下载文档原格式
基于知识图谱的国外网络舆论研究的可视化分析作者：刘焕来源：《知识管理论坛》2019年第05期摘要：[目的/意义]旨在全景式认知国外网络舆论研究的状况，为国内网络舆论研究和网络舆论治理实践奠定重要基础。
[方法/过程]以Web of Science数据库中近17年来国外网络舆论研究的期刊论文为研究对象，运用Cite Space V可视化知识网络分析工具和文献计量法，定量分析国外网络舆论的研究现状、研究基础和研究热点等。
[结果/结论]研究发现：近17年来，国外网络舆论研究呈现稳步上升趋势，呈现多学科交叉趋势，地域合作广泛;研究基础聚焦在舆论的“前因”（议程设置、框架分析）、大众舆论的形成“过程”（沉默的螺旋、RAS模型）、网络舆论的“后果”（政治参与、政府信任）等方面;研究热点为网络舆论的影响因素、网络舆论的监测分析、网络舆论对公众网络政治参与的影响。
最后，基于国外网络舆论的研究给出国内网络舆论研究的建议。
关键词：网络舆论;研究基础;文献计量分析;可视化分析分类号：G203引用格式：刘焕. 基于知识图谱的国外网络舆论研究的可视化分析[J/OL]. 知识管理论坛，2019， 4（5）： 296-309[引用日期]. http：///p/187/.互联网和新媒体等多元化传播平台的发展，在拓展公众意见表达空间和政治参与渠道的同时，亦带来诸多负面效应，如网络政治谣言、网络暴力等，威胁着社会稳定和国家安全，使得网络舆论治理成为世界各国共同面临的难题。
当前中国社会舆情生态演变是政治、技术、社会三方力量博弈的动态过程[1]，这使得中国各级政府引导和治理网络舆情面临巨大挑战。
政府回应时限、发布信息真实性、现实问题解决情况、官员问责的情况等会直接影响政府治理网络舆情的效果[2];媒体责任的缺失和媒介问责机制的不健全致使部分媒体出现失实报道的行为，导致网络舆情发生重大偏差[3];部分网民在网络空间发表非理性言论的同时，却较少关注政府的官方回应，导致网络舆情偏差时有发生，威胁了社会稳定，误导了公共决策方向，削减了公众的文化认同。
在知识经济时代，“有效教育不能再集中于曾经需要记忆的、构成稳固知识库的信息块的传播。
教育必须帮助学生学会如何高效学习，这样他们就能应对不断变化的信息、技术、工作与社会环境”，[1]实现高效学习的手段之一即“帮助学生发展必要的认知（智力）工具和学习策略”，[2]对所学知识建模，因为“获得的知识，如果没有完满的结构把它关联在一起，那是一种多半会被遗忘的知识。
一串不连贯的论据在记忆中仅有短促得可怜的寿命。
”[3]知识可视化作为认知工具中的重要表征，在教育领域中有机运用，所能发挥的作用恰如一剂催化剂，“能帮助教师采用学生易于理解和接受的教与学的方式，激发学生的学习动机，使教与学在学生‘想学’、‘愿学’、‘乐学’的心理基础上展开”，[4]在学生“学懂”、“学会”、学活”的能力层次中升华，从而促进有效教与学。
笔者以Knowledge Visualization 为主题关键词，以“2004～2011”为起止日期，从CALIS 外文期刊网数据库中共检索至相关文献共135302篇，经过筛选获得部分有一定代表性的文献，并通过对这些核心文献的仔细研读后发现：国外对于“知识可视化”无论是理论研究、实践研究抑或评价研究都凸显出相当的深广度，尤其是理论研究，更是涌现出一批蕴含较高参考价值、引领学术潮流的文献。
此外，以上诸多研究方向皆保持不断创新、臻于完善的发展态势。
具体主要研究成果大致归纳如下。
一、知识可视化的前世及今生“知识可视化”虽是2004年才正式兴起的新兴研究领域，但“可视化”的相关研究却由来已久。
早在由布洛斯·麦卡米克（Bloss McCamic ）于1987年2月所发表的美国国家科学基金会报告《科学计算中的可视化》（Visualization in Scientific Computing ），可视化（Visualization ）一词即作为专业术语正式出现，由此拉开国外“可视化研究”的序幕。
直到2004年7月，M.J.埃普拉（M.J.Eppler ）和R.A.伯卡德（R.A.Burkhard ）共同编写的工作文档《知识可视化———通向一个新的学科及其应用领域》（Knowledge Visual －ization -Towards a New Discipline and its Fields ofApplication ）[5]发布，则标志着知识可视化正式成为〔摘要〕知识可视化是在科学计算可视化、数据可视化、信息可视化基础上发展起来的新兴研究领域，它应用视觉表征手段促进群体知识的传播和创新，在日益强调有效教与学的今天，已逐步受到越来越多的教育技术学家及一线教学实践者的关注。
国外近十年深度学习实证研究综述主题、情境、方法及结果一、概述：二、主题分类：计算机视觉：该主题主要关注图像识别、目标检测、图像生成等任务。
研究者利用深度学习模型，如卷积神经网络（CNN），在图像分类、人脸识别、物体检测等任务上取得了显著成果。
自然语言处理：自然语言处理是深度学习的另一重要应用领域。
研究者使用循环神经网络（RNN）、长短期记忆网络（LSTM）、变压器（Transformer）等模型进行文本生成、情感分析、机器翻译等任务，推动了自然语言处理技术的发展。
语音识别与生成：深度学习在语音识别和语音合成方面也有广泛应用。
研究者利用深度学习模型进行语音特征提取、语音识别和语音合成，提高了语音技术的准确性和自然度。
游戏与人工智能：深度学习在游戏领域的应用也日益增多。
研究者利用深度学习模型进行游戏策略学习、游戏内容生成等任务，提高了游戏的智能性和趣味性。
医疗与健康：深度学习在医疗领域的应用也备受关注。
研究者利用深度学习模型进行疾病诊断、药物研发、医疗影像分析等任务，为医疗健康领域的发展提供了有力支持。
这些主题分类展示了深度学习在不同领域和应用场景中的广泛应用和巨大潜力。
通过对这些主题的深入研究和分析，我们可以更好地理解深度学习的发展趋势和应用前景。
1. 计算机视觉在计算机视觉领域，深度学习技术的应用已经取得了显著的突破。
近年来，卷积神经网络（CNN）成为了该领域的主导模型，特别是在图像分类、目标检测、图像分割等方面。
AlexNet、VGG、GoogleNet、ResNet等模型的出现，不断刷新了图像分类任务上的准确率记录。
主题：计算机视觉的核心任务是让机器能够像人一样“看懂”图像和视频，从而进行自动分析和理解。
深度学习通过模拟人脑神经元的连接方式，构建出复杂的网络结构，实现对图像的高效特征提取和分类。
情境：计算机视觉的应用场景非常广泛，包括人脸识别、自动驾驶、医学影像分析、安全监控等。
在这些场景中，深度学习模型需要处理的数据集往往规模庞大，且存在噪声、模糊等问题，因此模型的鲁棒性和泛化能力成为研究重点。
国外知识可视化研究的现状与启示——基于Citespace和Vosviewer的知识图谱分析陈萱;黄春娟【摘要】文章旨在探索国外知识可视化的研究现状,为国内研究提供参考借鉴.采用文献计量和知识图谱分析方法,通过Citespace和Pajek工具对WOS平台收录的外文相关文献进行分析.结果显示国外知识可视化研究涉及多个学科的理论与方法,形成了三个研究维度:技术实现维度、心理认知维度、知识管理维度;产生了四大研究前沿:知识库与知识服务平台的构建、知识可视化在教学中的应用、知识可视化的心理认知机制、知识管理与决策支持.可以预见,知识可视化在图书情报领域有广阔的应用前景,国内应加强知识可视化的心理认知机制研究.【期刊名称】《大学图书情报学刊》【年(卷),期】2015(033)004【总页数】7页(P93-99)【关键词】知识可视化;文献计量;知识图谱分析;知识服务;知识可视化心理认知【作者】陈萱;黄春娟【作者单位】南京工业大学,210000;南京工业大学,210000【正文语种】中文【中图分类】G250.13随着知识经济时代的到来，现代社会的知识量剧增，人们接收、理解知识的速度越来越落后于知识更新的速度。
人类迫切需要一种可以帮助其快速理解知识，掌握知识和传播知识的手段和方法［1］，于是一个新兴的研究领域——知识可视化应运而生。
知识可视化是信息可视化技术发展与应用的新阶段，其主要目的是应用视觉表征来促进群体知识的传播与创新。
2004年，国外学者正式提出了知识可视化的定义，2005年我国学者赵国庆对知识可视化的理论基础、研究框架和发展趋势进行了探索［2］，随后图情领域又掀起知识图谱的研究热潮。
知识可视化、知识图谱为知识的处理、分析、表示、传递和服务提供了新的思维方式和工具方法，在计量分析和信息检索等热点研究领域得到了广泛应用，日益成为图情界关注的热点。
本研究在对相关研究文献进行知识图谱分析的基础上，探索了国外知识可视化研究的发展现状，以期为国内知识可视化的研究和应用提供参考与借鉴。
Operations Research and Fuzziology 运筹与模糊学, 2023, 13(3), 1686-1699 Published Online June 2023 in Hans. https:///journal/orf https:///10.12677/orf.2023.133170基于知识图谱的国外信息可视化研究热点和 前沿趋势分析吴铁柱浙江理工大学艺术与设计学院，浙江 杭州收稿日期：2023年4月13日；录用日期：2023年6月10日；发布日期：2023年6月16日摘要数据时代，数据无处不在。
信息可视化是将数据映射为视觉图形，提高对数据的认知效率，传达数据背后的有效信息。
为描绘国际信息可视化领域的研究图景，本文借助CiteSpace 软件，收集和分析Web of Science 核心合集数据库中收录的2007年至2022年信息可视化研究的相关文献，通过构建信息可视化研究的时空分布、研究热点与前沿趋势三个方面的知识图谱，厘清信息可视化的研究范畴和发展趋势。
关键词信息可视化，数据可视化，CiteSpace ，知识图谱，前沿趋势Analysis of Research Hotspots and Frontier Trends of Information Visualization Abroad Based on Knowledge AtlasTiezhu WuSchool of Art and Design, Zhejiang SCI-TECH University, Hangzhou ZhejiangReceived: Apr. 13th , 2023; accepted: Jun. 10th , 2023; published: Jun. 16th , 2023AbstractIn the data age, data is everywhere. Information visualization is to map data into visual graphics, improve the cognitive efficiency of data, and convey the effective information behind the data. In order to describe the research landscape of international information visualization, this paper uses CiteSpace software to collect and analyze the relevant literature on information visualization吴铁柱research from 2007 to 2022 included in the Web of Science core collection database, and clarify the research scope and development trend of information visualization by building a knowledge map of information visualization research in three aspects: spatial and temporal distribution, re-search hotspots and cutting-edge trends.KeywordsInformation Visualization, Data Visualization, CiteSpace, Knowledge Graph, Frontier TrendsThis work is licensed under the Creative Commons Attribution International License (CC BY 4.0)./licenses/by/4.0/1. 引言随着大数据和人工智能时代的到来，数据已经渗透到各行各业，并逐渐成为核心的生产要素。
近十年国外助推理论研究述评及进展近十年来，国外助推理论研究取得了重要进展，涉及到不同领域和多种应用。
以下是对这些研究的简要述评及进展。
助推理论研究主要关注如何使用外部信息来增强推理能力。
研究人员采取了各种不同的方法和技术，包括机器学习、知识表示和推理、自然语言处理等等。
在机器学习方面，研究人员致力于开发新的算法和模型来进行助推理。
其中一种常用的方法是使用监督学习，通过训练数据来预测输入和输出之间的关系。
另一种方法是使用强化学习，通过试错的方式来提高推理性能。
这些方法已经在许多领域和应用中取得了显著的成果，如自动驾驶、自然语言处理和图像识别等。
知识表示和推理是助推理研究的另一个重要方面。
研究人员致力于开发新的数据结构和算法，以表示和推理不同形式的知识。
一种常见的方法是使用图形表示，将知识表示为节点和边的网络结构。
另一种方法是使用逻辑推理，将知识表示为逻辑公式和规则。
这些方法可以帮助计算机更好地理解和利用知识，从而提高推理性能。
自然语言处理也是助推理研究的重要领域之一。
研究人员致力于开发新的技术和模型，以提高计算机对自然语言的理解和处理能力。
其中一种常见的方法是使用词向量表示，将单词表示为向量，从而捕捉它们之间的关系和语义信息。
另一种方法是使用深度学习，通过训练大规模的神经网络来提高自然语言处理性能。
这些方法已经被广泛应用于文本分类、机器翻译和问答系统等任务中。
除了上述领域外，助推理研究还涉及到许多其他应用和领域。
在医疗领域，助推理可以帮助医生更准确地做出诊断和治疗决策。
在金融领域，助推理可以帮助投资者更好地预测市场趋势和风险。
在教育领域，助推理可以帮助学生更有效地学习和掌握知识。
这些应用对助推理研究提出了新的挑战和机遇。
近十年来，国外助推理论研究取得了重要进展。
在机器学习、知识表示和推理、自然语言处理等领域，研究人员致力于开发新的方法和技术，以提高推理性能。
随着应用领域的不断扩展，助推理研究将继续为人工智能和认知科学带来新的突破和进展。
近十年国外助推理论研究述评及进展【摘要】近十年来，国外助推理论研究取得了显著进展，为我国相关领域的发展提供了宝贵的经验和启示。
本文就近十年国外助推理论研究进行了述评，并探讨了该领域的新兴研究方向和技术进展。
借鉴国外研究经验，可以为我国的研究提供借鉴和参考。
文章还对未来国外助推理论研究的重要性进行了分析，展望了未来研究方向并进行总结。
通过对国外助推理论研究的综述与分析，可以帮助我们更好地把握该领域的发展趋势，推动我国相关领域的发展。
【关键词】国外助推理论研究, 近十年进展, 理论研究, 国外研究经验, 新兴研究方向, 技术进展, 趋势分析, 重要性, 未来研究方向, 总结。
1. 引言1.1 研究背景研究背景：近十年来，国外助推理论研究取得了长足的进步。
随着人工智能技术的快速发展，推理理论在各个领域的应用越来越广泛，助推理论作为推理领域的重要分支之一，也受到了重视。
在这样的背景下，国外学者们对助推理论进行了深入研究，不断探索新的理论和方法，为推理技术的发展做出了重要贡献。
在过去的十年中，随着大数据和深度学习等新兴技术的崛起，助推理理论也得到了新的发展机遇。
国外学者们在理论研究和实践中不断探索创新，提出了许多新的理论模型和算法，为助推理技术的发展提供了新的思路和方法。
这些研究成果不仅推动了助推理理论的进步，也为推理技术在实际应用中的发展带来了新的机遇和挑战。
1.2 研究意义近十年来，国外助推理论研究取得了显著进展，对于推动人工智能领域的发展起到了重要作用。
助推理论是建立在推理学、计算机科学和人工智能领域交叉的基础上，致力于研究如何通过智能系统和算法来辅助人类进行思维和决策。
在当前信息爆炸的时代，人类需要更有效的方法来处理海量的信息并做出正确的决策，助推理论的研究正是为了解决这一问题而产生的。
通过对国外助推理论研究的综述，我们可以深入了解该领域的最新进展和发展趋势，借鉴先进的研究经验，为我国的助推理论研究提供借鉴和启示。
在知识经济时代，“有效教育不能再集中于曾经需要记忆的、构成稳固知识库的信息块的传播。
教育必须帮助学生学会如何高效学习，这样他们就能应对不断变化的信息、技术、工作与社会环境”，[1]实现高效学习的手段之一即“帮助学生发展必要的认知（智力）工具和学习策略”，[2]对所学知识建模，因为“获得的知识，如果没有完满的结构把它关联在一起，那是一种多半会被遗忘的知识。
一串不连贯的论据在记忆中仅有短促得可怜的寿命。
”[3]知识可视化作为认知工具中的重要表征，在教育领域中有机运用，所能发挥的作用恰如一剂催化剂，“能帮助教师采用学生易于理解和接受的教与学的方式，激发学生的学习动机，使教与学在学生‘想学’、‘愿学’、‘乐学’的心理基础上展开”，[4]在学生“学懂”、“学会”、学活”的能力层次中升华，从而促进有效教与学。
笔者以Knowledge Visualization 为主题关键词，以“2004～2011”为起止日期，从CALIS 外文期刊网数据库中共检索至相关文献共135302篇，经过筛选获得部分有一定代表性的文献，并通过对这些核心文献的仔细研读后发现：国外对于“知识可视化”无论是理论研究、实践研究抑或评价研究都凸显出相当的深广度，尤其是理论研究，更是涌现出一批蕴含较高参考价值、引领学术潮流的文献。
此外，以上诸多研究方向皆保持不断创新、臻于完善的发展态势。
具体主要研究成果大致归纳如下。
一、知识可视化的前世及今生“知识可视化”虽是2004年才正式兴起的新兴研究领域，但“可视化”的相关研究却由来已久。
早在由布洛斯·麦卡米克（Bloss McCamic ）于1987年2月所发表的美国国家科学基金会报告《科学计算中的可视化》（Visualization in Scientific Computing ），可视化（Visualization ）一词即作为专业术语正式出现，由此拉开国外“可视化研究”的序幕。
直到2004年7月，M.J.埃普拉（M.J.Eppler ）和R.A.伯卡德（R.A.Burkhard ）共同编写的工作文档《知识可视化———通向一个新的学科及其应用领域》（Knowledge Visual －ization -Towards a New Discipline and its Fields ofApplication ）[5]发布，则标志着知识可视化正式成为〔摘要〕知识可视化是在科学计算可视化、数据可视化、信息可视化基础上发展起来的新兴研究领域，它应用视觉表征手段促进群体知识的传播和创新，在日益强调有效教与学的今天，已逐步受到越来越多的教育技术学家及一线教学实践者的关注。
本文以近十年国外部分核心文献为研究基础，对知识可视化相关研究成果加以扼要述评，以期引起国内研究者的关注。
〔关键词〕知识可视化国外研究综述近十年国外知识可视化研究发展述评笪刘超文一个新的研究领域。
在此期间，“可视化”研究发展的境脉大致遵循着“科学计算可视化（Scientific Visu －alization ）→数据可视化（Data Visualiztion ）→信息可视化（Information Vissualization）→知识可视化（Knowledge Visualization ）→……”的轨迹，而巧合的是，此似与学者对“知识体系”的层次划分，即：“数据→信息→知识→智慧”[6]不谋而合，由此，或能让我们对“知识可视化”的未来发展之路———“智慧可视化”产生无限憧憬。
二、知识可视化的实质及比较M.J.埃普拉、R.A.伯卡德在其工作文档中给“知识可视化”下了首个定义，即：“一般来说，知识可视化领域研究的是视觉表征在改善两个或两个以上人之间知识创造和传递中的应用”，并描述了其手段与目的，即“知识可视化是通过提供更丰富的知识视觉表征的方式，以提高人们之间的知识创造和传递；知识可视化的主要目的在于增进个体间的知识密集型交流，例如将新的见解纳入到已有的概念体系中去”。
[7]为更好地区分知识可视化相较于以往“可视化”研究的不同，国内学者赵国庆、黄荣怀、陆志坚等在《知识可视化的理论与方法》一文中为我们从可视化对象、可视化目的、可视化方式和交互类型四个方面对三者进行比较分析，如表1所示：表1数据可视化、信息可视化与知识可视化的比较[8]三、知识可视化的表征及分类关于知识可视化表征方法的分类，许多学者纷纷提出自己的观点，这里姑且罗列三种颇为典型性的分类法：（一）M.J.埃普拉、R.A.伯卡德分类法M.J.埃普拉、R.A.伯卡德将知识可视化表征分为如下六种类型：[8]1.启发式草图（Heuristic Sketches ）：这是一种可以使知识显性化以辅助小组反思和交流思维进程并产生新见解的图画。
如图1所示为利用启发式草图描述了一种物理现象。
图1启发式草图示例2.概念图表（Conceptual Diagrams ）：借助标准化图形（诸如箭头、圆、锥或矩阵等）对抽象观点进行纲要性描述，构造信息和阐明关系。
常见概念图表如图2所示：图2常见概念图表3.视觉隐喻（Vistual Metaphors ）：一种把理解的元素从已掌握的主体迁移到新领域来提供从理解的某些熟悉的事情到某些新的事物的知识可视化方法。
4.知识动画（Knowledge Animations ）：计算机支持的动态的和交互式的可视化，它允许用户通过控制、交互和熟练操纵不同类型的信息来促进知识的生成和传递。
5.知识地图（Knowledge Maps ）：知识地图是遵循制图规则反映知识关系的形象化格式。
6.科学图表（Scientific Diagrams ）：包括知识领域可视化和数字图书馆的可视化界面。
（二）R.A.伯卡德、迈克尔迈耶（Michael Meier ）分类法R.A.伯卡德、迈克尔迈耶吸收“建筑师传递和创造知识的方法”的灵感，于2005年在《向建筑师学习：知识可视化与信息可视化之间的差异》《Learning from Architects ：The DifferencebetweenKnowledgeVisualization and Information Visualization》[9]一文中总结出7类可视化方式：素描（Sketch）、图表（Dia－gram）、地图（Map）、图像（Images）、实物（Objects）、交互式可视化（Interaetive Visualizations）、视觉/故事（Visions/Stories）。
其中地图又可细分为知识地图（Knowledge Map）和概念图（Concept Map）。
（三）D.H.乔纳森（Jonassen）分类法D.H.乔纳森在论文《什么是认知工具？》（What are cognitive tools?）[10]概括出认知工具的5种常用可视化方法：概念图（Concept Map）、思维导图（Mind Map）、认知地图（Cognitive Maps）、语义网络（Se－mantic Networks）、思维地图（Thinking Maps）。
从中可以看出，以上分类法都重点关注知识的“视觉图解表征”，各分类法中存在明显交集，但实践过程中，我们却也并不必完全拘泥于此，事实上凡能促进知识“创造”与“传递”的视觉表征手段皆可成为知识可视化表征的研究对象。
D.H.乔纳森则在《用于概念转变的思维工具———技术支持的思维建模》[11]一书中则为我们整理出更多的表征手段，值得深入学习。
四、知识可视化的框架及模型关于如何利用知识可视化更有效地创造与传递知识，M.J.埃普拉、R.A.伯卡德在其工作文档中为我们搭建好如图3所示的“知识可视化框架”。
图3知识可视化框架[5]该框架涵盖了知识可视化实践过程中需认真思考的三个“关键性问题”，即：可视化什么类型的知识（What）？为什么要对这些知识进行可视化（Why）？如何进行可视化（How）？当然，该框架图表中关于知识类型、可视化目的以及可视化形式的列举只是一个示意，没有绝对的对应关系，具体应用时仍需研究者根据自身需求灵活确定（M.J.埃普拉&R.A.伯卡德，2004）。
以“知识类型”为例，除了图3所提及的拉塞尔阿克夫（Russell Ackoff）知识分类法外，某些场合下，布罗姆的认知目标分类理论（2001修订版）中的知识分类法，即“事实性知识、概念性知识、程序性知识及元认知知识”亦是不错的选择。
2005年，R.A.伯卡德在论文《可视化策略》（Strategy Visualization）中对上述研究框架进行修订与完善，如图4所示：图4知识可视化框架（修订版）[12]同样，该框架亦需实践者对四个“关键性问题”作认真思考，即：可视化目的为何？知识类型为何？知识接受者为何？可视化效果为何？与此同时，R.A.伯卡德在论文《构建知识可视化框架与模型：信息可视化与知识可视化之间的协同作用》（Towards a Framework and a Model for Knowledge Visualization：Synergies Between Information and Knowledge Visu－alization）还为我们构建出“知识可视化（实施）模型”，如图5所示：图5知识可视化模型该模型描述了知识“发送者”与“接受者”之间知识传递的互动迭代过程：该过程起始于“推送”知识的“发送者”，他关于某方面知识的心智模式外化为各种显性、辅助性的视觉表征过程可以被分为三个子过程：第一，发送者首先需获得接受者的注意；第二，发送者需要描述知识背景，提供一个知识概览，并展示具体的行动选项；第三，发送者通过与接受者进行以上一系列“生成性”会话最终指向“预设性”的知识细节，进而让接受者借助这些视觉表征，并结合自身的心智模式重构类似知识。
在此过程中，由于双方不同的假设、信念、背景，推论和误解等的发生，常常导致知识重构失败。
因此，发送者还需根据接受者“回送”的反馈信息对可视化进行反复改进直至知识“传递”成功。
[13]五、知识可视化的应用及评价通过对国外历年（2004～2011）关于“知识可视化”的相关文献数量分析，得出如图6所示的统计分析图。
图6知识可视化历年相关研究文献数量汇总图（2004～2011）从中不难看出国外对于知识可视化研究热度总体趋于高位平稳。
而在这些文献中，所涉及的研究应用领域也较为广泛，譬如：计算机科学、生物医药工程、商业资讯、知识管理、专家系统等诸多领域。
尤以计算机科学为例，其研究的文献数量之最，也充分体现出“计算机科学”在推动“知识可视化”研究进程中所发挥的举足轻重的作用中。
另通过对包含草图、图表、概念图等在内的各类“图形组织器（Graphic organizer）[14]”相关文献数量分析，得出如图7所示的统计分析图。
