《表6 2005-2020年核心自我评价研究的关键词重要聚类及聚类标识词》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《国内核心自我评价研究热点及前沿进展的可视化分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了进一步探索该领域的研究热点，对关键词共现网络图谱进行聚类分析，本文选取LLR算法（Log-Likelihood Ratio），生成自动聚类标签图谱，形成了包含170个节点、441条连线、聚类数量为16的知识图谱（如图6所示）。模块值（Q值）与平均轮廓值（S值）是经常用来衡量聚类图谱绘制效果好坏的两个重要指标，Q值在0.3及其以上说明聚类效果良好，S值在0.5及其以上表明聚类结果合理性较高。本文研究目标的Q值为0.887 5，远大于标准值0.3，表明聚类效果很显著。S值为0.513 5，略大于0.5，总体而言聚类信度检验结果良好。表6为网络聚类的具体信息，聚类号（Cluster ID）表示聚类后的编号，节点数（Size）表示聚类包含的文献的数量，聚类标签的编号越小，节点数量就越多，表明该研究越集中，热度越高。为更好地区分聚类结果中相关文献出现时间早晚的问题，本文引入平均年份加以衡量。本研究中选取节点数排名前十的聚类（如表6所示），学者对核心自我评价的相关研究主要集中在三个方面。