Gộp theo ba bước: chuyển cả hai tệp về một khuôn trường chung, khử trùng trước theo DOI đã chuẩn hoá, rồi theo tiêu đề chuẩn hoá cộng năm và tác giả đầu cho bản ghi thiếu DOI. Ghi số bản ghi ở mỗi bước để đưa vào sơ đồ chọn bản ghi.
Dùng cả Scopus và Web of Science giúp tập dữ liệu ít bị lệch theo độ phủ của một nguồn. Cái giá là phần việc gộp: hai nguồn ghi tên tác giả, tên tạp chí, từ khoá và tài liệu tham khảo theo cách khác nhau. Bài này đi qua những khác biệt đó, cách khử trùng không làm mất bản ghi oan, và những phân tích không nên chạy trên dữ liệu đã gộp.
Hai nguồn ghi dữ liệu khác nhau ở đâu
Bảng nêu những khác biệt hay gây rắc rối nhất khi gộp. Tên trường lấy theo mã của Web of Science và tên cột trong tệp CSV của Scopus.
| Thành phần | Web of Science | Scopus | Rắc rối khi gộp |
|---|---|---|---|
| Tác giả | Trường AU dạng họ, chữ cái đầu; AF tên đầy đủ | Cột tác giả dạng họ, chữ cái đầu, có thêm mã tác giả Scopus | Cùng người nhưng cách viết khác |
| Tên tạp chí | Trường SO viết hoa toàn bộ, có tên viết tắt riêng | Tên nguồn viết thường có hoa đầu từ | Phải chuẩn hoá chữ hoa thường |
| Từ khoá | DE (tác giả) và ID (Keywords Plus) | Từ khoá tác giả và từ khoá chỉ mục | Keywords Plus và từ khoá chỉ mục sinh theo hai cách khác nhau |
| Tài liệu tham khảo | CR dạng rút gọn: tác giả, năm, nguồn, tập, trang, DOI | Chuỗi dài gần như toàn văn trích dẫn | Khó ghép cùng một tài liệu được trích |
| Loại tài liệu | Article, Review, Proceedings Paper… | Article, Review, Conference Paper… | Tên loại không trùng hoàn toàn |
| Số trích dẫn | Đếm trong Web of Science | Đếm trong Scopus | Hai con số khác nhau cho cùng một bài |
Hệ quả quan trọng: những phân tích dựa trên tài liệu tham khảo (đồng trích dẫn, ghép cặp thư mục) rất nhạy với cách ghi trường CR. Trên dữ liệu gộp, chúng dễ cho kết quả méo.
Quy trình gộp và khử trùng
Làm trong R với bibliometrix, trong Python với pandas, hay bằng tay trong bảng tính với tập nhỏ đều được, miễn theo đúng thứ tự và ghi số ở mỗi bước.
- Xuất từ mỗi nguồn với cùng câu truy vấn (đã chuyển cú pháp tương đương) và cùng ngày truy xuất; ghi số bản ghi mỗi nguồn.
- Chuyển cả hai tệp về một khuôn chung. Trong bibliometrix:
convert2dfcho từng tệp với đúngdbsource, rồimergeDbSourcesđể ghép. - Chuẩn hoá DOI: đưa về chữ thường, bỏ tiền tố dạng đường dẫn và khoảng trắng thừa.
- Khử trùng vòng một theo DOI. Khi trùng, giữ bản ghi của nguồn bạn chọn làm ưu tiên (thường là nguồn có trường dữ liệu đầy đủ hơn cho phân tích của bạn) và ghi rõ quy tắc này.
- Với bản ghi thiếu DOI, chuẩn hoá tiêu đề: chữ thường, bỏ dấu câu, bỏ khoảng trắng kép; ghép thêm năm xuất bản và họ tác giả đầu làm khoá.
- Khử trùng vòng hai theo khoá đó. Xem tay những cặp gần trùng (khác vài ký tự) trước khi gộp.
- Ghi số bản ghi còn lại sau mỗi vòng và số bị loại.
Các hàm gộp có sẵn có thể đã khử trùng theo tiêu chí riêng. Dù dùng hàm nào, hãy tự đếm lại số bản ghi trước và sau để biết chính xác bao nhiêu bản ghi bị loại và vì sao.
Những ca khó khi khử trùng
Bản đính chính và bài gốc
Bài đính chính (erratum, correction) thường có tiêu đề gần giống bài gốc. Khử trùng theo tiêu đề có thể gộp nhầm chúng, hoặc tệ hơn, giữ bản đính chính và bỏ bài gốc. Lọc loại tài liệu trước khi khử trùng tiêu đề sẽ tránh được phần lớn rắc rối này.
Bài hội nghị rồi bản tạp chí
Cùng một nghiên cứu có thể có bài hội nghị và bài tạp chí mở rộng với tiêu đề gần giống. Về trắc lượng, đây là hai công bố khác nhau; đừng gộp chỉ vì tiêu đề giống. Năm xuất bản và tên nguồn là chỗ để phân biệt.
Tiêu đề có ký tự đặc biệt
Công thức hoá học, ký hiệu Hy Lạp, chữ có dấu tiếng Việt có thể được hai nguồn mã hoá khác nhau. Chuẩn hoá Unicode và bỏ dấu trước khi so tiêu đề giúp bắt được những cặp này.
DOI sai hoặc dùng chung
Có trường hợp một DOI bị gán nhầm cho bài khác, hoặc DOI của cả số tạp chí được ghi cho từng bài. Khi một DOI khớp với hai tiêu đề khác hẳn nhau, kiểm tay trước khi gộp.
Làm bằng Python khi không dùng R
Nếu nhóm quen Python, quy trình khử trùng có thể viết bằng thư viện pandas trong vài chục dòng. Điều quan trọng là giữ lại dấu vết của từng bước.
- Đọc tệp CSV của Scopus và tệp phân tách bằng tab của Web of Science thành hai bảng; thêm cột
nguonghi tên nguồn cho mỗi dòng. - Đổi tên cột của hai bảng về một bộ tên chung tối thiểu: tiêu đề, tác giả, năm, nguồn, DOI, từ khoá, số trích dẫn.
- Tạo cột DOI chuẩn hoá: chữ thường, bỏ khoảng trắng, bỏ phần tiền tố đường dẫn nếu có.
- Ghép hai bảng, sắp xếp theo thứ tự ưu tiên nguồn, rồi loại trùng theo DOI chuẩn hoá với tuỳ chọn giữ dòng đầu; dòng thiếu DOI không tham gia vòng này.
- Tạo khoá thứ hai từ tiêu đề đã bỏ dấu câu, bỏ dấu thanh, chữ thường, cộng năm và họ tác giả đầu; loại trùng theo khoá đó.
- Xuất danh sách những dòng bị loại ở mỗi vòng ra tệp riêng để kiểm tay và lưu làm minh chứng.
Tệp các dòng bị loại là thứ nhiều người bỏ qua nhưng cực kỳ hữu ích khi phản biện hỏi “vì sao bài X không có trong tập dữ liệu”.
Xử lý trích dẫn không đồng nhất
Số trích dẫn của cùng một bài ở hai nguồn hầu như luôn khác nhau. Khi gộp, chọn một quy tắc và ghi lại: dùng số của nguồn ưu tiên, hoặc lấy số lớn hơn, hoặc giữ cả hai cột riêng. Không nên cộng hai số vì phần lớn trích dẫn được đếm ở cả hai nơi.
Với phân tích đồng trích dẫn, nhiều nhóm nghiên cứu chọn chạy trên từng nguồn riêng rồi so kết quả, hoặc chỉ chạy trên một nguồn mà họ coi là chính, thay vì trên dữ liệu gộp. Cách này đỡ rủi ro hơn việc cố chuẩn hoá chuỗi tài liệu tham khảo giữa hai định dạng. Nếu vẫn chạy trên dữ liệu gộp, nêu rõ giới hạn này trong phần thảo luận.
Với phân tích dựa trên từ khoá, tác giả, quốc gia, dữ liệu gộp dùng được sau khi đã làm sạch, vì các trường này ít khác nhau giữa hai nguồn hơn trường tài liệu tham khảo.
Báo cáo số bản ghi ở từng bước
Một bảng như dưới đây, hoặc sơ đồ dạng PRISMA, giúp phản biện thấy ngay tập dữ liệu được tạo ra thế nào. Số trong bảng là giả định.
| Bước | Số bản ghi | Ghi chú |
|---|---|---|
| Truy xuất từ Web of Science | 820 | Câu truy vấn và ngày ghi ở phụ lục |
| Truy xuất từ Scopus | 1.140 | Cùng ngày, câu truy vấn tương đương |
| Sau khi ghép | 1.960 | |
| Loại trùng theo DOI | 1.270 | 690 bản ghi trùng |
| Loại trùng theo tiêu đề, năm, tác giả đầu | 1.236 | 34 bản ghi trùng, 5 cặp kiểm tay |
| Loại theo tiêu chí (loại tài liệu, ngôn ngữ) | 1.102 | Tiêu chí ghi trong phương pháp |
| Tập dữ liệu phân tích | 1.102 |
Khi tổng các con số không khớp, phản biện sẽ hỏi ngay. Tự cộng trừ lại trước khi nộp.
Câu hỏi thường gặp
Có bắt buộc phải gộp cả Scopus và Web of Science không?
Không bắt buộc. Nhiều bài trắc lượng tốt chỉ dùng một nguồn và giải thích lý do. Gộp hai nguồn giúp phủ rộng hơn nhưng thêm việc làm sạch và hạn chế một số phân tích, nên chỉ làm khi câu hỏi nghiên cứu cần.
VOSviewer có đọc được tệp đã gộp không?
VOSviewer đọc tệp theo định dạng của từng cơ sở dữ liệu. Tệp đã gộp cần được xuất lại theo một định dạng mà VOSviewer hiểu, hoặc dựng mạng ở công cụ khác như bibliometrix rồi mới vẽ. Kiểm kỹ số bản ghi sau khi đọc.
Nên khử trùng theo DOI hay theo tiêu đề trước?
Theo DOI trước vì chính xác hơn, sau đó mới khử trùng theo tiêu đề chuẩn hoá cộng năm và tác giả đầu cho bản ghi thiếu DOI. Đi ngược thứ tự dễ gộp nhầm các bài có tiêu đề giống nhau.
Số trích dẫn khác nhau giữa hai nguồn thì ghi số nào?
Chọn một quy tắc và ghi rõ trong phương pháp, như dùng số của nguồn ưu tiên hoặc giữ hai cột riêng. Không cộng hai con số vì phần lớn trích dẫn được cả hai nguồn ghi nhận.
Có cần báo cáo số bản ghi bị loại vì trùng không?
Cần. Số bản ghi ở từng nguồn, sau khi ghép, sau mỗi vòng khử trùng và sau khi áp tiêu chí loại nên có trong bảng hoặc sơ đồ. Đó là cách người khác kiểm lại tập dữ liệu của bạn.
