【摘要】情报学术语承载了情报学科基础知识与核心概念。从概念维度梳理与分析情报学术语对推动学科发展、助力下游知识挖掘任务具有重要意义。面对数量快速增长的科技文献，自动术语抽取替代了人工筛选，但现有方法严重依赖大规模标注数据集，难以迁移至低资源场景。本文设计了一种生成式情报学术语抽取方法 （generative term extraction for information science,GTX-IS），将传统基于序列标注的抽取式任务转化为序列到序列的生成式任务。结合小样本学习策略与有监督微调，提升面向特定任务的文本生成能力，能够在低资源有标签数据集场景下较为精准地抽取情报学术语。对于抽取结果，本文进一步开展了情报学领域术语发现及多维知识挖掘。综合运用全文科学计量与信息计量方法，从术语自身、术语间关联、时间信息等维度，对术语的出现频次、生命周期、共现信息等进行统计分析与知识挖掘。采用社会网络分析方法，结合时间维度特征，从术语角度出发，完善期刊的动态简介，探究情报学研究热点、演变历程和未来发展趋势。本文方法在术语抽取实验中的表现超越了全部13种主流生成式和抽取式模型，展现出较强的小样本学习能力，为领域信息抽取提供了新的思路。