《Scientific Data》：A dataset of scientific citations in U.S. patent Office Actions
编辑推荐：
本研究针对美国专利商标局(USPTO)审查意见中科学引用数据难以获取的问题，开发了包含约85万条引用的精选数据集。通过机器学习与文献计量服务，团队重点处理了26.5万篇科学文献引用，完成分类解析与消歧，并关联OpenAlex平台。该资源为研究审查行为、科学-技术关联及引用指标构建提供了新途径，所有数据与代码均开放共享。
在创新驱动发展的时代，专利作为技术创新的重要载体，其审查质量直接关系到创新生态系统的健康度。然而，长期以来研究者们面临一个核心困境：美国专利商标局(United States Patent and Trademark Office, USPTO)审查员在专利审查过程中引用的科学文献数据难以系统获取。这些被称为"办公室审查意见(Office Actions)"中蕴含的引用金矿，因数据可及性挑战而长期未被充分开发利用。
传统研究多依赖专利首页的引用数据，但这些数据往往无法反映审查过程中的深度技术对话。审查员为验证专利申请的新颖性和非显而易见性，需要援引大量科学文献作为现有技术(prior art)。这些散落在审查意见中的科学引用，恰恰是连接基础科学研究与技术创新应用的关键桥梁，对理解知识流动、评估专利质量和优化审查流程具有不可替代的价值。
为破解这一数据困局，研究团队构建了专门针对USPTO办公室审查意见中科学引用的精选数据集。这项发表于《Scientific Data》的研究，通过系统性的数据采集、清洗与增强，打造了包含约85万条引用的知识基础设施。研究团队特别聚焦其中的26.5万条科学文献引用，运用机器学习算法与外部文献计量服务，实现了引文的精准解析与消歧，并将规范化的记录与开放研究元数据平台OpenAlex建立了链接。
关键技术方法包括：从USPTO办公室审查意见中提取约85万条引用数据；采用机器学习分类器将引用划分为14个类别；针对科学文献引用进行解析、清洗和消歧处理；利用外部文献计量服务增强元数据；将消歧后的记录与OpenAlex平台进行链接。
研究结果
数据规模与构成
通过系统提取和整理，数据集共包含850,000条来自USPTO办公室审查意见的引用记录。其中科学文献引用达265,000条，占总引用量的31.2%，凸显了科学知识在专利审查中的重要地位。
分类体系构建
研究建立了包含14个类别的引用分类框架，涵盖专利文献、科学期刊、技术标准等多种文献类型。这种细粒度分类使研究者能够精准分析不同类型引用在审查过程中的功能差异。
科学引用处理流程
针对科学文献引用，研究团队开发了多步骤处理流程：首先进行引文解析，提取作者、标题、期刊等元数据；接着通过机器学习模型进行数据清洗；最后利用文献计量服务完成作者和机构的消歧，有效解决了同名异体、同体异名等传统难题。
OpenAlex集成
为提升数据互操作性和重用价值，所有消歧后的科学文献记录均与OpenAlex平台建立了链接。这种集成不仅丰富了元数据内容，还为多维度交叉分析提供了技术基础。
数据质量验证
通过抽样验证和一致性检查，研究证实了数据处理的准确性。与传统专利引用数据相比，本数据集在覆盖广度和细节深度方面均有显著提升。
研究结论与讨论
这项研究构建的办公室审查意见引用数据集，突破了专利审查数据获取的技术瓶颈，为创新研究提供了新的基础设施。数据集的价值主要体现在三个维度：首先，它使深入研究审查员行为模式成为可能，通过分析引用偏好和决策模式，可为优化审查流程提供实证依据；其次，它搭建了科学-技术关联分析的桥梁，使定量追踪基础科学研究向技术应用转化的路径变得更加精确；最后，它为基础引用指标的创新构建提供了丰富素材，有助于开发更精准的专利质量评估工具。
特别值得强调的是，所有数据和代码的开放共享策略，极大降低了跨学科研究的门槛。法学、经济学、信息科学等领域的研究者均可基于这一平台开展深入探索。数据集与OpenAlex的集成也体现了开放科学的发展趋势，为构建互联互通的知识基础设施提供了示范案例。
未来，随着数据规模的持续扩大和处理方法的不断优化，这一资源有望成为研究创新生态系统的核心数据平台。它不仅有助于深化我们对专利审查制度的理解，还将为创新政策制定和科学研究决策提供更加坚实的数据支撑。
