建议收藏，SCI期刊实时影响因子的意义和算法

作为评估SCI体系的重要参数，IF自从创建以来，争议与荣誉伴行。而企图取代IF的新参数尝试也一直不断。比如Google学术的评价指标：H指数，H核心，H5指数，H5中位数。另外，Elsevier集团基于Scopus数据库还开发了CiteScore评价体系。但是IF一直被模仿，却从未被超越。

今天我们就来教大家一项很重要的能力：如何计算一篇期刊的实时影响因子。

首先我们先讲一下，

为什么要学习计算实时影响因子？

计算实时影响因子是很多（但不是所有）科研工作者必须掌握的学术硬知识，是和其他诸多SCI相关背景一样具有独特价值的能力。举例来说，比如你需要在今年（2019年）发表一篇IF大于３的杂志才能毕业，但是我们现在所知道的某杂志的影响因子都是2018年的。这时候该怎么办呢？能不能预测或大概估计一下某本期刊2019年的影响因子呢？尤其是能不能知道我想投的几本杂志的IF不要比去年大跌呢？答案是可以的！

接下来，我们就用截图的方式

来给大家展示一下

如何计算一本期刊的实时影响因子。

我们以Molecular Cancer这本杂志为例。

公式：2019 IF=2019年M杂志被引用的总次数 /（2017年发文数量+ 2018年发文数量）

第一步：

进入Web of Science 后，限定数据库为Web of Science 核心合集（图1）
 

第二步：

输入杂志名（图2）

第三步： 

选定时间跨度（图3）。

第四步： 

进入创建引文报告（图4）

 第五步：

得到引用总体结果（图5）。

然后从中选取2017-2018的发表量和2019的引用次数，相除得到的数值就是该期刊初步的影响因子（约为9.3）。由于2019年完整的引用次数是在2019年底（或者说2020年初）才能得出，所以我们目前统计的只是该杂志的实时IF。这里大家都不难想到，随着2019年下半年该杂志引用次数的继续增加，Molecular Cancer的2019影响因子肯定会比9.3高。换句话说，Molecular Cancer 2019年IF破10是大概率事件。

因此，可以看出，掌握IF的计算公式，是对未来预测的一种能力。

另外值得注意的是，我们自己用上述方法计算IF的结果往往与正式发布的IF存在细微差别，其中可能的原因包括：纳入的最终发表文章数量有所细微不同、统计最终引用次数可能有所偏差、部分存在算法校正等情况。但这些误差只是细微，并不会影响杂志的整体水平波动。