美科学计量学学者提出科研基金分配新模式

　　美国印第安纳大学著名科学计量学家Katy Börner教授在Issues in Science andTechnology（科学技术问题）季刊2016年春季号发表文章，Data-Driven Science Policy（数据驱动的科学政策，http://issues.org/32-3/perspective-data-driven-science-policy/），在文中她介绍了他们科学计量学团队的好几项研究作为“数据驱动的科学政策”研究的例子，其中一个例子如下。

　　 JohanBollen及同事于2014年发表的一篇论文指出，学者们付出了大量时间、精力与努力去撰写和评审项目申请书，资助机构也在评审上耗费了不少资源，而这些资源本可以直接资助科研的。他们利用国家科学基金会（NSF）和Taulbee Survey的数据（博主注：Taulbee Survey即托尔比调查，提供了北美地区计算机科学与计算机工程博士生的招聘、培养与就业方面的详尽数据），简单估计了一下计算机科学领域基金申请的“投资回报率”。他们发现，撰写一份项目申请书平均需要4位大学老师花4周的时间，即撰写成本为3.5万美元；计算机科学领域目前的申请成功率是21%，即平均提交5份申请书只有一份能成功立项，则总成本是17.5万美元。NSF项目的年度资助额平均约为16.5万美元，大学扣除间接费用后，申请人实得11万美元左右。换句话说，基金项目申请成功导致的是费用上的净损失。此处只考虑了项目撰写的成本，尚未计算项目评审时间所折合的费用----单是2015年，NSF就邀请23.1万评审人对49600份申请书进行了评审。

　　 该团队提出，不妨采用FundRank模型来进行评审，该模型是一个基于专家的众包资助程序，可用它来部分代替目前的经费资助评审程序。该模型的设想是，凡是有一定资历的研究人员，每年都分配到一部分科研经费，比如说10万美元。每人必须再将其中一部分，比如50%，分给最该拿到经费资助的同事。也就是说，学者们互相评估学术水平，每人都根据对其他人学术水平的判断做出资助额排序，于是，学术水平排序最前的学者获得的经费最多。

　　这样，学者们不必花很多时间写本子、评本子，而可以把时间用于就各自过去和现在所做的工作以及今后打算做的工作开展相互交流，让别人能够对自己的贡献和学术雄心作出判断。只要采用充分数字化的信息系统，潜在的利益冲突很容易识别出来，相互关照构成的网络关系也能自动检测出来。

　　为了检验这个FundRank模型对科研经费分配有什么样的影响，他们利用PageRank算法做了计算，假定学者们是根据一个人所发论文的被引用次数来判断其学术水平的（即，用被引用次数作为学术水平的替代变量）。该模型中，一个学者的“重要性”（即威望、价值、影响力等）不仅取决于其论文的被引用次数，还取决于引用其论文的学者的重要性。也就是说，引用其论文的学者越重要，该论文的作者就越重要，PageRank算法理念的先进性正体现在这里。他们采用了3700万篇论文在20年间的引用数据，验证了该模型的有效性。结果表明：学者们若根据同事的被引次数来判断其学术水平并分配经费的结果，与20年来学者们从NSF和国立卫生研究院实际拿到的基金资助的情况是强相关的。但是，FundRank模型运作所需费用比现在的基金评审系统所花的费用要低很多很多。