说到比较重要的英文文献数据库，大家第一个想起的或许是PubMed，当然还有Web of Science，Scopus等。

霍普金斯大学医学院(左)和哈佛大学医学院(右)图书馆首页的Popular Resources列出了一些常用的英文数据库，包括PubMed, Web of Science等来源 (来源: welch.jhmi.edu, www.countway.harvard.edu，获取日期: 2017/6/29)

现在也有越来越多的研究人员在精心维护着自己的Google Scholar主页。

(来源：google.com) 

确实，在评定学术产出的影响力方面，在线的数据库具有越来越大的影响力。然而，你有没有观察过，在不同的数据库中，同一个人的论文数量、文献引用次数、h-index等学术产出指标有些许不同？(h-index同时衡量了论文的篇数和被引用的次数，比单纯的看影响因子更加全面，更加能够体现学术产出的质量。如果对h-index的计算有兴趣，请看本文最后的附录)

以霍普金斯大学公卫学院的Elizabeth Selvin教授为例，其在Google Scholar和Scopus主页上的论文引用数分别为27030和15118，h-index分别为59和52。显然，这名教授好像在Google Scholar上更有学术影响力。

Elizabeth Selvin教授的Google Scholar(左)和Scopus(右)的引用情况、h-index (来源：google.com, scopus.com)

为了解决这个困惑，来自New York University Langone Medical Center的研究团队利用其所有教职员工进行了一个大规模的分析，让大家能够直观地意识到不同数据库的区别。

研究选取了1469名在PubMed, Web of Science, Scopus, Google Scholar至少有1个h-index大于0的科研人员，并记录其学科领域和所属的学院或机构。之后，用Mann–Whitney U秩和检验比较了每位作者的论文数量、引用数量、h-index。结果1. 论文数量方面，Google Scholar > Web of Science > Scopus > PubMed

2. 引用数量差异比较：对于每位作者，Scopus平均比Web of Science引用数多836，h-index高6.4。还有一些有趣的发现，比如，有Ph.D.学位的科研人员比有M.D.s, D.O.s, D.D.S.s或者Dual degree的科研人员有着更显著的h-index差异（图1）； 

图1. Scopus与Web of Science的h-index的差值的绝对值比较

随着教职的增高，h-index的差异更加显著（图2）。

图2. Scopus与Web of Science的h-index的差值的绝对值比较

h-index的差异与被引用次数的差异关联更大，而与论文数量的差异关联较小（图3）。这也意味着h-index更加受到引用数量的影响。若想得到准确的h-index，引用数量需要更加准确。

图3. Scopus与Web of Science的h-index差值绝对值和：引用次数差值绝对值(左)/论文数量差值绝对值(右)的关系

然而，为什么不同数据库引用数量会有所不同呢？产生差异的原因主要是数据库所收录的文章数、引用次数不同，同时每个数据库的算法也不尽相同。比如，PubMed一共有近400万条引用，而Google Scholar有约1.6亿条引用，约是PubMed的40倍。

同时，一些不可避免的误差也会导致引用数量的变化，比如杂志名称缩写不同、页码不统一、甚至笔误都有可能导致引用文章不匹配，最终少算了引用数量。尤其对于Scopus这样自动规整作者信息、进行归类的数据库，一个作者很可能拥有多个Profile，导致论文数、引用数降低，h-index因此降低。

那么，你应该怎么办?文章最后的3个建议1. 建立一个Google Scholar的资料页

许多外国大学的学生、教职人员都有属于自己的Google Scholar的学术档案，可以自己完善论文发表情况，并由Google计算相应的指数。同样以Elizabeth Selvin教授为例，这个页面汇集了所有发表的文章及其合作者，以及引用数、h-index等指标，也很容易在Google上搜索到。

Elizabeth Selvin教授的Google Scholar主页 (来源：Google Scholar, 获取日期: 2017/6/29)

Google Scholar的结果通常在搜索结果的较前面 (来源：Google Scholar, 获取日期: 2017/6/29)

由于众所周知的原因，在中国使用Google Scholar不是很方便，但是仍然有很多中国科研人员通过各种方法建立了自己的页面，非常有利于合作者查看。2017年两会期间，有报道称谷歌学术可能成为第一批返回中国大陆的应用，也让我们拭目以待。

有报道称谷歌学术即将重返中国大陆 (来源：sohu, 获取日期: 2017/6/29)

2. 合并自己在Scopus上隶属于不同机构的的资料页

按照Scopus的说法，其作者标识符功能使用了根据一定标准对作者进行匹配的算法，为同一名作者所著的文献分配一个唯一的编号。因此，有时会可到一个作者有多个条目的情况，尤其是很多时候一个作者可能隶属于不同研究机构。因此尽量将属于自己的资料页进行合并，这样才会有更多的引用数量，提高自己的h-index。

Elizabeth Selvin教授的Scopus主页 (来源：Scopus, 获取日期: 2017/6/29)

3. 注册一个ORCID的ID，合并不同的数据库资料 

ORCID的全名是开放的研究员和贡献者ID (Open Researcher and Contributor ID)，用以 “方便和唯一地将自己的身份连接到研究对象，如数据集、设备、文章、媒体报导、引文、实验、专利和笔记”(来源: orcid.org)，解决作者在科学文献等出版物上人名不唯一而导致难以识别的问题。尤其好的是可以连接包括Scopus在内的众多数据库，更好地把文献作者和其所有的文章联系在一起。现在，也有越来越多的期刊要求使用这个识别码。

ORCID网站（来源：orcid.org）

附录：什么是h-index对于一个人发表的所有文章，有h篇分别被引用了至少h次。

计算方法：将所有已发表文章的引用次数f从高到低排序，然后寻找最后一个引用次数f≥位置序号p的位置

比如： A发表了5篇文章，排序后，被引用次数分别为10 (1)，8 (2)，5(3)，4(4)，3(5)； B 发表了7篇文章，排序后，被引用次数分别为25 (1)，15 (2)，8 (3)，7 (4)，6 (5)，3 (6)。 （其中括号中数字为引用次数降序排列后的位置序号，1，2，3，4，5…逐渐增加）

红色的两篇分别为A 和 B最后一个引用次数f≥位置序号p的位置，即A的h指数是4，B 的h指数是5。

现在我们回去看一下定义： - 对于A发表的文章，有至少4篇被分别引用了4次； - 对于B发表的文章，有至少5篇被分别引用了5次。

h指数同时衡量了论文的篇数和被引用的次数，比单纯的看影响因子更加全面，更加能够体现学术产出的质量。比如上面的例子中，就h指数来看，B的学术成就大于A的学术成就。