编辑推荐：
### 摘要专业翻译
科学知识生产常被视为由研究人员主导的自上而下过程，而来自公众的自下而上贡献在很大程度上仍被忽视。公民科学（Citizen Science, CS）通过让非专业参与者参与研究来挑战这一模式，强调与公众一同开展研究（with people）或
### 摘要专业翻译
科学知识生产常被视为由研究人员主导的自上而下过程，而来自公众的自下而上贡献在很大程度上仍被忽视。公民科学（Citizen Science, CS）通过让非专业参与者参与研究来挑战这一模式，强调与公众一同开展研究（with people）或由公众开展研究（by people），而非仅仅针对公众（on）或关乎公众（about them）。尽管CS已有所扩展，但学界对公民参与深度及其如何影响知识生产的理解仍然有限。本研究从SciStarter数据库中分析了1,746个CS项目，该数据库是少数明确描述参与者任务的来源之一。研究人员采用Haklay的四级类型学对项目进行分类以区分参与深度，并开发了综合参与度指标（Engagement Indicator, EI），用于比较不同研究领域的参与模式。结果表明，92%的项目参与程度有限，而综合参与度指标显示大型环境领域聚集在较低四分位，而较小领域（如考古学）则呈现较高水平。结果凸显了CS的民主诉求与其实际执行之间的持续差距，同时展示了EI作为衡量参与并使参与在学科间具有可比性的工具的有效性。研究结果被整合到一个参与框架中。CS若要在知识生产中发挥有效作用，需要兼具参与的广度与深度，确保广泛而有意义的参与，从而强化研究过程。
### 论文解读文章
#### 1. 研究背景、问题与研究意义
科学知识生产长期以来被视为由研究人员主导的自上而下的过程，公众往往被排除在知识创造的核心环节之外。自20世纪末以来，科学实践逐渐从单向传播模式转向对话式、参与式路径，强调将社会需求与价值纳入研究过程（Gregory & Lock, 2008; Skarlatidou & Haklay, 2021）。在此背景下，公民科学（Citizen Science, CS）作为一种促进公众参与知识生产的机制受到广泛关注。CS最初被概念化为科学与社会关系民主化的重要途径（Irwin, 1995），其核心目标包括：产生新知识、创造学习机会、促进公民参与以推动社会层面转型（Turrini et al., 2018）。
尽管CS项目数量在多个学科领域快速增长，但在实践中仍存在突出问题：大多数项目将公民局限于数据收集等低层级参与，从项目层面系统评估公民参与深度的实证研究仍然有限。已有研究多基于小规模或特定学科的样本（如Schleicher & Schmidt, 2020），对跨学科、可比较的参与模式分析不足。此外，CS研究中关于参与深度的衡量框架与实际操作之间存在明显脱节，学界对参与如何影响知识生产的认识仍然零散。这种理论与实践之间的张力，正是本研究所要回应的核心问题。
#### 2. 研究内容与意义
本研究基于SciStarter这一全球性公民科学平台数据库，提取了1,746个CS项目的描述性数据，系统分析了公民参与在学科分布上的广度与深度。研究人员采用Haklay（2013）的四级参与类型学对项目进行编码分类，从主要数据贡献（Level 1）到完全共创（Level 4）区分不同参与强度；在此基础上提出了一个复合参与度指标（Engagement Indicator, EI），将项目数量按参与层级加权并用领域规模归一化，从而实现了跨学科参与深度的标准化比较。研究发现超过90%的项目集中在Level 1和Level 2层级，环境科学等大型领域EI值偏低，而考古学等小型领域EI值更高。该研究的主要意义在于：通过EI建构了一种可量化、可比较的参与度量工具，弥补了以往仅依赖定性分类判断参与水平的不足，促进了关于CS民主理想与实践落差这一长期讨论的实证检验。
#### 3. 关键研究方法
本研究的数据来源于全球公民科学门户网站SciStarter（由亚利桑那州立大学支持）。研究人员于2025年6月通过网络爬虫技术从SciStarter项目的站点地图中获取每个项目的名称、任务、目标、描述和领域分类等描述性信息，经数据清洗后最终保留1,746个带有完整归类信息的项目。分类编码采用Haklay的参与层级定义，通过随机抽取60个项目的子样本由两名研究者独立编码，经Cohen’s κ检验信度为0.85（p<0.001）。统计分析使用R 4.2.0（R Core Team, 2022），借助violin图等可视化呈现分布，使用Shapiro–Wilk检验分布形态，并计算复合参与度指标（EI）。
#### 4. 主要研究结果
##### （1）项目学科分布的不均衡性
结果显示，CS项目高度集中于生态与环境（60.4%）、自然与户外（54.0%）、生物学（44.0%）和动物（34.6%）等领域；而社会学（Social Science）、心理学、农业等学科领域的项目数量相对较少。这种分布揭示出CS在环境与生命科学领域已成规模，但在社会科学和应用学科的扩展仍有限。这一结论是通过对1,746个项目的领域归属进行频率统计（Figure 3）得出的。
##### （2）参与层级的整体偏低
按照Haklay的四级分类，所分析的项目中41.2%被归为Level 1（众包式，公民作为传感器），50.9%属于Level 2（分布式智能，公民作为基础解释者），两者合计超过92%；而Level 3（参与式科学）仅为4.9%，Level 4（极端公民科学）仅占3.1%。这一结果表明绝大多项目仍停留在浅层参与状态，公民的核心角色仍以数据提供与基础分类为主。该结论通过对任务描述的标准化编码与频数分布统计（Figure 3）得出。
##### （3）不同学科领域的参与深度差异
研究进一步比较了各学科领域在四级参与上的比例分布。生态与环境、自然与户外、生物学和动物学等领域中，Level 1和2合计占90%以上，Level 3和4不足5%。相比之下，考古与文化（24.5%）、化学（22%）、社会科学（18%）和天文学与空间（17.6%）等领域在Level 3和4上的比例相对更高；而类似“奖励”（Awards，60%）和“众筹”（Crowd Funding，29%）这类非传统领域也具有较高比例的高层级参与，但其绝对项目数较少。这些结果是通过对分学科的参与层级交叉统计（Figure 4）得到的。
##### （4）参与度指标的跨学科比较
参与度指标（EI）是将某领域各层级的项目数加权后除以该领域项目总数所得，取值为1至4，用以反映平均参与深度。分析显示，生态与环境（EI=1.67）、自然与户外（1.63）、生物学（1.70）和动物（1.60）等大型领域位于最低四分位，验证了其偏向众包和数据贡献的特征；而小型或新兴领域如考古与文化（2.20）、众筹（2.23）和化学（2.18）等位于较高四分位。该结果通过在领域水平上计算EI并按四分位分组比较（Figure 5）得出，表明领域规模与传统研究范式影响参与深度。
#### 5. 讨论与结论
讨论部分指出，CS的学科分布广度与参与深度之间存在明显的不对称性。环境与生命科学领域虽然项目众多，但多数停留在较低参与层级，这印证了以往研究中所观察到的CS民主目标的理想与实践中的贡献型模式之间的张力（Stilgoe et al., 2014; Strasser et al., 2019）。更进一步，Level 1和Level 2内部的参与任务也存在异质性，例如携带传感器与识别照片在认知要求上有显著差异，说明现有类型学尚需进一步细化。同时，自然科学的学科传统和项目组织的技术基础设施也深刻塑造了参与形式。EI指标的提出，为把关于公众参与配置的理论判断转化为可测量、可跨学科比较的操作化工具提供了途径。研究最后建构了一个三维参与框架，整合了参与广度（breadth）、参与深度（depth）和协作（collaboration）三个维度，用以说明CS从知识获取型向协作共创型推进的路径。
结论部分的核心判断可概括为：需要同时保障参与广度与参与深度，才能有效发挥公民科学在知识生产中的作用。具体而言，CS应从公民仅作为数据提供者的模式，迈向让公民更多参与问题定义、数据分析和结果解释的合作式框架。只有通过更深入的参与，公民科学才能真正落实其学习、公民参与和社会转型的目标，并走向“公众参与的科学”（publicly engaged science），使参与嵌入研究的组织、治理和认知实践之中。
