摘要
研商，是一种度量学术天赋的指标，我们将其理解为科学家的科研能力的得分。Barabási的团队在Science上发表的论文发现，重要的科学发现严重依赖于研商和运气，而不是学术积累，不是后天努力。
文稿：李江 屈天鹏
论文推荐人：史冬波 / 上海交通大学
![]()
注：图片来源于参考文献中的论文
从事学术学习需要天赋吗？
Barabási的团队在Science上发表论文证明，想做出出色的学习是需要天赋（某种学术能力）的，这种天赋就像人的智商一样，并不依赖于个人努力。在整个职业生涯中，科学家的这种学术能力不会发生大的变化。因此，我们不妨称其为“研商”。
根据某大型搜索引擎的百科的定义，智商是通过一系列标准测试测量人在其年龄段的认知能力（“智力”）的得分，主要包括短期记忆力、推理能力和语言能力。“研商”可以理解为科学家的科研能力的得分。
做出出色学习成果的科学家只占一小局部，对于多数人而言，无论多么努力，终其毕生也没有重要的科学发现。研商高就够了吗？不是，要想有重要的科学发现，还需要一些运气。这种运气是选对学习领域与学习主题。
Barabási的团队发现，出色的学习成果（高影响力成果）取决于两个因素：研商和运气。模型表述为：C＝p×Q，其中，C表示影响力，p 表示运气，Q表示研商。该模型的含义为，科学家随机选择了一个学习主题，该主题的潜力为p，科学家以天赋Q去深入学习，最后得到学习成果的影响力为C。更通俗地解释，科学家随机选择地方挖坑，挖到金矿的概率为p，科学家凭某种能力能更快找到金矿的准确位置。因此，要快速找到金矿，既需要运气，也需要科学家的某种能力。
学术积累重要吗？
按照传统的理解，在学术职业生涯中，经验积累非常重要，学术泰斗中年轻人极少。我们不怀疑对于单个个体而言学术积累的重要性，但在不同个体之间比较时，Barabási的团队发现，学术积累似乎没有那么重要，重要的科学发现可以出现在学术生涯中的任何时候，可以是第一年，可以是最后一年，也可以是中间的某一年。Frank A. Wilczek（2004年诺贝尔物理学奖获得者）的影响力最大的科学发现，是其学术生涯发表的第一篇论文。John B.Fenn（2002年诺贝尔化学奖获得者）的影响力最大的科学发现出现在其退休之后。
上图中清晰地显示，不同天赋的科学家从事学术学习工作之后，其成果的影响力分布不同。对于研商Q＝9.99的科学家而言，其学习成果的影响力介于0至300；对于研商Q＝3.31的科学家而言，其学习成果的影响力介于0至100；对于研商Q＝1.49的科学家而言，其学习成果的影响力介于0至30。三位不同科学家的学术成就的差异，严重依赖于研商，而不是年龄，不是学术积累。
后天努力重要吗？
我们不应该否定我们的价值观，任何时候，对任何个体而言，后天努力都非常重要，笨鸟可以先飞。但谈到重要科学发现，对于不同的个体而言，研商似乎更重要。
对于研商高（Q＝10）的科学家而言，努力发论文，产量翻一番，其影响力的最大值可以提升50次；而对于天赋低（Q＝1.2）的科学家而言，努力发论文，产量翻一番，其影响力的最大值仅能提升7次。这种学术成就的差异严重依赖于研商，而不是后天努力。
“研商”的预测功能
当前所有关于科学家的定量测度指标都存在缺陷，即这些指标都不稳定，例如，发文量、被引次数、h指数等。这些指标值都会随时间增长，因此，无法比较处于不同发展阶段科学家。相比而言，研商Q值相对稳定，并不会随时间发生大的变化，因此，与科学家的发展阶段无关。比较两个年龄不同、学术积累不同的科学家时，用发文量、被引次数、h指数都难以发现差异，但用研商Q值，足以说明两者的差距，并预测未来的发展趋势。所以，预测诺贝尔奖得主，不必再依赖发文量、被引次数、h指数等指标，而可以直接用研商Q值。
研商Q值的优点是它对76%的科学家来说都是恒定的，而其它指标都随时间变化。研商Q值的稳定性使其能够预测科学家职业生涯的演化。低Q值科学家即使增加了发文量，也不能从本质上提高发表高影响力论文的几率。一个科学家的h指数（即至少有h篇高被引论文被引用至少h次）由其研商Q值和总发文量共同决定，Q模型可以准确地预测h指数的演变。例如，利用一个科学家职业生涯早期的数据（如前20-50篇论文）算出的Q值可以预测其后来的影响力（如h指数）的演化，早期h指数相同而Q值不同的两个科学家，在后期他们的h指数会拉开差距。
Q模型理清了科学成就、研商和运气在学术生涯中的作用，揭示了科学成就产生的统一模式，能够准确地预测科学家影响力的演化。
学术天赋受什么因素影响？
根据表达式C＝p×Q，转化后可得Q值的表达式为Qi=e(logc10，i)-μp。Q不由单独的某一篇高水平论文决定，不由运气决定，也不由某一合著者决定，而是由贯穿学术生涯的高水平的学术能力决定，也就是说，可以根据科学家学术生涯前若干年的发表情况计算出科学家的Q值。
Q值与受教育背景、工作机构平台、学科领域规模、性别、学习方向、发表习惯等之间的关系现在尚不清楚。
数据与处理方法
一个科学家的生产力由发文量体现，而论文的影响力可以由被引次数体现，例如一篇论文发表后10年内的被引次数，以下简称“c10”，并将该科学家的c10值最高的论文简称“c10*”。
为了量化科学家影响力的演化，作者学习了2887位有20年以上发表论文经验并且至少发文10篇（每5年至少1篇）的物理学家于1893-2010年间在Physical Review系列期刊发表的论文。论文和被引次数来源于两个数据集：APS数据集和Google Scholar与Web ofScience结合的数据集。
基于被引次数的学习需要解决三个问题：（1）不同论文的被引曲线不同；（2）论文的平均被引次数随时间变化；（3）被引次数受学科领域影响。为了解决第一个问题，作者采用论文发表后10年的累计被引次数c10，消减被引曲线形态的影响；采用将c10值标准化的方法消减问题2和3的影响。
研商，一个判断你学术前途的指标 |
|
收藏
分享
支持
反对
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜
