- PDF:PDF版をダウンロード
- DOI: http://doi.org/10.15108/stih.00158
- 公開日: 2018.12.20
- 著者: 塚田 尚稔、元橋 一之
- 雑誌情報: STI Horizon, Vol.4, No.4
- 発行者: 文部科学省科学技術・学術政策研究所 (NISTEP)
レポート
Microsoft Academic Graphの
書誌情報データベースとしての評価
エビデンスベースの政策形成に資する研究を進める上で書誌情報データベースは重要である。これまではClarivate社のWeb of Science（WoS）やElsevier社のScopusが信頼性の高いデータベースとしてよく利用されてきたが、近年は他の選択肢が幾つかでてきた。その一つであるMicrosoft社の書誌情報データMicrosoft Academic Graph（MAG）は無償でダウンロードできるバルクデータが公開されたこともあって関心を集めている。科学技術・学術政策研究所（NISTEP）第1研究グループでは、このデータベースの利用可能性についてScopusをベンチマークとして大規模サンプルで検証した。結果は既にNISTEPディスカッション・ペーパー1）として公表しており、本稿ではその内容を紹介する。
キーワード：書誌情報，データベース，Microsoft Academic Graph，Scopus
1.はじめに
科学技術イノベーションの分野などでは、エビデンスベースの政策形成に資する研究のために、書誌情報を利用した分析が重要視されている。大学や研究機関の研究活動を支える政策の評価や大学ランキングの作成、研究者の評価など、研究活動における先行研究調査以外にも、各国において多岐にわたる用途で利用されている。
経済学に限ると、書誌情報を用いた研究は、学術文献よりもむしろ特許等の産業財産権の書誌情報を用いた研究の方が先行してきた。特許データを用いた分析は1980年代ごろから関心を集めるようになり、2000年ごろから論文数が大きく増加した。研究者の裾野が広がった一つの契機としては、誰にでもアクセスしやすい特許データベースが公開されたことが挙げられるだろう。
米国特許については2001年にNBER Patent Citation Data File注1、2）、日本の特許については2005年にIIPパテントデータベース注2が無償で公開された3〜5）。欧州特許庁が世界中の特許の書誌情報を収録したデータベースEPO Worldwide Patent Statistical Database （PATSTAT）注3を比較的安価に提供するようになってからは、世界的にはこのデータベースを利用している研究者が多いと思われる。PATSTATの収録情報は、利用者からのフィードバックも取り込んで、徐々に正確かつ詳細なものに進化している。一方で、従来の商用データベースも、もともとの主たる用途である企業等の研究開発における先行文献調査などにおいて健在である。
学術論文等の書誌情報に関するデータベースとしてはClarivate社のWeb of Science（WoS）とElsevier社のScopusが計量書誌学の研究などで幅広く活用されてきた。どちらもブラウザやAPIで手軽にアクセスできるウェブサービスも提供しているが、研究目的では包括的にバルクデータを使って自由に加工・集計したいというニーズがある。学術論文データベースに関心をもつ研究者は潜在的には多いと思われるが、この分野の研究に気軽に手を出せない理由の一つは、バルクデータが高額であることだろう。大規模なデータを取り扱うスキルをもつ、又は学ぶ意欲と時間のある若手研究者などのためにも、環境の改善が期待される状況である。
Microsoft社は2015年に書誌情報データベースMicrosoft Academic Graph （MAG）を公開した6）。Google社が2004年から展開しているGoogle Scholarと同様に、MAGはウェブのクローリングによって収集した書誌情報を整理して収録したデータベースである。MAGはバルクデータが無償で公開されたこともあって関心を集めている。
図表1には、MAG、WoS、Scopusに収録されている文献数の推移を示した。1980年から2016年の期間においてWoSの収録文献数は合計5,325万件、Scopusは5,566万件であるのに対して、MAGは1.4億件で2倍以上の件数である。WoSとScopusは収録するジャーナル等のアイテムを一定の基準で選択しているため一概に比較できないが、MAGの収録文献数は多いといっていいだろう。
書誌情報を用いた研究においてデータベースの特徴を理解しておくことは重要である。2016年ごろからMAGの文献のカバレッジや情報の正確性を検証した複数の論文が公表されてきた7〜10）。しかしながら、これらは特定の機関の論文等に注目したものなどであり、データベース全体の状況を代表する情報を提供しているとはいえない。塚田・元橋（2018）では、MAGの利用可能性についてScopusをベンチマークとして大規模サンプルを用いて評価した。本稿ではその結果の一部を紹介する。
2.Microsoft Academic Graphについて
MAG注5のデータにアクセスする方法は幾つかある。Microsoft Academicのサイト注6においてキーワードなどで検索をする方法のほかに、Academic Knowledge API注7を使ってアクセスする方法が用意されている。また、パワーユーザーにはAzure Data Lake Storeを通じた利用が勧められている。Google Scholarと異なりAPIを利用したデータダウンロードに対応していることはMAGの有用な特徴である。しかし、今回、我々が用いたのはOpen Academic Societyのウェブサイト注8において提供されているバルクデータである。これは特定の時点において取得されたスナップショットデータである（以降では、このバルクデータベースを指してMAGと呼ぶ）。
我々がダウンロードしたデータはOpen Academic Societyのウェブサイトに2017年6月9日に公表されたZIP形式で圧縮された合計102GBのファイルである。データファイルの文字列符号化形式はUTF-８であり、JSON形式で記述されている。これらをPerlで記述したスクリプトで処理して各文献の書誌情報を取り出した後に、リレーショナル・データベース・マネジメント・システムであるMySQL、及び統計分析用ソフトウェアのStataに読み込んでデータの加工と集計を行った。
MAGの収録データ
MAGには1800年以降の166,192,182件の文献が収録されている。収録文献数が多くなるのは1980年代以降であり、1990年以降の文献だけで全体の78％を占める。
MAGに収録されているデータ項目は、図表2に示したとおりである。文献タイトル、出版年、著者名については、ほぼ全てのレコードに情報が存在するが、それ以外のデータ項目については欠損も多い。著者名注9、著者の所属組織、キーワード、研究分野の分類、参考文献、データソースURLの項目については一つの文献に複数のレコードがある1対多の構造になっている。
各文献が掲載されたジャーナルや学会論文集の名称はVenueのカラムに収録されており、全体の37%に収録されている。文献タイプ（doc_type）が識別されているレコードは全体の35%であった。そのうちJournal が88%、Conference が7.5%、Book Chapterが4%であり、ジャーナル掲載論文が中心である。言語の分類（lang）は全体の85%の文献に情報があり、このうち英語の文献が8,680万件で61%を占める。次いで、日本語の文献が1,212万件（8.6％）ある。また、スペイン語576万件（4.1%）、中国語563万件（4.0%）、フランス語449万件（3.1%）、ドイツ語251万件（1.8%）などの言語の文献も多い。Field of Study（FOS）はMAG独自の研究分野の分類データであり、文献のキーワードなどを基に作成され、論文単位で付与されている。階層的な構造をもつ分類で、最上位のLevel 0は19分類注10である。分類は逐次アップデートされているため長期的な時系列比較などには向かないとの指摘もある11）。
3.Scopusとの比較
3-1.サンプル
MAGに収録されている文献のデータ特性を評価するために、MAGとScopusのレコードをDOIで接続し、接続できた文献について、MAGとScopusそれぞれから抽出した出版年、著者数、後方引用（参考文献）数、前方引用（被引用）数を比較した。
MAGとの比較分析のために我々が利用したScopusデータは科学技術・学術政策研究所（NISTEP）が2014年度にバルクデータとして購入したもので、主に1996年から2014年に出版された34,961,473件の文献の書誌情報を収録したものである。このうちDOIの情報がある文献は約60%である。古い文献ほどDOIがない文献が多い。一方、MAGでは、1996年以降ではDOIがある文献のシェアは40%前後で推移している。MAGとScopusのレコードが1対1で接続できた文献数は19,166,705件であり、これらをMAGとScopusの比較分析のためのサンプルとした。1996年から2014年の期間において、このサンプルはScopusのDOI付き文献の91%、MAGのDOI付き文献の50%に当たる。
3-2.比較した結果
出版年と著者数についてはMAGの情報の精度はかなり高く、出版年は比較分析サンプルの97.0%、著者数は98.8%の文献においてScopusの情報と一致した注11。個々の文献の著者名の精度検証については今後の課題である。
参考文献（後方引用）の情報については、MAGでは比較分析のサンプルの約15%の文献で欠損注12している。オンライン・ジャーナルのウェブページの構造によっては、特定の情報をクローリングで収集できない場合があるのが一つの原因と考えられる。また、MAGとScopusでは参考文献情報の収録方針の違いがあることにも注意が必要である。Scopusの場合は、全ての参考文献にIDを付して、その参考文献IDを収録している。ただし、参考文献IDがあっても、その書誌情報がScopusに収録されているとは限らない。一方、MAGの場合は、書誌情報がMAGに収録されている文献のみが参考文献として収録されている。したがって、参考文献数を正確に知りたいときはScopusを利用すべきある。参考文献の書誌情報も利用して分析する必要があるならば、MAGの方が使いやすい場合もあると思われる。
MAGとScopusの参考文献数を具体的にみてみる。両方のデータベースに少なくとも1件の参考文献IDがある文献（全体の82.8%）に注目すると、平均参考文献数はScopusが33.1でMAGは27.4でありScopusの方が多い。書誌情報とリンクされている参考文献が少なくとも1件はある文献（全体の78.7%）に注目すると、MAGの平均参考文献数は28.4、Scopusでは19.5で、ScopusよりもMAGの方が大きな値であった。
前方引用数（被引用数）は論文の質を測る指標としてよく用いられる。既に述べたように、今回の分析ではScopusは2014年度に購入したデータを用いているため、MAGよりも文献収録期間が短い。この違いを考慮して、論文の出版後7年以内及び10年以内に引用した文献を各データベースでカウントして作成した前方引用数を比較した。
2005年に出版された文献（965,695件）について、まず、出版後7年以内の前方引用数に注目してみる。この場合は二つのデータベースの文献収録期間の違いによる影響はないと考えられる。図表3に示した散布図をみると、対角付近にプロットされた観測値が多く、MAGとScopusの前方引用数に大きな差はない注13。出版後10年以内の前方引用数では、収録期間の違いの影響もあるためか、MAGの前方引用数の方が全体的に大きい傾向にある。出版後10年以内に引用された前方引用数ではピアソンの相関係数は0.963、スピアマンの順位相関係数は0.946であった。大規模に集計するとScopusとMAGは同じような傾向を示す。
ジャーナルごとの参考文献の収録状況の違いを詳細に確認することは今後の課題である。被引用数は収録文献数の多いMAGの方が大きい値になると考えられるが、Scopusの方が大きな値であるケースもある。MAGはウェブのクローリングで書誌情報を収集している。ウェブページの構造はジャーナルごとに統一されているはずなので、参考文献情報の欠損状況もジャーナルごとに偏っている可能性が高く、MAGとScopusの被引用数の差に影響を与えているものと考えられる。
4.論文掲載誌と著者所属機関情報のカバレッジ
論文書誌情報データベースを有効に活用するためには、各論文の掲載誌に関する情報（論文の学術分野やインパクト・ファクターからみた質に関する情報）や論文著者の所属機関に関する情報を整理することが必要である。
論文掲載誌については、MAGではジャーナル名の情報がVenueの項目に収録されているが、これにISSNを付すことができれば論文の学術分類や学会誌の学術ランキング情報を容易に接続して利用することが可能となる。塚田・元橋（2018）では、MAGのジャーナル名のテキスト情報にISSNを付す作業を試みた。論文総数166,192,182件のうち、MAGのオリジナル情報において何らかのジャーナル名情報（Venue情報）が存在するものが61,051,921（それ以外は当該情報がNull）であり、そのうち51,401,398についてはISSNを接続できた。3節の比較分析のサンプル（19,166,705件）に注目すると15,355,987本（全体の約8割）についてMAGからISSN情報が得られることが分かった。MAG全体からみると、ISSN情報を付与できた論文数は１/３以下となるが、Scopus収録論文についてみるとかなりの割合の論文について、MAGの情報によって代替することが可能であることが分かった。
論文著者の所属機関の情報は、論文数の国別、機関名別推移といった学術情報を用いた基礎的な統計データ処理を行う上で重要である。MAGにおいては、著者の氏名情報と所属機関の情報は別のレコードとして与えられている。所属機関については、機関名と機関の所在地情報が混在するテキスト情報となっており、ここから分析上有益な情報を取り出すことが必要である注14。
全ての著者において所属機関情報が存在する文献は約4,374万件、一部の著者について所属機関情報が存在する論文が約290万件で残りの1.2億万件については所属機関情報なしになっている。この点についても、ウェブページ構造とクローリングの問題が原因であると考えられ、情報の欠損状況はジャーナルごとに決まっている可能性が高い。塚田・元橋（2018）では、相対的に質の高いジャーナル論文の方が所属機関情報の収録率が高い傾向があることを報告している。大手出版社の電子ジャーナルの方がメタデータの統一などが進んでいるためと考えられる。現状では、大学ランキングなどの機関ごとの研究パフォーマンスを評価するための材料としては不十分だろう。
なお、NISTEPではScopus-NISTEP大学・公的機関名辞書対応テーブル注15をウェブサイトで公表している。日本の機関に限られるが、Scopusに収録されている著者所属機関名を名寄せした結果とScopusの文献IDの対応関係をまとめたものである。出版年が1996年から2016年の文献単位で235万件のデータを収録しており、158万件の文献にはDOIのデータがある。DOIを用いて152万件についてMAGに接続することができた。これらの文献については、Scopusで著者の所属機関情報を補完して利用することが可能である。
5.まとめ
本稿では、Microsoft社の書誌情報データベースMicrosoft Academic Graphの利用可能性について、Elsevier社のScopusをベンチマークとして評価した結果を紹介した。MAGはバルクデータとして無償で提供されているので、同データがScopusやWoSなどの商用データベースの代替データとして利用できることの意義は大きい。
出版年、著者情報及び引用情報については、Scopusと遜色ないレベルのデータであることが分かった。一方で、論文著者の機関名情報については欠損している論文が多く、大学ランキングなどの機関ごとの研究パフォーマンスを評価するための材料として当該情報を利用する際には注意が必要である。
結論として、MAGは全体としては有用なデータベースであり、ウェブ上に存在する論文等の研究成果を全体的に把握した上で議論する目的には役立つといえるが、機関別の評価など研究目的によっては従来の商用データベースに頼らざるを得ないというのが現状といえるだろう。
今回は、Scopusとの比較をベースにMAGの評価を行ったが、今後の課題として、まずWoSとの比較を挙げることができる。また、MAGの特性について更に検証するためには、ジャーナルごとの分析を進めることも有益である。これらの分析を通じてデータベースの特性がより詳細に明らかになることは、今後の計量書誌情報学の発展にとって重要であると考える。
注1 The National Bureau of Economic Research (NBER), http://www.nber.org/patents/
注2 一般財団法人知的財産研究教育財団 知的財産研究所 (IIP), http://www.iip.or.jp/patentdb/
注3 European Patent Office (EPO), https://www.epo.org/searching-for-patents/business/patstat.html
注4 Web of Scienceの件数は、http://apps.webofknowledge.com においてWeb of Science Core Collectionに収録されている文献数をPY= 1980-2016の条件で2018年10月11日に検索した結果である。Scopusの件数は、https://www.scopus.com においてPUBYEAR AFT 1979 AND PUBYEAR BEF 2017の条件で2018年10月12日に検索した結果である。MAGの件数は第2節で説明する2017年までのデータを収録しているバルクデータに基づく。MAGの最新データにアクセスするためには後述のAPIを用いる方法などがある。
注9 フルネームの著者名やファーストネームがイニシャルで略された著者名などが混在したデータである。
注10 Academic Knowledge APIで2018年8月31日にLevel 0のリストをダウンロードした結果によると、最上位の分類は、Art, Biology, Business, Chemistry, Computer Science, Economics, Engineering, Environmental Science, Geography, Geology, History, Material Science, Mathematics, Medicine, Philosophy, Physics, Political Science, Psychology, and Sociologyの19分類である。
注11 情報が一致しない文献については、MAGのクローリングの問題と思われる場合も多いが、MAGの情報が間違っているケースだけとは限らない。例えば、著者数が一致しない文献の中にはScopusの著者名が「et al.」であるようなケースも存在した。情報が一致しない原因については引き続き検証が必要である。
注12 参考文献が全くない学術論文はかなり限定的な数であると思われるため、ここでは参考文献数がゼロである場合は、参考文献情報が欠損しているとみなした。MAGには参考文献情報があるがScopusにはないケースも2.1%ほど存在した。なお、質の高いジャーナルの方がMAGの参考文献の収録率が高い傾向がある。
注13 2005年出版の文献について、Scopusから作成した出版後7年以内の前方引用数の中央値は8、平均値は19.5であり、MAGの前方引用数の中央値は8、平均値は19.7で、両者はかなり近い値である。もう少し古い文献ではScopusで作成した前方引用数の方が少し大きな値になる傾向がある（2000年に出版された文献では、Scopusの平均値19.6、MAGの平均値17.9、ピアソンの相関係数は0.965）。
注14 塚田・元橋（2018）ではStanford Named Entity Recognition System（Stanford NER）を用いて機関の所在地である国コードを作成することを試みている。
注15 文部科学省科学技術・学術政策研究所 & エルゼビアジャパン株式会社（2018）『Scopus-NISTEP大学・公的機関名辞書対応テーブル（ver.2018.1）』 http://www.nistep.go.jp/research/scisip/randd-on-university
参考文献
1) 塚田尚稔・元橋一之（2018）「Microsoft Academic Graphの書誌情報データとしての評価」NISTEP DISCUSSION PAPER, No.162, National Institute of Science and Technology Policy, Tokyo,
DOI: http://doi.org/10.15108/dp162
2) Hall, B. H., A. B. Jaffe, M. Trajtenberg（2001） “The NBER Patent Citation Data File: Lessons, Insights and Methodological Tools,” NBER Working Paper No.8498, DOI: https://doi.org/10.3386/w8498
3) 後藤晃・元橋一之 (2005)「特許データベースの開発とイノベーション」知財研フォーラム, 63, pp.43-49.
4) Goto, A. and K. Motohashi (2007) “Construction of a Japanese Patent Database and a First Look at Japanese Patenting Activities,” Research Policy, Vol.36, Issue 9, pp.1431-1442,
DOI: https://doi.org/10.1016/j.respol.2007.06.005
5) 中村健太 (2016) 「『IIP パテントデータベース』の開発と利用」国民経済雑誌, 214 (2), pp.75-90.
6) Sinha, A., Z. Shen, Y. Song, H. Ma, D. Eide, B. Hsu and K. Wang (2015) “An Overview of Microsoft Academic Service (MAS) and Applications,” Proceedings of the 24th International Conference on World Wide Web (WWW ’15 Companion), ACM, New York, NY, USA, pp.243-246,
DOI: https://doi.org/10.1145/2740908.2742839
7) Harzing, A. (2016) “Microsoft Academic (Search): a Phoenix arisen from the ashes?” Scientometrics, Vol.108, Issue 3, pp.1637-1647, DOI: https://doi.org/10.1007/s11192-016-2026-y
8) Harzing, A. and S. Alakangas (2017a) “Microsoft Academic: is the phoenix getting wings?” Scientometrics, Vol.110, Issue 1, pp.371-383, DOI: https://doi.org/10.1007/s11192-016-2185-x
9) Harzing, A. and S. Alakangas (2017b) “Microsoft Academic is one year old: the Phoenix is ready to leave the nest,” Scientometrics, Vol.112, Issue 3, pp.1887-1894, DOI: https://doi.org/10.1007/s11192-017-2454-3
10) Hug, S. E. and M. P. Brändle (2017) “The coverage of Microsoft Academic: analyzing the publication output of a university,” Scientometrics, Vol.113, Issue 3, pp.1551-1571,
DOI: https://doi.org/10.1007/s11192-017-2535-3
11) Hug, S. E., M. Ochsner and M. P. Brändle (2017) “Citation Analysis with Microsoft Academic,” Scientometrics, Vol.111, Issue 1, pp.371-378, DOI: https://doi.org/10.1007/s11192-017-2247-8
