal of the Association for Information Science and Technology, 63(5), 997–1016.
Leydesdorff, L., & Rafols, I. (2009). A global map of science based on the Isi subject categories. Journal of the American Society for Information Science and Technology, 60(2), 348–362.
Light, R., & Adams, J. (2016). Knowledge in motion: The evolution of HIV/Aids research. Scientometrics, 107(3), 1227–1248.
Liu, X., Jiang, S., Chen, H., Larson, C. A., & Roco, M. C. (2015). Modeling knowledge diffusion in scientific innovation networks: An institutional comparison between China and US with illustration for nanotechnology. Scientometrics, 105(3), 1953–1984.
Lockett, A., & McWilliams, A. (2005). The balance of trade between disciplines: Do we effectively manage knowledge? Journal of Management Inquiry, 14(2), 139–150.
Lungeanu, A., Huang, Y., & Contractor, N. (2014). Understanding the assembly of interdisciplinary teams and its impact on performance. Journal of Informetrics, 8(1), 59–70.
Lusher, D., Koskinen, J., & Robins, G. (2012). Exponential random graph models for social networks: Theory, methods, and applications. Cambridge: Cambridge University Press.
McLevey, J., & McIlroy-Young, R. (2017). Introducing Metaknowledge: Software for computational research in information science, network analysis, and science of science. Journal of Informetrics, 11(1), 176–197.
Merton, R. (1973). The sociology of science: Theoretical and empirical investigations. Chicago: University of Chicago Press.
Moody, J., & Light, R. (2006). A view from above: The evolving sociological landscape. The American Sociologist, 37(2), 67–86.
Panofsky, A. (2014). Misbehaving science: Controversy and the development of behavior genetics. Chicago: University of Chicago Press.
Prell, C. (2012). Social network analysis: History, theory, & methodology. Thousand Oaks: Sage.
Price de Solla, D. J. (1963). Little science, big science. New York: Columbia University Press.
Robins, G. (2011). Exponential random graph models for social networks. In eds. John Scott and Peter Carrington.: 484–500.
Robins, G. (2015). Doing social network research: Network-based research design for social scientists. Thousand Oaks: SAGE.
Robins, G., Pattison, P., Kalish, Y., & Lusher, D. (2007). An introduction to exponential random graph (P*) models for social networks. Social Networks, 29(2), 173–191.
Rojas, F. (2007). From black power to black studies: How a radical social movement became an academic discipline. Baltimore: JHU Press.
Škerlavaj, M., Dimovski, V., & Desouza, K. C. (2010). Patterns and structures of intra-organizational learning networks within a knowledge-intensive organization. Journal of Information Technology, 25(2), 189–204.
Skupin, A., Biberstine, J., & Börner, K. (2013). Visualizing the topical structure of the medical sciences: A self-organizing map approach. PLoS ONE, 8(3), e58779.
Small, M. L. (1999). Department conditions and the emergence of new disciplines: Two cases in the legitimation of African-American studies. Theory and Society, 28(5), 659–707.
Snow, C. P. (1959). The two cultures. Cambridge: Cambridge University Press.
Stigler, S. M. (1994). Citation patterns in the journals of statistics and probability. Statistical Science, 9, 94–108.
Su, C., & Contractor, N. (2011). A multidimensional network approach to studying team members’ information seeking from human and digital knowledge sources in consulting firms. Journal of the American Society for Information Science and Technology, 62(7), 1257–1275.
Turk-Bicakci, L. (2007). The development of social movement programs and departments in higher education: Women’s and ethnic studies from 1975 to 2000. Ph.D. thesis. University of California Riverside.
Van Leeuwen, T., & Robert, T. (2000). Interdisciplinary dynamics of modern science: Analysis of cross-disciplinary citation flows. Research Evaluation, 9(3), 183–187.
Vitanov, N. K, & Ausloos, M. R. (2012). Knowledge epidemics and population dynamics models for describing idea diffusion. In: A. Scharnhorst, K. Börner & P. van den Besselaar (Eds.), Models of science dynamics: Encounters between complexity theory and information sciences (pp. 69–125). Berlin: Springer.
Wilson, D. S., & Sober, E. (1994). Reintroducing group selection to the human behavioral sciences. Behavioral and Brain Sciences, 17(04), 585–608.
Wray, B., & Bornmann, L. (2015). Philosophy of science viewed through the lense of ‘referenced publication years spectroscopy’ (RPYS). Scientometrics, 102(3), 1987–1996.
Yan, E. (2014). Finding knowledge paths among scientific disciplines. Journal of the Association for Information Science and Technology, 65(11), 2331–2347.
Yan, E., Ding, Y., Cronin, B., & Leydesdorff, L. (2013). A bird’s-eye view of scientific trading: Dependency relations among fields of science. Journal of Informetrics, 7(2), 249–264.
Yu, G., Wang, M.-Y., & Da-Ren, Y. (2010). Characterizing knowledge diffusion of nanoscience & nanotechnology by citation analysis. Scientometrics, 84(1), 81–97.
Zhu, Y., & Yan, E. (2015). Dynamic subfield analysis of disciplines: An examination of the trading impact and knowledge diffusion patterns of computer science. Scientometrics, 104(1), 335–359.