美科學計量學學者提出科研基金分配新模式

　　美國印第安納大學著名科學計量學家Katy B?rner教授在Issues in Science andTechnology（科學技術問題）季刊2016年春季號發表文章，Data-Driven Science Policy（數據驅動的科學政策，http://issues.org/32-3/perspective-data-driven-science-policy/），在文中她介紹了他們科學計量學團隊的好幾項研究作為“數據驅動的科學政策”研究的例子，其中一個例子如下。

　　 JohanBollen及同事于2014年發表的一篇論文指出，學者們付出了大量時間、精力與努力去撰寫和評審項目申請書，資助機構也在評審上耗費了不少資源，而這些資源本可以直接資助科研的。他們利用國家科學基金會（NSF）和Taulbee Survey的數據（博主注：Taulbee Survey即托爾比調查，提供了北美地區計算機科學與計算機工程博士生的招聘、培養與就業方面的詳盡數據），簡單估計了一下計算機科學領域基金申請的“投資回報率”。他們發現，撰寫一份項目申請書平均需要4位大學老師花4周的時間，即撰寫成本為3.5萬美元；計算機科學領域目前的申請成功率是21%，即平均提交5份申請書只有一份能成功立項，則總成本是17.5萬美元。NSF項目的年度資助額平均約為16.5萬美元，大學扣除間接費用后，申請人實得11萬美元左右。換句話說，基金項目申請成功導致的是費用上的凈損失。此處只考慮了項目撰寫的成本，尚未計算項目評審時間所折合的費用----單是2015年，NSF就邀請23.1萬評審人對49600份申請書進行了評審。

　　 該團隊提出，不妨采用FundRank模型來進行評審，該模型是一個基于專家的眾包資助程序，可用它來部分代替目前的經費資助評審程序。該模型的設想是，凡是有一定資歷的研究人員，每年都分配到一部分科研經費，比如說10萬美元。每人必須再將其中一部分，比如50%，分給最該拿到經費資助的同事。也就是說，學者們互相評估學術水平，每人都根據對其他人學術水平的判斷做出資助額排序，于是，學術水平排序最前的學者獲得的經費最多。

　　這樣，學者們不必花很多時間寫本子、評本子，而可以把時間用于就各自過去和現在所做的工作以及今后打算做的工作開展相互交流，讓別人能夠對自己的貢獻和學術雄心作出判斷。只要采用充分數字化的信息系統，潛在的利益沖突很容易識別出來，相互關照構成的網絡關系也能自動檢測出來。

　　為了檢驗這個FundRank模型對科研經費分配有什么樣的影響，他們利用PageRank算法做了計算，假定學者們是根據一個人所發論文的被引用次數來判斷其學術水平的（即，用被引用次數作為學術水平的替代變量）。該模型中，一個學者的“重要性”（即威望、價值、影響力等）不僅取決于其論文的被引用次數，還取決于引用其論文的學者的重要性。也就是說，引用其論文的學者越重要，該論文的作者就越重要，PageRank算法理念的先進性正體現在這里。他們采用了3700萬篇論文在20年間的引用數據，驗證了該模型的有效性。結果表明：學者們若根據同事的被引次數來判斷其學術水平并分配經費的結果，與20年來學者們從NSF和國立衛生研究院實際拿到的基金資助的情況是強相關的。但是，FundRank模型運作所需費用比現在的基金評審系統所花的費用要低很多很多。