最佳开源科学文章：精选

开源科学文章是在许可下发表的经过同行评审的研究论文，任何人都可以阅读、重复使用和重新分发它们，查找它们的实用候选名单大约有五个不同的平台：DOAJ、ScienceOpen、arXiv、PubMed Central 和机构存储库。截至 2025 年，仅 DOAJ 就为超过 20,000 种开放获取期刊建立了索引。

要点

• 五种平台类型几乎涵盖了开源科学文章的所有用例：巨型索引（DOAJ）、覆盖和发现层（ScienceOpen）、预印本服务器（arXiv、bioRxiv）、资助者授权的档案（PubMed Central、Europe PMC）和机构存储库（Zenodo、大学系统）。
• 决定标准是许可证，而不是“免费阅读”。 CC BY 允许商业重用和文本挖掘； CC BY-NC 和 CC BY-ND 阻止其中之一或两者。在语料库上构建管道之前检查许可证字段。
• 预印本未经同行评审。 arXiv 和 bioRxiv 对计算工作具有巨大价值，但将它们引用为预印本并跟踪记录版本是否存在。
• 机器可读的元数据将可用平台与不可用平台分开。 OAI-PMH、REST API 和 JATS XML 决定您是否可以收获 50,000 篇论文或一次点击一篇浏览它们。
• 没有一个索引是完整的。 将 DOAJ 与 Europe PMC 和主题存储库进行交叉检查，以找出导致系统综述失败的覆盖范围差距。

“开源科学文章”的实际含义是什么

开源科学文章处于两个混为一谈的想法的交叉点：开放获取（文章可以免费阅读）和开放许可（文章可以免费重用）。出版商打着“免费阅读”旗号的论文是弱意义上的开放获取，但仍可能禁止重新分发、翻译或商业文本挖掘。 CC BY 下的论文在严格意义上是开放的——你可以重新分发它、对其进行训练，并重新发布带有归属的数据。

计算科学家关心的是强意义。在为语言模型组装语料库、从补充表中提取反应数据或创建引文图时，许可证字段是您的管道应该分析的第一件事。布达佩斯开放获取倡议和随后的柏林宣言建立了大多数资助者和存储库现在纳入其政策的框架。

第二个区别同样重要：文章与工件。在计算物理、化学和生物信息学中，论文通常是最不可重复使用的输出。代码、输入文件、轨迹文件和分析笔记本是另一个实验室实际需要的。与代码和数据一起托管文章的平台——Zenodo、ScienceOpen 的覆盖模型和期刊集成存储库——对这些受众来说比纯粹的阅读网站更有价值。

比较表

平台	内容类型	许可透明度	API/批量访问	最适合
DOAJ	同行评审的 OA 期刊，文章级元数据	每篇文章的显式许可字段	是 - 公共 API、OAI-PMH、CC0 元数据	审查期刊的合法性；构建期刊白名单
ScienceOpen	覆盖期刊、发表后评审、聚合 OA	因来源集合而异	是的——REST API	发现、公开同行评审、收藏
arXiv	预印本，物理/数学/计算机科学/量子生物	每篇论文的许可证（通常是 arXiv 自己的）	是的 — 批量数据、S3 访问	快速移动的领域；预发表结果
bioRxiv / medRxiv	生命科学和临床预印本	每篇论文，经常 CC BY	是的——API 和全文挖掘	生物信息学、基因组学、方法论文
PubMed Central/欧洲 PMC	资助的生物医学文献	混合； OA 子集标记	是的 — 强大的 API、OA 子集的全文 XML	NIH/Wellcome 资助的工作；文本挖掘
Zenodo	文章、数据集、软件、所有版本	所需许可证选择	是的 — REST API、每个版本的 DOI	论文旁边可引用的代码和数据
机构存储库	本地输出、论文、报告	不一致	有时——DSpace 和 EPrints 会暴露 OAI-PMH	灰色文献、论文、实验室技术报告

此表提供了用于访问开源科学文章的平台的摘要。

计算工作的各个平台注释

DOAJ：期刊审查层

DOAJ 是一个策划索引，而不是出版商。它对计算组的价值在于白名单功能：它在列出期刊之前应用记录的标准，从而过滤掉污染一般网络搜索的掠夺性标题。元数据在 CC0 下发布，因此您可以将整个期刊列表提取到您自己的工具中，而无需许可摩擦。局限性在于 DOAJ 在期刊和文章元数据级别建立索引——它不是全文语料库，也不托管 PDF。

Related: Dataquest — Project-based data-science paths with a guided terminal and real datasets.

ScienceOpen：发现和开放同行评审

ScienceOpen 作为一个研究出版网络运营，在聚合的开源科学文章和内容之上分层发现、馆藏建设和出版后同行评审。对于实验室小组来说，有用的功能是能够使用 DOI 和可引用的社论来组装主题合集，这是一种无需传统期刊提交即可发表评论或基准调查的轻量级途径。审核透明度各不相同，因此请将审核状态视为要检查的元数据而不是保证。

arXiv：物理学和定量生物学的默认设置

arXiv 早于现代开放获取运动，并且仍然是获得凝聚态物质、高能物理、计算化学方法和定量生物学成果的最快途径。大众访问确实很方便：整个语料库都可以下载，这就是为什么这么多科学语言模型都是用它来训练的。限制是版本控制：一篇文章可以多次修改，并且记录的版本可以存在于期刊中。明确指定 arXiv 标识符和版本号。

PubMed Central 和 Europe PMC：资助者授权的文献

PubMed Central 托管根据资助者授权存放的生物医学文献的开放子集，而 Europe PMC 则通过其他全文挖掘端点对其进行镜像和扩展。 NIH 的公共获取政策和 Wellcome Trust 的开放获取政策都推动了这里的存款。对于生物信息学小组来说，OA 子集的全文 XML 是可用的最有用的结构化语料库，因为它带有部分标签而不是原始 PDF 布局。

Worth a look: Coursera Plus — One subscription for university-backed Python and data-science certificates.

Zenodo：代码和数据所在的地方

Zenodo 由 CERN 运营，为每次上传分配一个 DOI，并支持版本记录，这解决了“哪个提交产生了这个数字”问题。作为预印本存放的论文加上分析代码的 Zenodo 记录为审阅者和读者提供了可重复的单元。代价是 Zenodo 没有经过同行评审，也没有作为期刊索引——它是基础设施，而不是场所。

机构和主题存储库

大学知识库、DSpace 和 EPrints 安装以及特定主题档案馆保存着从未出现在期刊中的论文、技术报告和数据集。覆盖范围参差不齐，元数据质量差异很大，但对于灰色文献和负面结果来说，它们往往是唯一的来源。 OAI-PMH 是标准的收集协议，大多数系统都公开它。

如何决定：标准清单

请按顺序浏览这些内容，因为前两个内容消除了查找开源科学文章的大部分不良选择：

1. 许可证。 该平台是否为每篇文章提供机器可读的许可证？ CC BY 是允许的默认值； CC BY-NC 和 CC BY-ND 限制商业或衍生用途。
2. 同行评审状态。 该项目是否已评审，并且该状态在元数据中是否明确？预印本在引文中需要不同的处理。
3. 批量访问。 API、OAI-PMH 或可下载语料库？如果您需要超过几百篇论文，这是没有商量余地的。
4. 元数据模式。 JATS XML、Dublin Core 还是专有的？ JATS 保留了对于提取很重要的章节结构。
5. 版本控制。 您能否固定特定版本，并且记录是否链接到记录的版本？
6. 您所在领域的覆盖范围。 没有完整的索引。使用您自己的参考书目中的十篇已知论文进行测试并计算点击次数。
7. 持久性。 是否有 DOI，主机是否有机构支持？来自资金雄厚的运营商的 DOI 比业余爱好项目更安全。

实验室组的实用工作流程

对于寻求开源科学文章的计算小组来说，可复制的文献管道通常分四个阶段运行。第一阶段是发现：查询 DOAJ 获取期刊级别的合法性，查询 Europe PMC 或 arXiv 获取内容，查询机构存储库获取本地输出。第二阶段是许可证过滤：解析许可证字段并在花费计算之前删除任何阻碍您预期重用的内容。第三阶段是收获：通过平台的 API（如果可用）提取全文，并将源标识符、版本和许可证与文本一起存储。第四阶段是引文卫生：记录记录的版本、预印本标识符和任何相关代码的 Zenodo DOI，以便读者可以准确地重建您所使用的内容。

要避免的失败模式是将“开放访问”视为单个布尔值。未经许可和版本元数据组装的语料库是您无法合法重新分发且无法复制的语料库。

注意事项和常见陷阱

掠夺性期刊仍然是一个真正的危险，开放获取并不是低质量的同义词——在大多数领域，这种相关性恰恰相反。 Sci-Hub 出现在该主题的许多搜索结果中，未经许可分发受版权保护的文章；它不是科学文章的开源平台，使用它会带来法律和道德风险，特别是对于其机构对此问题有政策的受资助研究人员而言。出版商的“开放”主题页面，例如 Springer 的开放获取主题列表，对于浏览很有用，但它们是商业目录而不是独立索引。最后，许可证元数据有时在源头是错误的或丢失的；当许可证不明确时，请联系相应作者而不是假设获得许可。

Related: O'Reilly Learning Platform — A deep technical library of scientific-computing books, videos and live training.

资料来源和进一步阅读

• 开源 — 维基百科：开源是公开发布数字资源及其源代码或源文件的做法，以便使用、研究、修改和重新分发…
• 科学文献 — 维基百科：科学文献包含大量学术论文，涵盖自然科学和社会科学的各个学科。它主要包括…

常见问题

最好的开源科学文章平台是什么？

DOAJ、ScienceOpen、arXiv、PubMed Central/Europe PMC 和 Zenodo 满足了绝大多数需求，机构存储库填补了论文和灰色文献的空白。正确的选择取决于您的领域以及您是否需要阅读、挖掘或重新分发。大多数计算组最终会结合使用两种或三种而不是一种。

开放获取与开源相同吗？

不是。开放获取意味着该文章可以免费阅读；开放许可意味着重复使用是免费的。一篇文章可能是开放获取的，但具有非衍生许可证，这会阻止文本挖掘或图形重用。对于计算作品，请检查特定的知识共享许可，而不是访问状态。

我可以使用开源科学文章来训练机器学习模型吗？

仅在许可证允许的情况下。 CC BY 和 CC0 允许商业和衍生用途，包括培训和归属。 CC BY-NC 阻止商业培训，CC BY-ND 阻止衍生品。出版商条款和资助者政策可以添加更多条件，因此请在语料库中记录每个文档的许可证。

If you are shopping: DataCamp — Interactive Python and data-science courses you code directly in the browser.

arXiv 预印本是否足够可靠以供引用？

arXiv 预印本在物理和数学领域可被引用并被广泛引用，但未经同行评审。引用 arXiv 标识符和版本，并检查记录版本是否已出现在期刊中。对于系统评价，大多数协议要求您区分预印本和已审稿文章。

如何找到付费论文的开放获取版本？

检查出版商自己的开放获取途径，然后检查欧洲 PMC 或 PubMed Central 是否有资助的生物医学工作，然后检查您的机构存储库，然后检查像 ScienceOpen 或 Unpaywall 这样的聚合器。许多资助者要求在规定的期限内存款，因此即使期刊版本是付费的，绿色的开放获取副本也经常存在。

黄金、绿色和钻石开放获取之间有什么区别？

金牌开放获取在期刊上公开发表最终文章，通常会收取文章处理费。绿色开放获取将版本存放在存储库中，有时是在禁运期之后。 钻石开放获取类似于金牌开放获取，但，作者或读者无需付费，DOAJ 允许您筛选此类期刊。