《心理科学进展》等期刊，在综述类文献的论文自检报告中，通常会要求计算近5年文献所占比例，以体现综述的时效性。一篇综述文章的文献一般较多，靠人工计数的方式计算近5年文献占比，不仅费时，且容易产生误差。如何用 R 完成这一工作呢？以下用不到8行的代码解决这一问题。

以下假定所有文献均按《心理科学进展》规定的“参考文献著录要求”、即 APA 格式撰写。为简便分析，假定文献只包含以下三种模式。

  1. 汪新建, 张慧娟, 武迪, 吕小康. (2017). 文化对个体风险感知的影响: 文化认知理论的解释. 心理科学进展, 25 (8): 1251–1260.
  2. Pohl, R. F. (Ed.). (2012). Cognitive illusions: A handbook on fallacies and biases in thinking, judgement and memory. New York: Psychology Press.
  3. 吕小康. (2016-9-14). 建设人文主义导向的中国本土心理学. 光明日报(理论版), p14.

应该说，绝大多数的引用文献都属于这三种模式之一。这里暂不涉及未发表文献的引用，以及网络资料的引用，以及其他复杂情况的引用，以简化模型。

要提取其中的年份信息，关键在于识别其统一的模式。按 APA 格式的一般要求，作者后面一般就用小括号给出发表年份，因此通常的思路可能会考虑提取括号中的数字，但这里涉及如下问题：

  • 小括号不止一个，如上面的第2条文献所列。
  • 小括号中的数字不止包括年份，还包含月份或日期。

尽管如此，通过分析 APA 参考文献著录格式，基本上可以确定以下要点：

  • 年份信息包含在一对英文小括号中。
  • 年份信息均为4位数编码，且紧跟在左括号(后，中间没有空格。
  • 作者姓名部分不会现出小括号 + 数字的模式。

综上，不必理会年份之前是否包括其他的小括号，如(Ed.)；也不必管年份之后是否还包括月份日期的信息。凡是第一次出现左括号 + 4位数年份的模式即是要提取的年份信息，例如：

  • (2017)中(2017的2017
  • (Ed.). (2012)中(2012的2012
  • (2016-9-14)中(2016的2016

确定以上信息后，即可着手提取相关年份信息。

这里使用 tidyverse 系列包中的 stringr 和 dplyr 包实现上述目标。完全理解下列命令需掌握一定的正则表达式（regular expression）基础。

示例数据采用上面文献1中的参考文献，同时增加了3条报纸文献，以丰富文献格式模式。

if (!require(tidyverse)) install.packages(tidyverse) # 载入tidyverse包，若无此包则先安装
reference_list <- read.csv("reference_list.csv") # 读入文件
reference_list <- mutate(
  reference_list,
  year = str_extract(reference_list$title, "(?<=\\()[0-9]{4}") %>%
  as.numeric()
  )
mean(reference_list$year >= 2013, na.rm = TRUE) %>% 
  round(2) # 计算2013年以来（含）的文献占比，本保留两位小数

重点在于解释str_extract()命令中的模式"(?<=\\()[0-9]{4}"，其中

  • ?<= 表示向后查找
  • \\( 表示小括号，其中\\是 R 中的转义符
  • (?<=\\() 中最外层的小括号用于匹配字符组合，括号内的字符串作为整体被匹配，本身无实际含义
  • [0-9]表示任意数字，{4}表示重复4次，以代表4位数年份
  • "(?<=\\()[0-9]{4}" 表示匹配左括号 + 4位数年份的模式

整体上，整串命令的其他函数功能解释如下

  • str_extract(x, "pattern") 表示提取字符串向量x中第一次出现的指定模式
  • %>% 表示管道操作符（pipe opretor），即将上一个函数的结果传递作为下一个函数的操作对象
  • as.numeric()用于将提取结果转为数值型向量以便后续计算，否则默认为字符型
  • mutate(dataframe, var = expression) 用于在原数据框中新增变量，即这里的year。
  • reference_list$year >= 2013 返回逻辑向量，满足条件为TRUE，反之为FALSE
  • mean(reference_list$year >= 2013) 表示对逻辑值（实际储存为0-1整形向量，TRUE为1，FALSE为0）求均值，即比例
  • mean(x, na.rm = TRUE) 表示剔除缺失值再求均值，若不符合指定模式，str_extract() 会返回NA，此部分文献实际上较为罕见，这里将之排除

类似地，若输入mean(reference_list$year >= 2008 & reference_list$year < 2013) 即求出2008至2012年的文献占比。至此目标达成。

今后应用中，确保参考文献按 APA 格式撰写后，另存为.csv文件导入（第一行为列名），输入指定基数年份（如这里的2013，随投稿年份不同而不同），即可完成相应计算。二审、三审修改稿时也往往涉及参考文献的增删，同样可重复执行上述命令，重新计算不同年份区间的占比情况。