Empowering Research Through Bibliometric Insights. biblio@vietscies.com Zalo 0916 086 008
Công cụ

Hướng dẫn chạy Bibliometrix bằng R cho người mới bắt đầu

Từng bước chạy gói bibliometrix trong R: nhập dữ liệu, thống kê mô tả, dựng mạng, bản đồ chủ đề, sơ đồ ba trường và giao diện biblioshiny.

13 phút đọc Cập nhật 2026-11-21 Biblio VietSCI

Bibliometrix là gói R mã nguồn mở do Aria và Cuccurullo giới thiệu năm 2017, cung cấp quy trình đầy đủ cho phân tích trắc lượng thư mục: nhập và chuyển đổi dữ liệu, thống kê mô tả, phân tích trích dẫn, dựng mạng và bản đồ chủ đề. Điểm mạnh lớn nhất của bibliometrix là tính tái lập: toàn bộ phân tích nằm trong một tệp mã, chạy lại được bất cứ lúc nào. Bài viết này hướng dẫn những lệnh cốt lõi để bạn tự chạy một phân tích hoàn chỉnh.

Cài đặt R, RStudio và gói bibliometrix

Bước 1: Cài R

Tải R từ CRAN (cran.r-project.org) theo hệ điều hành của bạn. Nên dùng phiên bản R mới để tương thích với bản bibliometrix hiện hành.

Bước 2: Cài RStudio

RStudio Desktop (do Posit phát hành) là môi trường soạn mã giúp quản lý dự án, xem bảng dữ liệu và biểu đồ thuận tiện hơn.

Bước 3: Cài gói bibliometrix

Mở RStudio, gõ lệnh cài đặt trong cửa sổ Console. Quá trình tải các gói phụ thuộc có thể mất vài phút.

install.packages("bibliometrix")
library(bibliometrix)
Lưu ý Tên hàm và tham số có thể thay đổi giữa các phiên bản. Mã dưới đây đúng với cách dùng phổ biến tại thời điểm viết (11/2026); nếu gặp lỗi, hãy xem tài liệu bằng lệnh help kèm tên hàm, ví dụ help(convert2df).

Nhập dữ liệu bằng convert2df

Hàm convert2df chuyển tệp xuất từ cơ sở dữ liệu thành một data frame chuẩn của bibliometrix, mỗi dòng là một tài liệu, mỗi cột là một trường thẻ (AU là tác giả, TI là nhan đề, DE là từ khóa tác giả, ID là từ khóa chỉ mục, CR là tài liệu tham khảo, PY là năm, TC là số trích dẫn).

# Scopus, tệp CSV
M <- convert2df(file = "scopus.csv", dbsource = "scopus", format = "csv")

# Web of Science, nhiều tệp plain text
wosFiles <- c("wos1.txt", "wos2.txt", "wos3.txt")
W <- convert2df(file = wosFiles, dbsource = "wos", format = "plaintext")

# Gộp hai nguồn và loại trùng
combined <- mergeDbSources(M, W, remove.duplicated = TRUE)

Sau khi nhập, hãy kiểm tra nhanh bằng dim(M) để xem số dòng và số cột, và table(M$DT) để xem phân bố loại tài liệu. Đặt tệp dữ liệu trong cùng thư mục dự án RStudio để đường dẫn ngắn gọn. Cách xuất tệp Scopus đúng định dạng được trình bày trong hướng dẫn xuất dữ liệu Scopus.

Thống kê mô tả với biblioAnalysis và summary

Hàm biblioAnalysis tính các chỉ số mô tả: số tài liệu theo năm, tác giả và nguồn có năng suất cao, quốc gia, số trích dẫn trung bình. Hàm summary in kết quả dạng bảng, plot vẽ các biểu đồ cơ bản.

results <- biblioAnalysis(M, sep = ";")
S <- summary(object = results, k = 10, pause = FALSE)
plot(x = results, k = 10, pause = FALSE)

Tham số k quy định số mục hàng đầu được liệt kê. Kết quả summary thường được dùng cho bảng "Thông tin chung về dữ liệu" trong bài báo, gồm khoảng thời gian, số nguồn, số tài liệu, tốc độ tăng trưởng hằng năm, số tác giả và tỷ lệ đồng tác giả quốc tế.

Phân tích trích dẫn, định luật Lotka và Bradford

Nhiều hàm khác dùng chung data frame M. Lệnh citations(M, field = "article", sep = ";") liệt kê các tài liệu tham khảo được trích dẫn nhiều nhất trong tập dữ liệu; localCitations(M, sep = ";") đếm số lần mỗi tài liệu được các tài liệu khác trong cùng tập trích dẫn, thường có ý nghĩa hơn số trích dẫn toàn cầu khi lĩnh vực được giới hạn hẹp. Hàm lotka(results) kiểm tra phân bố năng suất tác giả theo định luật Lotka, còn bradford(M) chia các nguồn thành vùng lõi và vùng ngoại vi theo định luật Bradford. Các kết quả này bổ sung cho phần phân tích hiệu suất (performance analysis) trước khi trình bày bản đồ.

Hãy xem các định luật này là công cụ mô tả. Dữ liệu khớp tốt cho thấy lĩnh vực có hành vi tương tự nhiều lĩnh vực khác; khớp kém không phải là lỗi mà có thể phản ánh một chủ đề còn non trẻ hoặc mang tính liên ngành cao.

Dựng mạng với biblioNetwork và networkPlot

biblioNetwork tạo ma trận liên kết, networkPlot vẽ mạng. Hai tham số chính là analysis (loại quan hệ) và network (đơn vị).

analysisnetworkÝ nghĩa
"co-occurrences""keywords", "author.keywords"Mạng đồng xuất hiện từ khóa
"collaboration""authors", "universities", "countries"Mạng đồng tác giả
"co-citation""references", "sources", "authors"Mạng đồng trích dẫn
"coupling""references", "sources", "authors"Mạng ghép cặp thư mục
netMatrix <- biblioNetwork(M, analysis = "co-occurrences",
                           network = "author.keywords", sep = ";")

net <- networkPlot(netMatrix, normalize = "association", weighted = TRUE,
                   n = 50, Title = "Keyword co-occurrence", type = "fruchterman",
                   size = TRUE, edgesize = 5, labelsize = 0.7)

Với mạng hợp tác quốc gia, bạn cần trích xuất trường quốc gia trước bằng hàm hỗ trợ của gói; hãy tra tài liệu của phiên bản đang dùng. Tham số n giới hạn số nút hiển thị, tương tự ngưỡng trong VOSviewer.

Bản đồ chủ đề với thematicMap

Thematic map xếp các cụm chủ đề lên hai trục: centrality (mức độ liên kết với các chủ đề khác) và density (mức độ phát triển nội tại). Bốn góc phần tư tương ứng chủ đề động lực (motor themes), chủ đề chuyên sâu (niche themes), chủ đề mới nổi hoặc suy giảm, và chủ đề nền tảng (basic themes).

tm <- thematicMap(M, field = "ID", n = 250, minfreq = 5,
                  stemming = FALSE, size = 0.5, repel = TRUE)
plot(tm$map)
Cảnh báo Vị trí của một chủ đề trên thematic map phụ thuộc vào trường từ khóa, tham số minfreq và cách làm sạch. Đừng kết luận một chủ đề "đang suy giảm" chỉ dựa vào một lần chạy; hãy kiểm tra độ ổn định khi thay đổi tham số và diễn giải thận trọng.

Sơ đồ ba trường với threeFieldsPlot

Sơ đồ ba trường (dạng Sankey) cho thấy dòng liên kết giữa ba nhóm, ví dụ tác giả, từ khóa và tạp chí, hoặc quốc gia, tổ chức và chủ đề. Đây là hình minh họa trực quan, dễ đọc cho hội đồng.

threeFieldsPlot(M, fields = c("AU", "DE", "SO"), n = c(20, 20, 20))

Giữ số mục mỗi trường ở mức 15 đến 25 để sơ đồ không quá dày. Biểu đồ dạng tương tác nên khi đưa vào bài báo, bạn cần xuất ảnh tĩnh ở độ phân giải cao.

Giao diện biblioshiny cho người ít lập trình

Nếu chưa quen viết mã, bạn có thể dùng giao diện web của gói:

library(bibliometrix)
biblioshiny()

Trình duyệt sẽ mở một ứng dụng cho phép nạp tệp, lọc dữ liệu và chạy hầu hết phân tích bằng thao tác chuột. Biblioshiny tiện cho khám phá ban đầu, nhưng để báo cáo trong bài báo, bạn nên ghi lại đầy đủ tham số đã chọn hoặc chuyển sang mã R để bảo đảm tái lập.

Ưu điểm

Không cần lập trình, có sẵn nhiều biểu đồ, xuất bảng và hình nhanh.

Hạn chế

Khó ghi vết từng bước, dễ quên tham số; xử lý dữ liệu lớn chậm hơn chạy mã.

Khuyến nghị

Khám phá bằng biblioshiny, chốt kết quả bằng tệp mã R lưu kèm hồ sơ dự án.

Lỗi thường gặp và kinh nghiệm thực tế

  • Lỗi mã hóa ký tự: tên tác giả có dấu bị hỏng khi mở và lưu lại CSV bằng bảng tính. Hãy dùng tệp gốc tải từ Scopus.
  • Thiếu cột CR: xuất thiếu tài liệu tham khảo nên không chạy được đồng trích dẫn.
  • Từ khóa chưa chuẩn hóa: nên gộp từ đồng nghĩa (tham số synonyms của một số hàm) hoặc loại từ chung (remove.terms) và báo cáo rõ danh sách.
  • Không lưu phiên bản: ghi lại phiên bản R và bibliometrix bằng sessionInfo() để người khác tái lập.

Kịch bản mẫu gọn để bạn điều chỉnh

Gom các bước vào một tệp mã là cách đơn giản nhất để bảo đảm tái lập. Kịch bản dưới đây chạy từ nhập dữ liệu đến các hình chính; bạn chỉ cần đổi tên tệp và tham số cho phù hợp dự án.

library(bibliometrix)

M <- convert2df(file = "scopus.csv", dbsource = "scopus", format = "csv")
results <- biblioAnalysis(M, sep = ";")
S <- summary(object = results, k = 15, pause = FALSE)

kwNet <- biblioNetwork(M, analysis = "co-occurrences",
                       network = "author.keywords", sep = ";")
networkPlot(kwNet, normalize = "association", n = 60,
            Title = "Author keywords", type = "fruchterman")

tm <- thematicMap(M, field = "DE", n = 250, minfreq = 5)
plot(tm$map)

sessionInfo()

Mỗi khi dữ liệu hoặc tham số thay đổi, hãy chạy lại toàn bộ tệp từ đầu đến cuối và lưu tệp mã cùng với hình, bảng đã xuất. Khi phản biện yêu cầu đổi ngưỡng hay loại một loại tài liệu, bạn chỉ cần sửa một dòng và chạy lại. Ghi chú lý do chọn từng tham số ngay trong mã; các ghi chú này chính là khung cho đoạn Phương pháp.

Hỗ trợ kỹ thuật từ Biblio VietSCI

Gói Nâng cao và Chuyên sâu của dịch vụ phân tích trắc lượng thư mục bao gồm phân tích bằng bibliometrix (thematic map, three-field plot, trend topics), gộp Scopus với Web of Science và bàn giao tệp mã R để bạn tự chạy lại. Chúng tôi đảm nhận phần kỹ thuật; diễn giải kết quả và viết phần Thảo luận là việc của tác giả. Xem bảng giá hoặc gửi yêu cầu tại trang đặt hàng.

Câu hỏi thường gặp

Bibliometrix có miễn phí không?

Có. Bibliometrix là gói R mã nguồn mở, cài từ CRAN bằng lệnh install.packages. R và RStudio Desktop cũng miễn phí.

Không biết lập trình có dùng được bibliometrix không?

Được. Lệnh biblioshiny() mở giao diện web để chạy phân tích bằng chuột. Tuy vậy nên ghi lại tham số hoặc lưu mã R để bảo đảm tái lập.

Bibliometrix có gộp được Scopus và Web of Science không?

Có. Sau khi nhập từng nguồn bằng convert2df, dùng hàm mergeDbSources với tùy chọn loại trùng. Cần kiểm tra lại kết quả loại trùng vì định dạng hai nguồn khác nhau.

Thematic map trong bibliometrix đọc như thế nào?

Trục ngang là centrality, trục dọc là density. Góc trên bên phải là chủ đề động lực, trên trái là chủ đề chuyên sâu, dưới trái là chủ đề mới nổi hoặc suy giảm, dưới phải là chủ đề nền tảng.

Nên dùng VOSviewer hay bibliometrix?

Hai công cụ bổ sung cho nhau. VOSviewer mạnh về bản đồ mạng dễ đọc, bibliometrix mạnh về thống kê mô tả, bản đồ chủ đề và tính tái lập. Nhiều nghiên cứu dùng cả hai.

Sẵn sàng vẽ bản đồ tri thức cho lĩnh vực của bạn?

Gửi chủ đề nghiên cứu, chúng tôi ước tính số công bố và tư vấn gói phù hợp miễn phí trong 24 giờ làm việc.