量化科学奖项的声誉：一种基于网络计量学的框架

《Information Processing & Management》：Quantifying the prestige of scientific awards: A network-bibliometric framework

　　

• •
  我们提出了一个数据驱动的框架，通过整合1352个奖项-学科记录的有向奖励网络和OpenAlex提供的获奖者计量指标，来量化科学奖项的声望。
• •
  多种排名和预测模型经过两个外部基准的交叉验证，这些基准涉及公众关注度和专家声誉。
• •
  该框架通过多特征和多代理设计进行评估，将奖励网络结构、获奖者档案和外部基准信号联系起来。
• •
  网络影响力，尤其是特征向量中心性，被认为是最重要的信号，其次是获奖者层面的指标，如近期引用活动和作者领导地位。
• •
  排名扩展能够识别出广为认可的一流奖项，并发现可能需要未来专家评估的未被基准覆盖的奖项。

引言

科学奖项是认可卓越成就、激励突破性研究以及确定现代科学发展方向的关键机制。除了作为声望标志的象征性价值外，科学奖项还充当着重要的信息信号，指导研究优先事项，推动合作网络的发展，并在全球科学生态系统中传播声誉资本（Jin等人，2021年；J. Li等人，2020年；Ma & Uzzi，2018年；Tian等人，2025年；Zhu等人，2023年）。近年来，科学奖项的范畴急剧扩大，从诺贝尔奖、菲尔兹奖和图灵奖等少数著名奖项，发展到由学术协会、政府机构和慈善基金会管理的数千个特定学科的荣誉奖项（Jiang & Ma，2026年；Norris，2024年）。然而，矛盾的是，尽管这些奖项的激增对职业轨迹和机构策略产生了重大影响，但关于其相对声望的实证研究仍然相当初步。在本研究中，奖项声望指的是奖项在其学科社区内及以外被认作高地位和有影响力的科学认可程度的程度。当与已经建立的各种科学系统评估框架（如期刊（Bollen等人，2006年；Cao等人，2023年）、会议（van der Aalst等人，2023年）、机构（He等人，2024年；Molinari & Molinari，2008年）、个别研究者（Bornmann，2017年；Zhang等人，2023年）甚至单篇出版物（Gingras，2016年；Huang等人，2022年）相比时，这一差距尤为明显。与成熟的期刊、会议、机构、研究者和出版物的定量评估方法相比，科学奖项缺乏类似的评估框架，这一直是研究评估中的一个主要盲点。

对于评估科学奖项的透明、可复现、数据驱动的方法的需求日益迫切。科学奖项作为一种制度化的信息信号，在整个研究社区中传达科学声誉和卓越性。因此，理解它们的相对声望对于研究认可信息如何在学术交流系统中组织、传递和解释至关重要。现有的方法通常依赖于基于专家判断的调查声誉得分（Jiang & Liu，2018年；Meho，2020年）或基于大众的代理指标，如维基百科页面浏览量（Ma & Uzzi，2018年），这两种方法都提供了有用的信号，但仍然容易受到主观性、覆盖范围有限、学科偏见和复现性不足的影响。然而，信息处理和科学计量学交叉领域的最新突破为将无形的学术现象转化为可量化的指标奠定了坚实的基础。基于网络的方法在揭示科学系统中的潜在声望层次结构方面证明了其有效性（Havlin等人，2012年；Zeng等人，2017年）。例如，高阶网络模型能够捕捉传统中心性指标忽略的重要模式（Li等人，2025年），而创新轨迹分析则量化了研究如何扰乱或重新定向知识流动（Runhui等人，2025年）——这两种方法都为绘制奖项层次结构和声望动态提供了方法论上的借鉴。基于机器学习的评估进一步表明，算法模型可以从文本和语义信号中系统地评估原创性（Huang等人，2025年），并揭示学术社会结构如何塑造科学领域中的颠覆性成果（Liu等人，2026年）。这些方法论进展共同表明，将多源计量数据与先进的网络分析相结合，可以将“声望”的主观构造转化为可测量、可复现和可预测的数量。

基于这些方法论进展，本研究开发了一个定量框架，用于根据可观察的结构和计量信号估计科学奖项的相对声望。我们构建了一个大规模的精心策划的数据集，涵盖7个主要科学领域中的1352个与研究相关的奖项记录，包括1980年至2024年之间的完整获奖者记录。我们利用OpenAlex数据库（该数据库提供了超过2.5亿篇学术作品的结构化访问），主要通过两类可测量的特征和奖项级别的控制变量来操作化奖项声望。首先，我们创建了一个有向的、加权的“奖励网络”，其中节点代表各个奖项，边表示获奖者之间的接收顺序模式，从而能够计算中心性指标——特征向量中心性、介数和PageRank，揭示科学认可的层次结构。其次，我们引入了综合计量指标，汇总了获奖者的学术生产力，如长期职业期间的出版物数量和奖项颁发前五年的引用影响。这些指标，加上作者领导地位和职业年龄，共同量化了每个奖项相关的科研卓越性和学术地位。为了确保稳健性和可解释性，我们应用了三种互补的建模策略：无监督排名算法，提供无基准的综合排名；多变量线性回归模型，提供奖项级别特征与外部声望基准之间关联的可解释比较；以及以随机森林形式的机器学习方法，捕捉特征之间的非线性相互作用。然后将得到的奖项级别估计值与两个独立的外部基准进行评估：维基百科页面浏览量作为公众可见性的代理，以及来自特定领域调查的专家声誉得分。

本研究有三个主要贡献。首先，它开发了一个可扩展的多特征和多代理框架，通过整合网络和计量信息与外部基准来估计科学奖项的声望。其次，它系统地比较了结构和计量特征的相对预测重要性，明确了哪些可观察属性与外部声望信号最为密切相关。第三，它将基于基准的排名扩展到更广泛的研究相关奖项，识别出既已确立的高声望奖项和需要进一步专家评估的未被基准覆盖的奖项。这个综合框架不仅促进了关于奖项的实证研究，还提供了一种可复现的方法来测量和解释奖项声望，提供了关于认可结构如何反映现代科学社区动态的见解。

部分摘录

研究目标

基于上述背景和研究空白，本研究旨在建立一个可复现的、数据驱动的框架，用于量化科学奖项的相对声望。通过整合计量信息和网络分析，它解决了两个相互关联的研究问题，将声望的定性概念与科学认可的量化指标联系起来：

RQ1：在多大程度上可以从可观察的网络和计量信息中推断出科学奖项的声望

科学社区中的声望和奖项的作用

科学奖项在现代科学的认可生态系统中占据着核心位置。其中，诺贝尔奖是最广泛认可的学术声望象征，这一地位在经典社会学研究中得到了反复的证实（Merton，1968年；Zuckerman，1977年）。然而，除了这个典型的例子外，学术界对于分布在不同学科中的许多其他奖项的相对重要性尚未达成共识。这种模糊性限制了我们

数据

本研究整合了三个互补的数据来源，构建了一个用于评估和排名科学奖项的综合性数据集：（1）包含科学学科间奖项-获奖者-年份关系的获奖者数据集；（2）提供匹配获奖者计量信息的OpenAlex数据库；（3）两个用于从不同角度评估奖项声望的外部参考基准数据集，即公众关注度和

探索性分析

在检查模型结果之前，我们首先评估了两个外部基准数据集之间的一致性。理解这些基准之间的关系至关重要，因为它们作为评估模型预测的外部参考基准。

Pageview和Reputation基准在61个基准匹配的奖项-学科记录上有所重叠。如图3A所示，这两个基准显示出中等的正相关性，Spearman秩相关系数为0.6010。

主要发现

在本文中，我们提出了一种数据驱动的方法来分析科学奖项的声望，该方法结合了计量指标和网络中心性指标。通过考虑两个基准数据集，一个基于公众关注度，另一个基于专家声誉，我们展示了从获奖者计量信息和奖励网络结构中得出的特征能够在一定程度上恢复外部声望基准。结果表明，可测量的属性

资金

YM由广东省基础与应用基础研究基金会（一般项目，编号2026A1515010714）、国家自然科学基金（编号62006109）以及华南理工大学的高级特别基金资助。

CRediT作者贡献声明

石一轩：撰写——原始草案、软件、方法论、数据整理。江帆：撰写——审阅与编辑、资源、方法论、形式分析、数据整理。马一芳：撰写——审阅与编辑、资源、方法论、资金获取、形式分析、数据整理、概念化。

石一轩|江帆|马一芳