我国ASD者面孔识别研究热点知识图谱(1)
摘要 为比较准确地了解国内ASD者面孔识别研究的热点和前沿，为今后研究提供行之有效的建议，采用关键词共词分析法，利用Bicomb软件及SPSS软件绘制了从中国知网中查询到的55篇文献的热点知识图谱。研究结果发现：ASD者面孔识别研究热点主要围绕在5大领域：社会能力研究、面孔加工和情绪面孔加工研究、认知和情绪加工的功能性磁共振成像(fMRI)研究、面孔加工的神经机制和生理指标研究、情绪认知干预研究。为避免已有研究热点存在的5方面不足，后继研究者应该从5个方面人手以期获得更多的创新性研究成果。
关键词 ASD，面孔识别，研究热点，知识图谱。
分类号 B846
1.引言
面孔不仅承载能够反映个体性别、年龄、民族等固有特征方面的信息，而且还可以传递美丑、喜好、厌恶等社会方面信息。在传统面对面的人际交往中，人际交往后果往往由个体的面部构成、体态、面部表情、注视方向、亲密和信任感等综合因素所影响(Barkhi，Jacob，Pirkul，1999)。已有研究发现，自闭症谱系障碍者产生社交障碍的重要原因在于其面孔认知技能的缺失，导致其难以与他人建立良好的人际关系(郭嘉，静进，邹小兵，唐春，2011；樊越波，揭晓锋，邹小兵，2011；杨利芹，汪凯，朱春燕，2011)。Langdell于1978年最早对自闭症谱系障碍(autismspectrum disorders，ASD)者面孔认知障碍进行研究，他发现自闭症儿童对面孔的识别异于正常儿童以情绪为主的归类，他们更倾向于以无关的外在维度(如是否戴帽子)作为面孔识别的归类标准。Lang-dell(1978)的研究结果，引起了更多的后继研究者对ASD者面孔识别障碍的关注。20世纪90年代，逐渐兴起的认知神经科学以及眼动仪和脑成像技术的普及，促进了对ASD者面孔识别研究由传统的行为学实验研究，向使用现代技术的神经机制的研究方法转变。国内研究者敏锐的抓住了这一时机，采用眼动议、ERP和fMRI等技术对ASD者的面孔识别障碍这一研究热点问题展开了研究，取得了一定的研究成果。但已有的相关研究成果更多的散布在不同的刊物中，尚未见到有研究者对国内ASD者面孔识别的已有研究成果整合的研究资料。为了更精确地梳理这方面的已有研究成果，详细展示它们所覆盖的研究领域，发现存在的不足，进而指导我国ASD者面孔识别未来的研究走向，借鉴和采用国际上比较流行的科学计量方法，以关键词共词法和聚类分析、多维尺度分析法为主要研究手段，绘制了国内ASD者面孔识别研究热点知识图谱。
2.资料来源与研究方法
2.1 资料来源
首先，查找资料。进入中国学术期刊网络出版总库，检索控制条件中对期刊年期不限定，内容检索条件采用主题词为“自闭症”(“孤独症”、“自闭症谱系障碍”、ASD、“阿斯伯格”、AS)和“面孔”(或者“面部”)相结合，共查阅到符合要求文献57篇。查阅时间为2013年6月5日。其次，对文献进行取舍。在57篇文献中，剔除重合文献，共检索到有效文献55篇。其中学位论文13篇，会议论文9篇，其余23篇均为期刊论文。最后，标准化材料。对不同刊物来源的关键词进行标准化，如将：自闭症、自闭症儿童、自闭症谱系障碍、孤独症、孤独性障碍、阿斯佩格综合征、阿斯伯格综合征全部合并为自闭症；将梭形面部区、梭状回面孔区合并为梭状回面孔区等。
2.2 研究工具
中国医科大学崔雷教授和沈阳市弘盛计算机技术有限公司开发的Bicomb共词分析软件，SPSS20.0。
2.3 研究进程
首先，确定关键词。其次，建立关键词词篇矩阵。再次，进行聚类分析。将共词矩阵导入SPSS20.0中，采用样本聚类，得出关键词的聚类树图。第四，结合聚类结果，对系数相异矩阵运用SPSS20.0进行多维尺度分析，绘制出关键词知识图谱。最后，结合聚类和知识图谱进行解释和分析。
3.研究结果与分析
3.1 关键词词频统计及分析
总关键词为241次，对标准化后的26个关键词进行排序，结果见表1。
从表1可以看出，26个关键词，总呈现频次为138次，占关键词总频次241次的57.26%。其中，前8位关键词出现频次均大于等于6，依次为自闭症(42次)、面孔加工(9次)、眼动(8次)、表情识别(8次)、自闭症儿童(7次)、面部表情(6次)、身份识别(6次)、杏仁核(6次)，其余18个关键词出现频次均大于2次。这一结果初步说明，ASD者面孔加工多以对自闭症儿童在面部表情与面孔身份识别方面的眼动和脑机制研究为主。
3.2 关键词相异系数矩阵
为了更好的探寻关键词之间的关系，用Bicomb共词分析软件对26个关键词进行共词分析，生成词篇矩阵。将该矩阵导入SPSS20.0，选取Ochiai系数将其转化为一个26×26的共词相似矩阵。采用相异矩阵=1-相似矩阵，产生相异矩阵。相异矩阵中数值的大小表明对应的两个关键词间的距离远近，数值越接近1，表明关键词间的距离越远，相似度越小；数值越接近0，则归之。
从表2可以看出，各个关键词距离自闭症由近及远的顺序依次为：面孔加工(0.531)、眼动(0.558)、表情识别(0.613)、面部表情(0.617)、身份识别(0.681)、自闭症儿童(0.941)。它表明，在选取的文献中，研究将自闭症与面孔加工和眼动相结合进行研究的几率，大于将其与后4种关键词的结合。仔细对表中的系数大小进行分析，可以发现，眼动和面孔加工、自闭症、身份识别经常呈现在一起(距离最接近)；面部表情和自闭症、表情识别和身份识别较多的呈现在一起。
3.3 关键词聚类分析
为了更直观的展示关键词之间的亲疏关系，将bicomb产生的词篇矩阵导入SPSS20.0进行聚类分析，结果见图1。 (郭文斌 方俊明)
关键词 ASD，面孔识别，研究热点，知识图谱。
分类号 B846
1.引言
面孔不仅承载能够反映个体性别、年龄、民族等固有特征方面的信息，而且还可以传递美丑、喜好、厌恶等社会方面信息。在传统面对面的人际交往中，人际交往后果往往由个体的面部构成、体态、面部表情、注视方向、亲密和信任感等综合因素所影响(Barkhi，Jacob，Pirkul，1999)。已有研究发现，自闭症谱系障碍者产生社交障碍的重要原因在于其面孔认知技能的缺失，导致其难以与他人建立良好的人际关系(郭嘉，静进，邹小兵，唐春，2011；樊越波，揭晓锋，邹小兵，2011；杨利芹，汪凯，朱春燕，2011)。Langdell于1978年最早对自闭症谱系障碍(autismspectrum disorders，ASD)者面孔认知障碍进行研究，他发现自闭症儿童对面孔的识别异于正常儿童以情绪为主的归类，他们更倾向于以无关的外在维度(如是否戴帽子)作为面孔识别的归类标准。Lang-dell(1978)的研究结果，引起了更多的后继研究者对ASD者面孔识别障碍的关注。20世纪90年代，逐渐兴起的认知神经科学以及眼动仪和脑成像技术的普及，促进了对ASD者面孔识别研究由传统的行为学实验研究，向使用现代技术的神经机制的研究方法转变。国内研究者敏锐的抓住了这一时机，采用眼动议、ERP和fMRI等技术对ASD者的面孔识别障碍这一研究热点问题展开了研究，取得了一定的研究成果。但已有的相关研究成果更多的散布在不同的刊物中，尚未见到有研究者对国内ASD者面孔识别的已有研究成果整合的研究资料。为了更精确地梳理这方面的已有研究成果，详细展示它们所覆盖的研究领域，发现存在的不足，进而指导我国ASD者面孔识别未来的研究走向，借鉴和采用国际上比较流行的科学计量方法，以关键词共词法和聚类分析、多维尺度分析法为主要研究手段，绘制了国内ASD者面孔识别研究热点知识图谱。
2.资料来源与研究方法
2.1 资料来源
首先，查找资料。进入中国学术期刊网络出版总库，检索控制条件中对期刊年期不限定，内容检索条件采用主题词为“自闭症”(“孤独症”、“自闭症谱系障碍”、ASD、“阿斯伯格”、AS)和“面孔”(或者“面部”)相结合，共查阅到符合要求文献57篇。查阅时间为2013年6月5日。其次，对文献进行取舍。在57篇文献中，剔除重合文献，共检索到有效文献55篇。其中学位论文13篇，会议论文9篇，其余23篇均为期刊论文。最后，标准化材料。对不同刊物来源的关键词进行标准化，如将：自闭症、自闭症儿童、自闭症谱系障碍、孤独症、孤独性障碍、阿斯佩格综合征、阿斯伯格综合征全部合并为自闭症；将梭形面部区、梭状回面孔区合并为梭状回面孔区等。
2.2 研究工具
中国医科大学崔雷教授和沈阳市弘盛计算机技术有限公司开发的Bicomb共词分析软件，SPSS20.0。
2.3 研究进程
首先，确定关键词。其次，建立关键词词篇矩阵。再次，进行聚类分析。将共词矩阵导入SPSS20.0中，采用样本聚类，得出关键词的聚类树图。第四，结合聚类结果，对系数相异矩阵运用SPSS20.0进行多维尺度分析，绘制出关键词知识图谱。最后，结合聚类和知识图谱进行解释和分析。
3.研究结果与分析
3.1 关键词词频统计及分析
总关键词为241次，对标准化后的26个关键词进行排序，结果见表1。
从表1可以看出，26个关键词，总呈现频次为138次，占关键词总频次241次的57.26%。其中，前8位关键词出现频次均大于等于6，依次为自闭症(42次)、面孔加工(9次)、眼动(8次)、表情识别(8次)、自闭症儿童(7次)、面部表情(6次)、身份识别(6次)、杏仁核(6次)，其余18个关键词出现频次均大于2次。这一结果初步说明，ASD者面孔加工多以对自闭症儿童在面部表情与面孔身份识别方面的眼动和脑机制研究为主。
3.2 关键词相异系数矩阵
为了更好的探寻关键词之间的关系，用Bicomb共词分析软件对26个关键词进行共词分析，生成词篇矩阵。将该矩阵导入SPSS20.0，选取Ochiai系数将其转化为一个26×26的共词相似矩阵。采用相异矩阵=1-相似矩阵，产生相异矩阵。相异矩阵中数值的大小表明对应的两个关键词间的距离远近，数值越接近1，表明关键词间的距离越远，相似度越小；数值越接近0，则归之。
从表2可以看出，各个关键词距离自闭症由近及远的顺序依次为：面孔加工(0.531)、眼动(0.558)、表情识别(0.613)、面部表情(0.617)、身份识别(0.681)、自闭症儿童(0.941)。它表明，在选取的文献中，研究将自闭症与面孔加工和眼动相结合进行研究的几率，大于将其与后4种关键词的结合。仔细对表中的系数大小进行分析，可以发现，眼动和面孔加工、自闭症、身份识别经常呈现在一起(距离最接近)；面部表情和自闭症、表情识别和身份识别较多的呈现在一起。
3.3 关键词聚类分析
为了更直观的展示关键词之间的亲疏关系，将bicomb产生的词篇矩阵导入SPSS20.0进行聚类分析，结果见图1。 (郭文斌 方俊明)