精选
从顶刊到高IF：人才评价遭遇社会共谋困境
李侠
（上海交通大学 科学史与科学文化研究院）
最近《科学网》上的一篇文章“不屑给Nature和Science投稿，这个“海龟”差点败给影响因子”，引发学界的热议。问题是老问题，之所以还能引起科学界的高度关注，是因为这个现象已经失控，人们对科技人才评价体制的合理性与正确性的质疑开始显性化。
客观地说，人才的鉴别与遴选是世界性的难题，难就难在如何测评人才所拥有的“才”？时至今日，尽管仍然没有一个具有普适性的标准，但在一些发达国家已经形成了一些比较合理的评价标准。由于我国是一个典型的后发国家，从事科研的历史还比较短，因而，在人才评价环节已经远远落后于时代发展的需要。为了识别人才只能采取“郑人买履”的模式，依靠僵化的标准作为评价依据，当下科技界常用的两个人才评价标准，其一，产出高端，即发在顶级期刊（如CNS，细胞、自然、科学三本杂志的简称）与高影响因子（IF）期刊上；其二，学术出身具有耀眼光环。现在，各类科研机构与个人对顶刊和高IF都是趋之若鹜，从这个意义上说，中国科技界败给这套标准已经好多年了。
众所周知，顶刊与高IF并不能保证成果一定是最重要的，这类案例在科学史上比比皆是。比如孟德尔（1822-1884），把多年基于豌豆实验所得出的遗传定律发表在不知名的修道院的会刊（1866年）上，导致成果被埋没多年，按照今天的观点看，孟德尔所发表的刊物，既没有名气，影响因子也低。但是，没有人否认孟德尔工作的重要意义。再比如大家都熟悉的爱因斯坦1905年发表相对论的那家德国期刊：《物理学年鉴》（Annalen der Physik），它的影响因子在当下也就3.2左右，但没有人否认爱因斯坦狭义相对论对科学的里程碑式贡献。再拿最近几年诺贝尔奖获得者的事例同样证明这个道理，如2008年获得诺贝尔化学奖的下村修（Osamu Shimomura），其几篇重要论文发表的刊物名头都不是很大，影响因子也都不高，但这些成果同样是划时代的；2015年诺贝尔生理学与医学奖获得者屠呦呦教授的成果发表在《科学通报》（1977）上，同样也是“双非刊物”，不需要举更多的事例了。顶刊与一般刊物，高IF与低IF期刊都不会影响成果本身的价值与意义，期刊的本质就是知识传播的载体，所不同的只是传播的效率而已，而影响因子是可以操控的。从这个意义上说，过度迷恋顶刊与高IF其实并没有多少过硬的事实依据，只是一种长期以来形成的群体认知习惯而已。学过科学社会学的人都知道，科学界为了获得优先权，往往会率先发表成果。此时刊物的重要性将成为次要的考虑，而发表速度则成为第一考量因素，诚如刘立教授所言：发表为王，先发大王。遗憾的是，几乎所有人都意识到了这套评价体系有问题，但是管理者在没有发现更好的替代方案之前，老办法仍然会为人们提供一种确定性，仍将长期存在，这与人们根深蒂固的风险厌恶偏好有关。
为了破解这个难题，需要梳理清楚这套体系是如何产生的？根据我们的研究，近代工业革命以来，人才评价从粗到细大体经历了两个阶段：首先是对于学术出身的崇拜。造成这种情况的原因是：工业革命以降，随着机器大工业的出现，社会上出现对于人才的迫切需求，而当时的社会（企业主）并没有能力去鉴别人才，甚至个体去鉴别人才是极度不经济的行为，此时整个社会为了降低人才的鉴别成本，通过对某些培养人才表现优异单位的承认，从而认可那个单位培养的某方面人才是合格的，这样一来就省去私人鉴别人才的成本，这对于快速发展的社会而言是符合经济原则的。一旦获得社会认可，又会反向倒逼培养单位加强相关人才的培养与管理，从而在整个社会上形成了一种双赢的正反馈机制。这个模式极大地促进了资本主义社会的兴起与发展。时至今日，这个模式仍然是很多用人单位喜欢采用的简便易行的鉴别人才模式。到了20世纪60年代，经历三次工业革命，整个社会的分工日益精细化，这时依靠原有的出身模式来鉴别人才，已经不能很好地满足快速发展的科技样态与工业分工日益精细化的需求，这时评价人才的模式实现了第二次范式转型，即通过把成果与顶级期刊与高IF捆绑起来的模式来鉴别人才。今天普遍采用的SCI（包括顶刊）以影响因子（IF）都与美国科学计量学家尤金·加菲尔德（Eugene Garfield，1925——2017）的工作有关，他1963年在科技界先后引入SCI、SSCI、A&HCI，以及科技界人士普遍采用的H指数等指标，以此来鉴别人才。半个世纪后，这套系统几乎主宰了全世界的科技人才评价，虽然大家都知道这个评价体系存在很多问题，但是它简便易行，仅仅通过论文表现就可以对人才作出快速评估，由于用论文设立起来的评价之“无知之幕”最大限度上排除了外界的干扰因素，导致评价结果看起来比较客观，符合罗尔斯的正义原则。这也是它受到全世界追捧的根源所在。但评价手段的过度简单化必然带来结果的不准确，也许这就是人类必须为简单化付出的代价。
对于整个社会而言，科技界是一个非常陌生的领域，人们并不知道如何评价科研成果，他们相信科技界是公正、聪慧的，因此，接受他们的评价方法是尊重科学的表现。公众最初的被动接受演变为无反思的认可，这种转变意义重大。因此，这套评价模式之所以能大行其道，除了科技界的大力推行之外，还与整个社会的接受与认同使这套评价模式获得合法性有关，从这个意义上说，对顶刊与高IF成果的推崇是科技界与社会共谋的结果。遗憾的是，这种共谋的局面一旦形成，若想放弃，就不是任何单独一方所能完全掌控的，由此科技界被迫陷入路径锁定现象，而且无力自拔。即便你想改，如果没有好的替代方案，整个社会都不同意，而且老的人才评价范式在多年运行中也塑造了大量的忠实拥趸。这就是当下人才评价体系面临的共谋困境。纵观科学史，不难发现近代人才评价模式至少经历如下三种认知视角的转变：
1、前工业社会人才评价模式（文艺复兴以前）
学术能力 → 交流能力 → 学术出身（或无）
2、工业革命以来人才评价模式（20世纪50年代以前）
学术出身 → 学术能力 → 交流能力
3、后工业化社会人才评价模式（20世纪60年代以后）
学术能力 → 交流沟通→→ 学术出身
人才鉴别之所以难，是因为在用人单位（雇主）和人才之间存在巨大的信息不对称现象。雇主不知道人才的真实情况，只有人才自己最清楚自己的状况。对发表记录与影响因子的检查可以静态地消除掉一些缺失信息，这也是雇主迷恋顶刊与高IF的内在缘由之一。而交流能力是个体获得雇主认同与消除信息不对称的有效途径。这就导致后工业化社会以来，交流能力变为鉴别人才的越发重要的原因之一。从上述三种人才识别模式中，可以清晰看到交流能力在人才鉴别中的排列顺序的变化。
另外，对于学术能力的评价，由于缺乏具有普适性的判决性试验（即通过一个事例就能充分判断出某人能力的实验），发达国家通过采用长聘机制（tenure-track），利用较为充裕的时间去发现人才的能力，合格者给予终身教职，这种方式可以较好地避免顶刊与高IF对于评判所造成的短期噪声影响，使研究人员能够相对安心地投身科研。由于中国科技起步较晚，在人才评价方面存在先天的经验储备不足现象，在追赶与赶超的政策驱动下，目前我们流行的模式是把人才=学术出身+学术能力（顶刊与高IF）捆绑一起，这种模式看起来很完美，但是其内在运行机制完全不同，导致科技人员必须去追求热点与短平快的研究，这种模式无法培养科研人员的长期耐心与钻研精神，否则会被短时（甚至瞬时）的评价体制淘汰掉。也许更为严重的是，这种评价体制会扭曲中国的科研布局以及群体的心理偏好。
众所周知，科研规划的设计是基于专家的评估与管理者的决策做出来的，然而专家也是人，也具有很大的盲从与从众心理，再加上一些人成为决策专家的经验就是源于过往对顶刊与高IF追求的结果，因而，他在决策中会默认该出发点的正确性。由于科技界的门槛效应，即便有客观的旁观者的存在，也无法参与到决策中来，更无法改变规划的实施，从而导致政策与规划在起点处就跑偏，造成稀缺的科技资源的浪费与贻误发展时机。更为长远的影响是，这种共谋局面会在一次次的规划中得到巩固与加强，进而造成科技界整体认知偏差的加剧，并成为一种文化偏见。反观这些年来，我国科研论文产量长期高居世界第二（从2008年开始），但真正具有原创性的研究极少，整体创新能力也未见快速提升（2018年全球创新指数GII排名中位列17名，第一次进入前20名），这可以看做是长期缺乏自己的问题域，以及盲目跟风与追热点的必然结果。
解决的出路在于，把学术能力所针对的研究对象拆分成两类：原始基础性研究与应用研究，对于从事原始基础性研究的个人与单位仍然允许他们追求顶刊与高IF；对于那些从事应用研究的个体与机构则让他们以解决实际问题为主，不以论文和影响因子作为考评指标，这种分流会在一定程度上遏制这种追刊现象。当下出现的一种可喜的变化是，整个社会开始不满意于科技界长期的空对空类研究，开始追求身边问题的解决，这对于破解人才评价的共谋困境给出了很有利的改革窗口期。这几年流行的口号是：把论文写在祖国的大地上。这可以看做是第二种分流模式的一种体现。即便做基础研究，笔者也希望优先安排的不是那种跟风研究，而是基于现实国情从身边问题出发，即从“由应用引发的基础研究（巴斯德象限）”处切入，比如当下中国正遭遇严重的非洲猪瘟疫情，那么针对这个问题的研究就是典型的由应用引发的基础研究，这种研究成果既可以发到顶刊，又实实在在地为国家解决了遭遇的难题，同时也为人类知识宝库增加了新知识。
【博主跋】这篇小文章是几个月前写的，现发在《学习时报》2019-10-2的A6版，发表时略有修改，这是原稿，与张老师合作愉快，是为记！
说明：文中图片来自网络，没有任何商业目的，仅供欣赏，特此致谢！
转载本文请联系原作者获取授权，同时请注明本文来自李侠科学网博客。
链接地址：https://wap.sciencenet.cn/blog-829-1200397.html?mobile=1
收藏
