中国社会科学报综合报道 近日，美国纽约州立大学宾汉姆顿分校研究人员参与完成一项研究，为衡量科学发现的“颠覆性”程度提供了一种全新的量化方法。该研究通过构建覆盖超过一千万篇科学论文与专利的宏观知识图谱，识别出那些真正挑战了既有范式、引发后续研究浪潮的革命性突破，从而为科学政策的制定与研究资助的优先级判定提供了更为精确的依据。
科学技术史往往以一系列重大突破为标志，如进化论的提出、抗生素的研制，但这些突破的出现并非一目了然。当前常用的学术衡量指标多聚焦于论文的直接引用关系，视野相对狭窄，难以准确评估同一时期内多项重大发现。例如，达尔文与华莱士同时提出进化论、牛顿与莱布尼茨各自独立发展微积分等“同步发现”事件。如何从海量文献引用网络中识别出这些真正导致研究方向发生突变的节点，一直是学术界面临的难题。
纽约州立大学宾汉姆顿分校系统科学与工业工程学院助理教授小角贞盛（Sadamori Kojaku）与弗吉尼亚大学数据科学学院教授安永烈（Yong-Yeol Ahn）等人共同开发了一种新方法，即利用“神经嵌入”（neural embedding）的机器学习技术，为每一篇论文在知识空间中分配两个位置：一个代表其知识来源的基础，另一个代表其启发的后续研究方向。当一篇论文具有高度颠覆性时，这两个点的空间距离会显著拉大，即该研究的后期研究轨迹会远离原有路径，开创全新的研究方向。
研究团队利用诺贝尔奖获奖论文等已知重大成果进行了验证性研究，结果表明，该方法能够有效识别科学技术发展过程中的突变时刻。研究人员提到，科学的演进并非总是渐进的，学者们始终关切突变究竟何时以及因何发生，而此项研究提供了一个可以标定“某一年发生的突变”的量化工具。掌握更精确的衡量标准，有助于深入探究科学版图上颠覆性变革发生的条件与环境，进而推动更多突破性成果的出现。
在回顾了海量论文的影响模式后，研究团队正考虑进一步将分析视角聚焦于个体科研人员的发展轨迹，以追踪研究者职业生涯中的颠覆性贡献特征。这一系列工作有望对制定科学政策产生实际影响，帮助决策者判断颠覆性工作通常孕育于研究链条的哪个阶段、其影响力在哪个阶段最为显著，进而优化资源配置，激励真正重塑科学进程的原创性探索。
（赵琪/编译）
