给科学家的科学思维

这本书应该把书名改为：给科学家的统计学思维，似乎更加合适。 坦率讲，这本书真的很棒，用无可辩驳的统计学事实，给出了科学研究的一些方向和方法，同时也指明了科学研究一些不足和谬误。对于科学工作者，会是一本很有参考价值的书。 当今的科学研究，看似繁华似锦，如火如荼，在各个方向上突飞猛进。其实在我看来，越来越陷于琐碎和无聊，距离真正的创造性很远很远。诺贝尔奖获奖项目，也很少能够让人激动。全球每年诞生的论文超过100万篇，但真正有价值的有多少呢？全球这么多科学家，做出了多少真正有意义的研究呢？我们必须追问造成这样的现状的根源。 实证科学研究，在笛卡尔和培根的奠定的基础上，发展了几百年，的确巨大地改变了这个世界。但到了今天，科学共同体的贡献就显得苍白无力了。人类似乎积累了很多知识，但这些知识对人类的进步真正起到了多大的作用呢？我们真的比几百年前的人类活得更有价值了吗？ 当今的实证科学建立在沙滩上，知识不过是用一种新的错误替代旧的错误。知识最终不过是资本的助手，而资本越来越主体化，它统治着人、支配着人、奴役着人……

这本书的书名一看感觉高大尚。读后感觉有点像“标题党”？😄当然从内容上，用大白话讲它似乎更多关注是“科学研究者们所发论文相关大问题”。例如，如何评价论文质量内容，如何发在更好杂志上，如何建立好的合作团队，如何理解诠释文章的 H index 等。它当然还更多介绍一下统计学及与互联网相关算法，例如一些计算预测模型方法或者构架一些具体科学参数，包括特殊图表格式或者图形方法。文字量化分析等应该是本书特殊贡献亮点特征等。 本书第二部分重点是与科学研究个人或者单位合作研究相关领域研究成果有效性方面及合作背后复杂网络问题数学基础。其中涉及许多科学家，高水平论文作者们的有趣八卦故事，成功团队组建技巧量化测试，作者如何排名积分提升影响力，研究人员工资水平及趋势，文章引用量及数学规律，专利及媒体影响力，科学时间维度，热点文章，学科之间不同分布趋势特征，最后还介绍一些人工智能新时代科学技术应用创新问题考虑等……书附录中有引用数学建模文章。 简言之，作者整体上介绍与各研究领域发论文相关大领域的各种专业考虑分析及相关统计学研究，它似乎并没有从诠释解释什么是哲学或者科普角度认知的“科学学”？ 因此，下面是个人在读书过程中，附上补充家庭作业，是从网上分别收集读书笔记参考： 第一部分：“科学学的定义：科学学是研究科学本身的一门学科，旨在通过科学方法和理论对科学的产生、发展、组织、传播和应用进行系统的研究。它跨越了自然科学、社会科学与哲学的界限，关注科学活动的内在规律、社会影响以及其在知识体系中的地位。 科学学关注的核心内容：科学学的研究领域十分广泛，其核心内容包括以下几个方面： 1. 科学的本质与特征：探讨科学的定义、本质及其与其他知识体系（如宗教、艺术、技术）的区别。 2. 科学的发展规律：研究科学如何从一个阶段发展到另一个阶段，如科学革命、范式转变（库恩理论）、科学进步的累积过程等。 3. 科学知识的结构与传播：分析科学知识的分类、逻辑结构、知识增长机制，以及科学成果在学术界和社会中的传播路径。 4. 科学活动的社会属性：研究科学与社会的互动关系，包括科学政策、技术伦理、科学资源分配、科学教育等。 5. 科学共同体：探讨科学家作为一个社会群体的行为规律、科学规范、学术文化等。 6. 科学与技术的关系：分析科学作为理论探索与技术作为应用实践之间的相互影响及协同发展。 7. 科学评价与科学政策：制定评价科学成果与科学家贡献的方法，研究如何制定促进科学发展的政策。 科学学的核心逻辑； 1. 综合性：科学学连接自然科学、社会科学与人文学科，通过多学科交叉的方法揭示科学活动的复杂性。 2. 动态性：强调科学发展的历史性与动态性，研究科学从知识积累到科学革命的各个阶段。 3. 系统性：视科学为一个系统，分析其内部逻辑与外部环境之间的互动。 4. 社会性：科学不是孤立的活动，而是深刻嵌入社会、经济和文化背景之中。 科学学对科学发展和社会科学的特殊贡献： 对科学发展的贡献： 1. 揭示科学发展的规律：科学学通过分析科学发展模式（如库恩的范式理论），帮助科学家和管理者理解科学进步的逻辑与瓶颈。帮助预测科学未来发展的方向与可能性。 2. 优化科学管理与资源分配：提供科学评价体系（如论文计量指标、引文分析），促进科研资源的高效分配。帮助制定科学政策，如科研资助机制与优先领域选择。 3. 推动学科交叉：通过分析不同学科的相互作用，促进跨学科研究，推动新兴领域的发展。 4. 技术伦理与科学责任：科学学帮助科学界认识技术发展对社会的伦理挑战（如AI、基因编辑），引导负责任的科学研究。 对社会科学的贡献： 1. 提供科学社会化的视角：科学学研究科学如何嵌入社会结构中，揭示科学技术对社会进步、经济发展及文化演变的深远影响。 2. 提升科学政策科学性： 为政府与社会制定合理的科学政策、教育政策与技术法规提供理论支持。 3. 构建科学与公众之间的桥梁： 通过科学传播研究，提高公众的科学素养和对科学的信任，促进科学与社会的和谐互动。 4. 推动社会科学方法论革新： 通过科学学的逻辑方法（如定量分析、网络分析等），为社会科学提供新的研究工具与理论框架。总之，科学学通过揭示科学活动的规律与社会影响，成为理解科学发展的重要工具。它不仅为科学家和政策制定者提供理论支持，还通过优化科学资源配置、推动技术伦理研究和加强科学传播，为现代社会的发展和科学的持续进步提供了重要的理论基础和实际应用价值。” 第二部分：在人工智能时代，科学学对于研究科学的个体具有以下意义和价值： “1. 优化研究方向：帮助科学家理解科学发展的规律，识别前沿领域与热点问题，避免重复性研究。 2. 科学评价与提升：通过科学计量、引文分析等工具，量化科研影响力，优化研究成果的质量与传播。 3. 促进跨学科合作：揭示学科交叉的价值，推动AI与其他领域结合，促进创新。 4. 提升技术伦理意识：引导个体在人工智能应用中关注技术伦理与社会责任，确保研究对社会有积极影响。 5. 增强科学传播能力：帮助科学家通过有效的传播方式与公众、政策制定者沟通，提高科学研究的社会影响力。” 总之，科学学为个体研究提供理论指导和实践工具，使其可能更高效、规范地应对AI时代的科研挑战与机遇？😄🤭😂🙌💪⛽️！

现代的科学研究是一种复杂的工作项目，其中涉及科学家个人的能力，也离不开团队协作。所以，如何优化科研的效率，怎样提升科研成果的质量，需要进行深入探究。 本书作者是王大顺（美国西北大学科学学与创新中心创始人）与艾伯特-拉斯洛·巴拉巴西（美国物理学会院士）。二人以大量的数据为基础，从科研评价体系、科研从业者、科研团队三方面分析了现代科研体系的运行方式。 （1）科研评价体系 如今，对于科研成果的评价是以“论文”和“引用量”为核心。 论文是学术圈的硬通货。在学术期刊上发表的论文，要经过严格的“同行评审”。一项研究成果只有变成论文的形式，才能得到学界的认可。 评价“论文”影响力的指标是“引用量”。“引用”是指在一篇论文中，作者会列出其参考的先前研究。一篇论文被其他人引用的次数就是其“引用量”。通过引用量这个指标，可以量化分析论文的影响力。不同论文的引用量差距极大。2014年，有人整理了5800万篇论文，发现其中近一半都没获得过引用，而极小比例的一部分论文却被引用了成千上万次。 论文的引用量跟其自身品质和发表时间等因素有关。在论文品质方面，有两类论文特别容易获得大量引用：一类是极具突破性的学说，另一类是对特定科学问题的清晰解释。从时间维度来看，一篇论文发表的越早，它获取的引用量就越多；一篇论文存在的时间越长，就越有可能被读到，从而有可能成为经典之作。 在论文和引用量的基础上，诞生了名为“H指数”的方法，以综合评价科学家的影响力。 一名科研人员的H指数，是指他至多有H篇论文分别被引用了至少H次。比如，某位科学家的H指数是20，这意味着他有20篇引用量不低于20的论文，而他的其他论文，引用量都小于20次。有人估算过美国物理学会院士的H指数，普遍是在45以上。 一个人发表的论文越多，而且每一篇论文质量又都很高，才有可能取得不错的H指数。所以，这个指标能够相对准确地反映出一个学者的学术贡献，并被用在求职者评价和科研经费审批等领域。  （2）科研从业者 对于科研人员来说，其职业生涯一般分为三个时期。 在18到30岁的职业早期，科研从业者要完成本科、硕士、博士等漫长的教育和训练，才能算是真正入行。当其并获得职位后，就会逐渐进入一个成果多产期。研究表明，在创造性领域，一个人最优秀的成果往往出现在30到40岁之间。一旦过了这段多产时期，那么，科研人员继续取得重大突破的可能性就会逐渐下降。因为对于40岁以上的学者，他们会面临来自家庭或者管理岗位的压力。 为了在多产期取得更优秀的成果，科研人员需要做出多方面的努力，比如合理构思课题和积累学术声誉。 在构思课题时，要平衡好创新和传统之间的关系。相关证据表明，论文或者专利发明中，如果出现不同领域的概念组合，确实能让这个科研成果更具创新性，从而有可能获得高影响力。然而，新颖的创意同样也可能导致较高的不确定性。相比于普通论文，那些既能推出创新组合，同时又能继承传统研究成果的论文，其成功的概率至少高出两倍。 除了做好创新的平衡，科研从业者们还要尽可能去积累学术声誉。对于已经成名的学者，其科研成果更容易被发表、也更容易被引用。而且，在知名学术机构中的工作人员，同样可以享受这种声誉带来的便利。 （3）科研团队 现代科研越来越依赖于团队的通力合作。 科研团队之所以重要，是因为如今的知识领域分工越来越细化。为了解决现代科学所面对的复杂问题，就需要不同领域的科学家们聚合起来，将不同技能和知识融为一体。只有团队合作，才能集中力量办大事。 比如，为了得到引力波信号，一个国际团队花了40年时间搭建整置，所投入的资金高达11亿美元。当宣布成功观测到引力波的论文发表时，其中列出了来自世界各地的1000多位作者。 在组建科研团队时，要注重成员间的能力平衡并且合理安排团队规模。 在成员选择上，并不是“精英人才”越多越好。20世纪80年代后期的杜克大学英语系，是一只全由学术明星组建的团队，但这个科研团队很快就失败了。当团队中全是精英时，成员可能会为争取主导权而内斗，这样的团队往往表现不佳。组建一支成功的科研团队，不仅要天赋异禀的天才，而且还要挑选合适的队员，让他们在个性特征上取得恰当的平衡。 在确保多样性的同时，还要合理规划团队的规模。 较大团队产出的科研论文和专利，其影响力比小团队的要高很多。因为大团队往往有着最先进的设备、最充足的经费，是推动科技进步的主力军。但是，随着团队成员数量增加，团队成果的颠覆性就会明显下降。与之相比，小团队有着自己优点，这种队伍可以快速地验证最新的想法或者最颠覆的构想。总体来看，大型团队发展科学，小型团队颠覆科学。 本书所探讨的内容有助于帮助科学家们更好地做出职业规划、更充分地发挥团队优势、更具创造性地探索未知，从而取得对全社会更有价值的科研成果。

一本有趣的书 原本觉得翻译成《给科学家的科学思维》不合理，可能跟大部分人的期待都不一致。在我的期待里，科学思维是类似《这才是心理学》之类的作品，内容主要讲的是可证伪原则、操作性定义、随机对照实验之类的原则或方法论，但这本书完全不是，也许翻译成《科研行为的研究发现》或《给科研工作者的职业指南》会更贴合一些？好像也还是不太准确。 简单的说，这本书是通过数据分析挖掘科研行为里一些有趣的现象，例如科学家存不存在创作力高峰期？科研是单兵作战还是团队作战？两种作业方式哪种得到的科研成果影响力更大？科研成果影响力如何界定？诸如此类。 这本书于我有独特的满足感，一方面是作者巴拉巴西本身是网络科学的奠基人之一，用网络科学的视角，如科研成果影响力的幂律分布、论文引用时的链接偏好和适应优势等，来诠释科研行为里的一些规律，很有启发；另一方面就是数据烹饪了，用科研数据分析来回答很多科研日常里有争议的非科研问题，这件事本身足够有趣。

我一般喜欢读一些“道”或者大框架的书，很少读完“术”或者扣细节的书。这本书是例外，它处于我决定职业生涯的时候，我觉得从一个广角看一看这个职业的全貌可能会有帮助。 通篇讲了很多内容，如果把细节补起来可以算得上科学学101课了。印象最深的是index的有用性、马太效应、指数现象及其背后原因（优先链接什么的）、合作、成功的pattern。 我们身处其中的人其实都挺抱怨指数的，什么i10之类的，不过如果跳出来从一个客观广阔视角去想，指数是量化的第一步，但所有指数永远都有空子，即如果用指数衡量“成功”或者“突破”，以成功或突破为目的的人在指数意义下不会高于以指数为目的的人。所以指数应该时常更新并不应该透明到让人可以掌握。也许AI是个比人手设计指数更好的方法。但如何训练（如何定义成功或突破）是个问题。 马太效应、large scale的规律及其背后原因就不说了，我觉得这些属于更广阔的内容，应该拔到更高的角度理解。马太效应应该放到人类学社会学心理学框架下再阐释，large scale的规律应该放到广义的复杂系统里面去思考。 合作以及科学成功的pattern是更细的、指导我职业选择的点。从这里我们看出，合作是有利的，而且都是天才的合作很难成功，这其实和我之前在同事行为里总结的规律并不一样，怪不得我之前的合作都非常艰辛：社会要求个人想象的“好”的样子其实有时候并不对。另外，科学上成功依靠天赋和运气（和施一公演讲有所吻合）的成分比积累更多，一次成功可以开启一个高产期、每个人一生的高产期很难超过一次。这些和我对自己的合作的negative evaluation都算是我想转行的一小部分原因吧。 总之，算是一本工具书和科学学入门书。之后也许在某个点会入坑科学学也不一定，毕竟复杂系统真的很有意思，而如何做好科学、如何利用新的工具更宏观的理解科学也是很有用的。我之前LLM刚火的时候其实想做一个自动整理文献、把握学科脉络和人际关系的app不过还没空搞，如果有这种方便易用的app我觉得会方便很多。

这本书可以算是科学学（专门研究科学家产出的学科）的文献综述类的专著，但是读起来语言又比较有趣。作者是物理学背景，读起来和经济学家写的东西还是有很不一样的感觉。里面有很多觉得很巧妙很有趣的自然实验，比直接看政策的外生冲击有趣多了 这本书分别从科学家个体的产出和影响力，科学家团队的产出、合作、荣誉分配，科学产出的指数增长，以及目前科学学研究面对的样本选择性，因果识别等四部分展开。 第一部分描述如何衡量科学家的产出，主要是基于论文引用量构造的指标，如H index（一个科学家发表过n篇引用量超过n次的论文，h index=n）；Q因子，衡量科学家持续产出的能力。科学声誉存在马太效应（强者恒强）。科研成就与年龄的关系，根据成功随机规律，中年科学家成功概率更高只是因为这个年龄段发表的论文更多；知识的负担，随着知识的积累，后代的年轻科学家需要花更多的时间来学习前人的知识，用于自身探索创新的时间客观上缩短。 第二部分讲的是科研团队的产出。 目前发表的论文很少像之前那样是独作，大部分都是多人合作。科学家之间互相高度依赖（如院系雇一个明星科学家，最大的贡献是未来几年内会招聘更多优秀的年轻科学家）；科学家之间存在复杂的合作网络，如数学领域的厄尔多斯指数（鄂尔多斯一生与500多个数学家合作发表论文，平均每两个月发一篇，其本人该指数为0，与其直接合作的数学家为1，间接合作的为2等，该数值越少，其数学成就越高的概率越高）；如何组建团队才能更成功，团队国籍，性别，年龄等多样性，团队大小。团队之间改如何分配功劳。集体荣誉分配算法很好的识别出多人合作论文中最主要的贡献者。 第三部分讲如今论文发表指数增长，如何使用模型很好的拟合预测一篇论文引用数量。 除了论文本身的特质适应度，媒体的宣传也会增加论文应用。（使用纽约时报罢工期间没有公开发行论文作为自然实验，研究像公众宣传与否，对同一时期柳叶刀上论文引用量的影响）。但是媒体宣传通常没有持续追踪，很多早期报道的科研成果有可能有误，后续更正却很少报道。导致错误的一些科研成果在大众之间广泛传播。 第四部分指出目前科学学研究存在的幸存者偏差问题（可供分析的数据大部分都是已经发表的论文，失败的论文不可得）；因果问题很难识别，即使借鉴经济学的因果识别策略，但也都是固定在特定的样本，其结论不像是工程学领域，很难进行一般性扩展。再就是在目前人工智能发展下，对不同学科科研之间的影响如何。一些样本领域比较窄的领域，应用很成功，如医学影像。 总之，挺有趣，值得一读。

作为讨论“科学学”的书，笔者视角很独特：把科学家放在“创意工作者”的位置上，讨论如何衡量作者的影响力、作者“名气”对作品影响、作者的“花期”与大作产出规律、创造力是否真的青睐年轻作者、共同作者的贡献怎么“分赃”、作品的长久性如何评价……许多统计分析表明长期流传的科研迷思其实真的存在，而且甚至不局限于科研领域；不过几篇（非原作的）序写得不太好，感觉科哲底子不太扎实。

也许给四星！和上一本基于网络的成功学有一些重复的内容，感觉讲故事的功力比那本差一点。书里很多现象学的描述，有一些implications但是不多？比如科学家的合作应该怎样进行，科研明星的出现，等等，都还是对于已有数据的统计学分析。不过好的事情是在这样大规模的对于已有的二手数据分析之后，能有更多感兴趣的人开始关注科学生产这一过程本身。

对于科学学的研究是从没有规律性之中发现规律，如同我们对于科学的研究类似，科学研究本身也许受到了海量数据的影响，简单的实验和思路已经不能满足发表的要求了，自己也是在不断比较富勒烯的发现论文，在当下能否发表，这个就是所谓共同通讯作者和第一作者的原因吧，因为每个人人专业和认知都不足以完成一个优雅或者深入的工作了，当然灌水之类的除外吧，所以如同自己认为传统医学和现代医学的分水岭，在人类基因组测试前后进行划分，现代科学与传统科学的组织形式的分裂时间野兽在那个时间前后吧，这里面也是比较了不同时间作者的数量问题，展现的非常清楚，现代科学需要一种有组织的行为，而不完全是学者个人的行为，这个发展的过程使得科学学有事情可做并且进行了思考。对于全新的组织形式，我们采用什么样子方式来进行或者采用什么样子的状态来进行科研基本单元的变化和指导是科学本身的需要还是社会学的需要，所谓的师从天才是不是完全的，其实当下科学的分析举例子在2010年之前的演化也许是意义不大的，随着论文数量的增加类似于人类产生并被存储的信息一样的模式在改变着社会组织和形态的变化。

我不知道连续写两个评论的话会不会让一个覆盖另一个，不过这是我写的第二个 这本书的翻译非常专业，非常棒