用人工智能工具来评价科学家的影响力

UFO爱好者

用人工智能工具来评价科学家的影响力是怎么回事，是真的吗？2016年06月17日是本文发布时间是这个时间。下面一起来看看到底怎么回事吧。
                                用人工智能工具来评价科学家的影响力
                               
                                谁是计算机科学领域的迈克尔·乔丹？这个搜索引擎可以告诉你。
                               
                               



去年秋天，位于华盛顿州西雅图的艾伦人工智能研究所（Allen Institute for Artificial Intelligence）启动了一项名为 Semantic Scholar（语义学术）的服务，向 Google Scholar、PubMed 等在线搜索引擎发起挑战。该程序最初经由 200 万篇计算机科学领域的文献训练，旨在提供一个能在一定程度上理解文献内容的人工智能搜索引擎。它的语料库已增长到 400 万篇文献。现在，研究所正在为 Semantic Scholar 制定另一个同样远大的目标：衡量科学家或科研组织对后续研究的影响力。

该工具能够通过一项专门的“影响力分数”，对文献、作者和研究机构进行排序，目前它仅涉及计算机科学领域，但会在2016年秋季扩展到神经科学领域，并进而扩展到其他学科。例如，该工具发现，计算机科学领域最具影响力的研究机构是麻省理工学院。这当然不出所料。那么，最具影响力的计算机科学家呢？是在圈外鲜为人知的人工智能先驱、加州大学伯克利分校的迈克尔·乔丹。“大家都叫他机器学习领域的迈克尔·乔丹，”西雅图艾伦人工智能研究所的负责人，Semantic Scholar 的创造者奥伦·埃齐奥尼（Oren Etzioni）如此打趣。

如果圈外人发现 Semantic Scholar 的排名可靠，该排名就可能对招聘与教职评估委员会有所帮助，这是因为学术影响力本身就难以量化。过去的方法是统计引用次数，这已经成为学术出版行业的基本衡量标准。汤森路透（Thomson Reuters）、爱思维尔（Elsevier）等机构通过出售文献数据库的使用权，让用户获取被引用次数。

但并非所有的引用次数都具有同等价值。例如，为整篇论文提供灵感的引用，与仅仅在方法论部分简单提及的引用截然不同。因此，粗暴地统计引用次数会对衡量科学家的影响力产生误导。同时，研究者也抱怨道，基于引用次数的传统衡量标准助长了“要么发论文要么被淘汰”的心态，迫使他们不管研究是否重要，都用最快的速度发表论文，以积攒更多的引用次数。

有些人说，需要更直接地衡量文献对将来研究的实际影响。因此，埃齐奥尼的团队在 Semantic Scholar 上搭建了一个新工具，用于生成“影响图”。Semantic Scholar 数据库中的大部分文献是 PDF 格式的，人类可以轻松阅读，但在计算机看来就是一堆毫无章法的文本。要想使计算机阅读起来更像人类，需要借助机器学习，这项技术帮助计算机做出更精确的猜测。例如，计算机不仅要识别论文中的不同部分（引言、方法、结果），还要弄清作者对所引用文献的态度。因此，艾伦研究所的团队通过机器学习，训练一项能够发现这些特征的统计模型。随后，计算机通过对比自己的猜测和人类专家的理解，逐步优化该模型。

埃齐奥尼称，目前系统仅能测量被直接引用的文献的“直接影响力”，但未来的版本会将被引用文献引用的文献的“间接影响力”考虑在内。

试运行


Semantic Scholar （16 June 2016)

这项工具于2016年4 月20 日在 www.semanticscholar.org 首次亮相。《科学》请怀俄明大学（University of Wyoming）的计算机科学家杰夫·克卢恩（Jeff Clune）来试运行。

克卢恩首先查看了“影响图”内他本人的近邻。“非常有趣，”他说，“我能看到我的职业生涯受哪些科学家影响最大、我启发了哪些科学家，以及关于任何其他科学家的这类信息。”大多数结果正如克卢恩所料，他受自己导师的影响，他影响了自己的研究生和博士后，但也有一些出乎意料的结果。比如，有一个他不熟悉名字的人，受他论文启发，做了大量的后续研究。

克卢恩相信，除了娱乐价值外，这项工具可能在学术招聘和晋升过程中有一定价值。负责做决定的委员会不仅要按工作成果为候选人排名，同时也肩负预测候选人未来影响力的重任。Semantic Scholar 试图通过测算工作成果的“速度”和“加速度”，衡量人们引用某些研究的速度以及将来的趋势，来揭秘研究领域内的热点。克卢恩说，部门委员会“已经在粗略地计算这些信息了”，因此他预测 Semantic Scholar 的数据会被投入使用。

但 Semantic Scholar 的某些特点也令他担忧。在某种程度上，Semantic Scholar 是一个“黑箱”，克卢恩说。“人们能够理解这些结果是怎么来的吗？”

埃齐奥尼承认，算法生成结果的过程有些隐晦。“在机器学习的过程中，总是需要一些权衡，”他说道，“当鼠标移到数字上时，显示一个关于数据来源的范例，这或许有所帮助。”

与此同时，机器学习界的迈克尔·乔丹坦然接受了自己排名第一的消息，却归功于别处。“尽管在历史上有各种关于某些科学家或数学家的传说，我个人相信研究人员所处的圈子才最能够预测他们的成功，”他说道，“我自己的圈子里有许多优秀的人，他们有很多卓越的想法。”

埃齐奥尼的团队目前在让 Semantic Scholar 消化大量有关大脑的研究文献。这项工具以及大脑研究者的影响力排名，将于11 月12 日在加州圣地亚哥召开的神经科学学会会议上首次展示。

作者 John Bohannon
翻译 李可人 王丹
审校 乔宇 谭坤

原文链接：
http://www.sciencemag.org/news/2016/04/who-s-michael-jordan-computer-science-new-tool-ranks-researchers-influence