科学学视角下的科研工作者行为研究(4)

从技术上来讲，科研team不需要识别，任何一个项目、一篇论文，只要参与的人员多于1人，就形成了一个team。而识别科研团队则困难得多。首先需要有准确的人名消歧数据，才能追踪科研人员的长期合作关系，构造科研合作网络。但即便给定合作网络，当前也缺少合适的工具从中识别出团队信息。从网络科学的视角来看，作者与论文之间形成的是一个二分图，由两组节点（作者和论文）构成，组间连接，而组内没有连接。作者合作关系网络通过将二分图投影获得，包含许多致密的团（clique）结构，每个团内的节点相互完全连接（如图3（a）所示）。最终形成的科研合作网络连接非常紧密，社团结构非常弱化，现有的工具难以准确识别其中的群团信息。与此同时，团队识别不能简单依靠合作网络的拓扑结构，合作强度带来的连边权重也极大地影响着团队的识别。如图3（b）所示，如果不考虑连边权重，仅仅依靠拓扑结构对合作网络进行划分，极有可能将合作关系非常紧密的节点3和节点4划分在两个不同的团队中。为解决这一问题，笔者提出了一套基于相对合作强度的指标，对现有的合作连边进行切割，从而获得相对稀疏的合作网络，帮助获取团队信息[36]。进一步与团队的科研绩效数据结合，帮助从实证上分析团队在科研上的优势与劣势。同时也进一步拓宽当前国际上team science的研究，获得团队与team在科研绩效成果上的异同。

图3 从论文构建科研合作网络的示例

2.4 成果多维量化与学术不端行为识别

反应行为（reactivity）在心理学上指的是个体因为知道被观测而改变行为的现象。当前各种科学计量指标被广泛地应用于评价一个科研工作者的科研绩效，并且在很大程度上与项目经费、职位晋升、个人收入等相关。古德哈特定律（Goodhart's law）精辟地指出，一项指标一旦成为政策制定的依据，便会逐渐失效。科研领域也不例外，科研工作者并不是科研评价体系下的被动接受者，他们可以主动地改变自己的行为，以迎合相应的评价指标。科研领域的反应行为对科学研究有着深刻的影响，在个体层面，导致目标置换（goal displacement），在评价系统中获得更高的分数成为科研的目标；在群体层面，影响科研的基础氛围，例如带来跟风性质的研究，或避开困难的研究问题而青睐于短平快的方向，进一步损害整个科学共同体的利益。

我国科研管理结构已经意识到这一问题的重要性，当前大力推进的破“五唯（唯论文、唯帽子、唯职称、唯学历、唯奖项）”正是对这一现象的纠正。然而需要注意的是，量化指标仍然是衡量科研工作者科研绩效的重要工具。“五唯”的问题不在于指标，而在于“唯”，只有提供科研工作者成果绩效的多维度量化，才能有效地实现破“五唯”。基于学术大数据的多维特征和数据挖掘方法，可以实现这一目标。例如，通过对论文作者进行人名消歧可以更好地移除自引，获得它引数量；通过科研合作网络分析，利用复杂网络的各类节点中心性指标，识别网络中的重要节点，描述学者在相关领域中的影响力；通过分析论文的引用信息，结合学术团队的识别，获得一个科研工作者影响力的来源，尤其可以采用Topk方法描述引用异质性特征和影响力范围。如两个科研工作者的它引数量均为1000次，但是其中一人30%的引用来自自己的科研团队，20%的引用来自科研团队1，15%的引用来自科研团队2；另一人本团队引用仅占15%，引用来源占比最高的其他团队仅为8%和6%。这说明虽然两人引用数量相同，但是后者的引用分布更加均匀，引用来自于更多的科研团队，影响力范围更加广泛。这些多维度的信息能更丰富地描述科研工作者的成果和研究能力，避免对单一指标的过度依赖。

反应行为的过度延伸可形成学术不端。创新管理领域期刊Research Policy在2019年推出一期主题为“Academic Misconduct, Misrepresentation, and Gaming”的专刊[37]，对各类学术不端行为进行了分析总结，这从一个侧面说明了这一问题的重要学术价值。我国当前在大力呼吁加强科研诚信、严惩学术不端，然而基于大规模数据的科研工作者反应行为探测、挖掘的工作仍然不多。虽然科研工作者学术不端的参考标准数据难以获得，但是从数据中挖掘可疑的、不寻常的行为却非常可行。例如一些工作中总结了常见的一些学术不端行为，如过度合作（或名誉作者）现象、通过拆分工作获得更多的论文数、通过大量自引获得更多的引用数、互引圈子（citation cliques）间的相互引用。这些现象均可以利用机器学习的方法，通过设定的阈值在学术大数据中进行识别，再通过人工筛查，可对一些早期的学术不端行为提出预警。

文章来源：《科学学研究》 网址: http://www.kxxyj.cn/qikandaodu/2021/0325/521.html