出身和平台哪个对学者更重要?他们在二十万篇论文中找到了答案

2019 年 5 月 14 日 科研圈

在十分看重“学术家系”的科研界,“出身”和“平台”到底哪个对刚开始学术职业生涯的年轻博士们更重要?来自科罗拉多大学博尔德分校(University of Colorado at Boulder)的计算机科学家 Samuel F. Way、Aaron Clauset 等人分析了两千多位教授的二十多万篇论文,找到了这个问题的答案。


Photo Source: Main illustration: Caitlin Watkins; Spotlight illustrations: Adam Lee


编译  集智俱乐部

来源  Insidehighered

原题  Pedigree and Productivity



“出身”并不能够主宰一切


学术界的“发展不平等”似乎是个被公认的现象。2015 年的一项研究表明:很多研究领域内 71% - 86% 的教授(包括 tenured 和 tenure-track professors)出自 25% 的博士生培养机构。


依照研究中给出的博士生培养项目排名情况,排名越靠上,不平等的境况就越极端。前 20 名的科研机构培养出的教授数量,最多可以达到排名靠后机构的 5.6 倍。理论上,这表明这些培养项目的质量过硬。但批评人士认为这是由于这些优秀科研机构的“小圈子”招聘更加排外导致的。


不过,领导了这项研究的科罗拉多大学博尔德分校(University of Colorado at Boulder)的计算机科学家 Samuel F. Way 和 Aaron Clauset 等人表示,“学术谱系”并不会主宰一切——至少从教授未来的科研效率来讲。


这项发表在《美国国家科学院院刊》 Proceedings of the National Academy of Sciences,PNAS )上的论文表示:“我们的研究结果表明,能促进科研人员提高学术效率(productivity,发表论文数量)的不是他们接受学术训练的环境,而是他们从事科研工作的环境。”同时,现在和过去的工作地点都会影响学术成就(prominence,论文被引数量)


也就是说,当谈到实际的科研产出的时候,科研人员的工作平台比他们接受学术训练的机构影响更大。


在这项新的研究中,研究者调查了供职于 205 个能授予博士学位的计算机系的 2453 名教授,并进一步,分析了他们的产出和成就数据。本研究主要关注一名博士被聘为教师的前后各五年的时间段。该研究涉及的教授共发表了 20 余万篇论文,总计 740 万次引用。


      

科研机构的声誉对计算机科学领域的科研人员学术效率和学术成就方面的影响。上图的横轴表示的是科研机构的声誉排名,排名越靠前,声誉就越高。左侧纵轴(黑色)表示的是科研人员被雇佣后的头十年发表论文的数量。右侧纵轴(红色)则表示论文的被引量(以 10 为底的对数)。


本实验在数据分析时采用配对(Matched-pairs)实验设计。与完全随机的实验设计相反,匹配对包括一个二值变量,并且将实验的匹配对排序分块。


对于科研人员的学术成就而言,从名校毕业的博士能够从就读阶段发表的论文中积累被引量。但是,在博士毕业走入教职岗位后,就读的学校的名声对发表论文的数量并无帮助。


根据研究者设定的参照对比试验,对于供职于名声相近的研究机构的科研人员而言,在名声更大的机构获得博士学位的科研人员在入职工作的前五年虽然并没有更高的科研产出,但是,平均来说,这些人会多收到 301 条论文引用。


相比较而言,对于那些接受了相似的科研训练、具备相似的科研产出和论文引用量的科研人员,工作找的好——供职机构声誉更好——的科研人员在工作的头五年内多完成了 5.1 篇论文。平均来说,供职机构更好的人写出对的论文也会多获得 344 条被引。


相比于在排名后 20% 的研究机构里工作的教授,在排名位于前 20% 的研究机构中,教授在工作的头五年会平均多发表了 17 篇论文,被引次数会多 824 次。


毕业院校对科研人员的影响(折线表示均值,阴影区域表示 95% 置信区间)


在上图最左侧的示意图像的对比中我们能看到,毕业于不同院校的博士生,进入同一家科研机构工作(比配成对)。我们会发现学术效率(productivity,发表论文数量)并没有太大的差异;学术成就(prominence,论文被引数量)会受到读博学校的名气不同而带来一定的差异。


工作机构对科研人员的影响(折线表示均值,阴影区域表示 95% 置信区间)


同理,我们从新的对比示意中得知,毕业于相同院校的博士生,进入了不同的科研机构工作。我们会发现学术效率会因为工作环境的不同而有巨大的差异,学术成就也会存在巨大差异。


科罗拉多博尔德分校的计算机科学博士后研究员 Samuel Way 是这篇论文的第一作者,Way 就是在这里获得博士学位的。根据他自己的说法,如果他和 MIT 等名校博士一起在计算机科学名校斯坦福当教授的话,那么他们的研究成果应该是一样的。


那么,为什么会这样呢?Way 和他的合作者——副教授 Aaron Clauset、博士生Allison C. Morgan 和助理教授 Daniel B. Larremore ,他们都是博尔德分校的计算机科学家——想到了这可能与科研机构雇佣教授的标准有关,包括博士期间的论文产出、通过博士项目成为教授的期望、留聘产出高的教授。然而只有非常微弱的证据显示博士培养项目与科研效率有关联。


Way等人的论文指出,这个研究发现“对科学学(Science of Science)研究有重要影响,科学学研究通常会(隐式或显式地)假设精英主义主导着知识的发现”。“以往的理论与模型不能很好地描述这里提到的环境机制(即科研环境对科研的影响),以及科研机构的名声对工作产出和工作成就的因果关系,故此这些理论模型是有不完整的。”



适用于不同学科领域


这项研究的另外一个问题是,这个研究结果是否适用于其他学科?在 Way 和 Clauset 一封联合撰写的邮件中他们这样解释道:过去的研究工作(包括他们自己的)表明其他的大多数学科在教众员工的招募和论文产出方面遵循着相似的模式。“因此,我们有理由认为,我们发现的环境机制同样适用于不同的学科领域。


他们认为,这个研究成果在其他学科领域的适用程度,“很可能取决于,他们在计算机科学领域中观察到的影响科研产出的机制是否也适用于其他领域。” 比如,一名学者的科研产出能力“很可能比计算机领域更受研究机构提供的资源的影响——比如,生物学家需要实验设备和超级计算机、历史学家需要图书馆,等等。学术指导和论文出版规范也非常重要,比如,博士生是否愿意和他们的指导教师合作完成论文。


所以,在哪里获得博士文凭这事还重要么?研究者认为是的。因为一个人学位的声誉强烈预示着这个人有可能在哪里被聘为教授。但是,Way 和 Clauset 表示,这其实提出了一个难题,究竟是什么决定着名牌科研院校的科研工作者的学术产出能力。


至于说,这对于科研机构招聘的影响,Way 和 Clauset 说,每个科研领域的教职岗位竞争都非常激烈。按照他们自己过去的研究结果,“大部分人能够足够幸运在不如自己读博士的学校那里获得一份教职岗位”。但是,这篇文章的研究成果表明,一个人博士学位的名气“在预测他的科学贡献方面能发挥的作用很有限,甚至是在招聘阶段


因为真正决定科研产出的因素还不清楚,二位研究者表示,未来的研究方向就是找出哪些是起到重要作用的特征。初步看来,资源(比如研究生的数量)是能够决定科研产出的重要因素,至少计算机领域是这样的。



本文转载自公众号“集智俱乐部”(ID:swarma_org )

翻译:Leo; 审校:任晓龙; 编辑:陈安林

原文链接:https://www.insidehighered.com/news/2019/05/02/study-when-it-comes-research-output-where-phds-get-hired-matters-more-where-they


▽ 精彩回顾 ▽

登录查看更多
1

相关内容

论文(Paper)是专知网站核心资料文档,包括全球顶级期刊、顶级会议论文,及全球顶尖高校博士硕士学位论文。重点关注中国计算机学会推荐的国际学术会议和期刊,CCF-A、B、C三类。通过人机协作方式,汇编、挖掘后呈现于专知网站。
专知会员服务
142+阅读 · 2020年6月15日
【论文】结构GANs,Structured GANs,
专知会员服务
14+阅读 · 2020年1月16日
近期必读的5篇 WSDM 2020【图神经网络(GNN)】相关论文
专知会员服务
56+阅读 · 2020年1月10日
【论文】欺骗学习(Learning by Cheating)
专知会员服务
26+阅读 · 2020年1月3日
周志华教授:如何做研究与写论文?
专知会员服务
148+阅读 · 2019年10月9日
KDD 2019放榜,接收率低至14%,你的论文中了吗?
机器之心
7+阅读 · 2019年4月30日
关于机器学习你要了解的 5 件事
机器学习算法与Python学习
7+阅读 · 2018年9月7日
一个统计方向毕业生的2017年数据科学从业之路总结
数萃大数据
5+阅读 · 2018年2月21日
吴恩达:AI论文已经够多了,赶紧“搞点事”吧!
全球人工智能
4+阅读 · 2017年11月15日
The Measure of Intelligence
Arxiv
6+阅读 · 2019年11月5日
Knowledge Flow: Improve Upon Your Teachers
Arxiv
5+阅读 · 2019年4月11日
Arxiv
5+阅读 · 2018年4月22日
VIP会员
相关VIP内容
专知会员服务
142+阅读 · 2020年6月15日
【论文】结构GANs,Structured GANs,
专知会员服务
14+阅读 · 2020年1月16日
近期必读的5篇 WSDM 2020【图神经网络(GNN)】相关论文
专知会员服务
56+阅读 · 2020年1月10日
【论文】欺骗学习(Learning by Cheating)
专知会员服务
26+阅读 · 2020年1月3日
周志华教授:如何做研究与写论文?
专知会员服务
148+阅读 · 2019年10月9日
Top
微信扫码咨询专知VIP会员