5、学科规范化引文影响力（CNCI）

指标解释：

所谓一篇文献的学科规范化的引文影响力（Category Normalized Citation Impact），是通过其实际被引次数除以同文献类型、同出版年、同学科领域的期望被引次数获得的。当一篇文献被划归至多于一个学科领域时，则使用实际被引次数与期望被引次数比值的平均值。一组文献的CNCI，例如某个人、某个机构或国家，是该组中每篇文献CNCI的平均值。

对于一篇只被划归至一个学科领域的论文，其CNCI可用下列公式计算：

  其中e=期刊引用率或基线，c=总被引次数，p=；论文总数，f=学科领域，t=出版年，d=文献类型，n=论文被划归的学科领域数，i=被评估的实体的编号（机构、国家、个人等）。CNCI是一个十分有价值且无偏的影响力指标，它排除了出版年、学科领域与文献类型的影响。如果CNCI的值等于1，说明该组论文的被引表现与全球平均水平相当；CNCI大于1表明该组论文的被引表现高于全球平均水平；小于1，则低于全球平均水平。CNCI等于2，表明该组论文的平均被引表现为全球平均水平的2倍。由于CNCI是一个排除了出版年、学科领域与文献类型的作用的无偏影响力指标，因此使用它可以进行不同规模、不同学科混合的论文集的比较。

6、国际合作论文数以及国际合作论文占比

指标解释：

所谓国际合作论文(International Collaboration)是指包含一位或多位国际共同作者的论文。国际合作论文百分比(% of International Collaborations)是某论文集（如上描述）中，国际合作论文的数量除以该论文集的论文总数的数值，以百分数的形式表现。国际合作论文百分比指标体现了机构或科研工作者吸引国际合作的能力。

7、平均百分位

指标解释：

一篇论文的百分位是通过建立同出版年、同学科领域、同文献类型的所有论文的被引频次分布（将论文按照被引频次降序排列），并确定低于该论文被引次数的论文的百分比获得的。如果一篇论文的百分位值为1，则该学科领域、同出版年、同文献类型中99% 的论文的引文数都低于该论文。百分位是一个规范化的指标，一篇论文的百分位体现了其在同学科、同出版年、同文献类型的论文集中的相对被引表现。

对于一组论文来说，平均百分位可以通过计算该组论文中所有论文的百分位的平均值而获得。当一篇论文被划归至多个学科领域时，使用百分位值最接近0的学科领域的百分位值（最佳表现值）。

8、论文被引百分比

论文被引百分比指标是一组出版物中至少被引用过一次的论文占总论文数的百分比。这个指标揭示了某科研领域其他科研工作者引用本机构科研成果的程度。另一种阐释这个指标的角度是，可以得到相应的没有得到过引用的论文的百分比。需要注意的是，论文被引百分比指标将会根据分析中包含的时间段和文献类型而发生变化。论文被引百分比不是一个规范化的指标。例如，如果分析中包含当年或近年发表的论文，其中的某些文献可能没有足够长的时间来积累引文。

9、被引次数排名前1%的论文百分比、被引次数排名前10%的论文百分比

指标解释：

被引次数排名前1%的论文百分比指标是在某一指定学科领域、某一年、某种文献类型下，被引频次排名前1%的文献数除以该组文献的总数的值，以百分数的形式展现。该指标数值越大，表明该组文献表现越好。如果某组论文该指标值等1%，说明该组论文中有1%的论文位于全球同类论文（同一学科、出版年和文献类型）被引次数排名的前1%，也说明这组论文的水平与全球平均水平相当。一个高于1%的值，代表该组论文中超过1%的论文位于全球同类论文排名的前1%，同样的，一个低于1%的值代表该组论文中不足1%的论文位于全球同类论文排名的前1%。

被引次数排名前1%的论文百分比指标通常被认为是反映高水平科研的指标，因为只有那些高被引论文才能在相应的学科领域、出版年与文献类型中排名前1%。这组指标可以与其他指标一起使用，以提供更为全面的科研绩效蓝图。被引次数排名前1%的论文百分比指标可以被应用于任何层级的论文集（作者、机构、国家/国际、学科领域）。

当然，尽管排名前1%可以衡量高水平科研，但是从本质来讲，它通常只代表了一组论文集中很少一部分，因此小样本量的统计学相关性成为该指标的一个重要问题。因此，被引次数排名前1%的论文百分比最好与大样本量数据集一起使用，例如某机构、国家或地区在若干年内累积的论文。

被引次数排名前10%的论文百分比与被引次数排名前1%的论文百分比十分类似，只是将阈值从1%变为10%。此时，评估的基准是10%，高于10%将被认为高于平均绩效水平。这两个指标互相补充，提供了更为宽泛的优秀科研（10%）与杰出科研（1%）的全景图。

从上一个指标的分析可以看出，当数据集较小的时候，使用被引次数排名前10%的论文百分比，比使用被引次数排名前1%的论文百分比更为合适。当然，对于大中型数据集该指标同样适用。但是，在用来分析小型数据集，如个人研究产出时应该谨慎使用。