研究资助对人工智能研究绩效的影响:基于协作与主题多样性的资源—结构—绩效(F-S-P)视角

《Systems》:The Impact of Research Funding on AI Research Performance: A Resource–Structure–Performance (F-S-P) Perspective on Collaboration and Topic Diversity

【字体: 大 中 小 】 时间:2026年06月25日 来源:Systems 3.8

编辑推荐:

  在全球人工智能(AI)竞争中,研究资助是否正在塑造创新?研究资助如何在全球人工智能(AI)竞赛中转化为创新结果,当前仍缺乏充分理解。既有研究主要聚焦于投入—产出关系,对于资助如何通过结构性机制塑造创新绩效提供的解释较为有限。本研究考察研究资助是否通过人工智能(

  
在全球人工智能(AI)竞争中,研究资助是否正在塑造创新?研究资助如何在全球人工智能(AI)竞赛中转化为创新结果,当前仍缺乏充分理解。既有研究主要聚焦于投入—产出关系,对于资助如何通过结构性机制塑造创新绩效提供的解释较为有限。本研究考察研究资助是否通过人工智能(AI)研究生态系统中协作结构与知识多样性的差异而与创新相关。研究采用观测变量路径模型(observed-variable path model),并将其估计为表面上不相关回归系统(SUR),结合多组分析,对2011年至2024年间收录于Web of Science的98,241篇人工智能(AI)相关论文进行分析,检验主要国家创新系统中资助、结构变化与创新结果之间的关系。结果表明,研究资助与更高的研究生产率和影响力相关,这种关联部分通过协作网络扩展实现。资助似乎与更高的主题多样性存在有限关联,但该关联在不同模型设定下并不稳健;与此同时,跨学科探索往往对应较弱的短期引文表现,提示新颖知识组合的认可可能存在时滞。此外,资助转化为结果的程度在不同国家之间似乎存在差异。这些发现表明,资助可能不仅通过提升研究能力与人工智能(AI)创新相关,还通过改变知识生态系统结构而影响创新如何产生并在时间过程中被评价。研究指出,有必要重视生态系统层面的分析视角,以及超越短期绩效指标的长期评价框架。
该文发表于《Systems》,聚焦全球人工智能(AI)竞争背景下研究资助如何作用于创新绩效这一核心问题。现有科技政策研究多采用“投入—产出”分析框架,将资助规模直接与论文数量、引文次数等结果变量相联系,但这类研究难以揭示资助如何改变研究人员的探索策略、知识重组方式以及协作网络结构,因此研究资助与创新产出之间的关键机制长期处于“黑箱”状态。与此同时,学界对资助效应存在明显分歧:一部分研究认为稳定资助能够缓解短期绩效压力,支持高风险、长期性探索活动,从而促进突破性创新;另一部分研究则指出,大规模资助也可能强化路径依赖、造成资源配置低效,未必按比例提升研究绩效。人工智能(AI)作为一种通用目的技术,其价值高度依赖与生物医药、金融、制造等异质知识领域的重组融合,同时该领域又具有高专业化、高计算成本和快速技术迭代等特征,因此,研究资助不仅是资源投入,更可能是重塑知识生态系统结构的重要协调机制。基于这一背景,研究人员提出资源—结构—绩效(F-S-P)框架,旨在超越线性投入—产出逻辑,从知识结构与协作结构两个维度解释研究资助与创新绩效之间的关系,并比较不同国家创新系统中的差异化路径。

在方法上,研究人员以2011—2024年Web of Science收录的98,241篇AI相关论文为样本,并依据通讯作者主要机构将样本划分为美国、中国、欧盟、韩国和日本五大国家(地区)创新系统。研究采用Sentence-BERT(SBERT,句向量双向编码器表征模型)与BERTopic构建主题模型,计算Rao二次熵衡量主题多样性;基于大规模合著网络测度平均度数、结构约束和局部聚类系数,以刻画协作网络的扩展性、开放性与凝聚性;随后运用观测变量路径模型,并以表面上不相关回归(SUR)进行估计,结合1000次bootstrap检验中介路径与跨国差异。

在研究结果部分,论文依次报告了以下主要发现。

4.1. Descriptive Statistics and Correlations
研究首先从描述统计与相关分析入手,揭示全球AI研究生态系统的总体演化特征。结果显示,2011—2024年间AI研究产出快速增长,且资助论文数量增长更为显著,平均有65.49%的论文报告获得外部资助,表明AI研究具有明显的资源密集型特征。主要资助机构高度集中于中国、美国、欧盟、韩国和日本,反映出不同国家AI创新战略在现实研究生态中的投影。变量分布呈现强烈正偏态和幂律特征,尤其协作网络度数分布极不均衡,说明少数节点占据关键网络资源。相关分析表明,研究资助与多数绩效变量呈显著正相关,但系数总体不高,这说明资助与研究结果之间并非简单线性关系,而更可能通过结构性中介路径发生作用。结构约束与引文及期刊影响指标呈负相关,则提示网络开放性可能是更高学术影响的重要条件。

4.2. System Validation and Model Diagnostics
在模型诊断部分,研究人员说明其采用的路径模型为饱和结构(df = 0),因此不以传统整体拟合指数作为核心判断依据,而是基于路径显著性、方程解释度、残差相关诊断及bootstrap稳健标准误进行验证。结果显示,主要路径整体具备统计显著性,残差系统相关得到控制,说明以SUR估计的观测变量路径模型适合用于刻画资助、结构变化与绩效之间的联动关系。尽管方程解释度总体不高,但这也反映出AI研究绩效本身受宏观制度、学科环境等多重复杂因素共同影响。

4.3. Structural Model Analysis: Unveiling the Black Box
这一部分是全文的核心,重点揭示研究资助影响创新绩效的“黑箱”机制。

4.3.1. The Direct Effects of Research Funding
直接效应分析表明,研究资助与多维绩效指标均存在显著正向关联。具体而言,资助显著提升期刊声望(SJR)、期刊h-index、引文次数,以及180天使用量和自2013年以来的累计使用量,说明资助不仅与学术影响和质量提升相关,也与知识的社会扩散和使用相关。在结构层面,资助与更高的主题多样性、更大的协作网络规模、更高的局部聚类系数以及更低的结构约束相关。这意味着资助一方面推动研究团队拓展外部联系、增强局部合作凝聚,另一方面降低网络封闭性,提升研究人员利用结构洞(structural holes,非重叠关系间隙)进行知识中介的可能性。不过,主题多样性的正向关联效应较小,且在不同主题数设定下并不稳定,因此作者将其界定为“可检测但脆弱”的发现。进一步看,主题多样性与短期引文表现之间呈负向关系,而较低结构约束与较高聚类则更有利于引文和期刊质量指标,显示认知结构与社会结构对不同绩效维度的作用并不一致。

4.3.2. Mediation Analysis: Indirect Effects
中介效应分析进一步展开了资助如何经由知识结构与网络结构传导至最终结果。首先,在“研究资助→主题多样性→研究结果”路径中,资助虽然促进异质主题融合,但这种认知复杂性对应的间接效应在短期引文和短期使用指标上表现为显著负向。这说明跨学科或汇聚性研究可能因与既有知识共同体存在较大认知距离,在短期内更难获得快速认可。其次,在“研究资助→协作网络扩展/开放→研究结果”路径中,资助通过提升网络连通性和降低结构约束,显著提高引文表现与期刊声望,表明开放型协作网络和经纪式中介位置更有利于学术影响提升。再次,在“研究资助→局部聚类→研究结果”路径中,更高凝聚性对引文和研究者影响力具有正向间接作用,但对短期使用频次呈负向间接效应,说明紧密协作共同体既可增强内部学术累积,也可能限制更广泛受众中的即时扩散。总体而言,资助的中介机制呈现明显双重性:协作网络扩展倾向于强化学术绩效,而知识融合复杂性则可能压低短期可见性。

4.3.3. National Heterogeneity Analysis: Comparative Perspective on Funding Efficiency
跨国多组分析表明,研究资助向结构能力和绩效结果的转化路径具有显著国家异质性。中国在五个创新系统中表现出最强的网络扩展与聚类效应,说明资助与研究团队快速组织化和高凝聚协作高度相关,并呈现最接近线性投入—产出的模式。美国则同时展现出网络扩展与主题多样化的显著正向关系,说明其资助体系不仅支持规模扩张,也更有利于异质知识整合和探索性创新。韩国的特点是资助更集中地关联于高质量学术产出,如研究者影响力和期刊地位提升,但对网络开放性的促进相对有限,体现出偏重短期质量强化的模式。欧盟在主题多样性路径上呈显著负向关系,反映其资助资源可能更集中于若干战略重点方向;日本则表现出较弱的网络扩展但较强的期刊质量关联,显示其可能更依赖规模较小、相对封闭但注重质量积累的研究共同体。Z检验进一步证明,多数组间路径差异具有统计显著性,说明这些跨国差异并非系数表面差别,而具有实质统计支持。

4.4. Summary of Hypothesis Testing
在假设总结中,研究人员指出,研究资助既具有直接绩效关联,也经由复杂的认知与社会结构中介路径发挥作用。资助提升了h-index、SJR、引文和使用量,也推动主题多样性与协作网络重组;然而,主题多样性与短期影响之间存在张力,而网络结构在创新结果形成中扮演更稳定的正向中介角色。不同国家创新系统在资助如何扩展结构与转化结果方面存在明显异质性,验证了F-S-P框架在跨国比较中的解释力。

讨论部分强调,本研究最重要的贡献在于将研究资助从单纯投入因素重新界定为知识生态系统中的结构性条件。研究结果显示,资助的主要作用并不只是直接提高论文产出,而是通过重塑知识整合和协作组织的方式改变创新发生的条件。论文尤其提醒,主题多样性与短期引文的负向关联不应被简单理解为多样性无效,而应视为跨学科探索存在认知距离与认可滞后的可能证据,这揭示了短期绩效评价体系的局限。与此同时,协作网络的中介作用表明,资助更像是一种促使知识交换结构重组的机制,而非单纯的结果制造者。跨国比较则说明,长期创新能力不仅取决于资源规模,还取决于研究生态系统的开放性、连通性及其制度适配性。论文据此提出理论与政策意义:一方面,F-S-P框架整合了资源依赖理论、社会网络理论与演化经济学视角,为理解“资源—能力—绩效”关系提供了新的经验支持;另一方面,AI研发政策应从追求短期产出转向关注生态系统结构设计,尤其应为探索性研究、异质知识融合和结构中介能力建设提供更稳定的长期支持。

研究结论部分可译为:在全球人工智能(AI)竞争日益加剧的背景下,研究资助似乎不仅发挥财政支持作用,而且还是与国家创新生态系统相关的结构性因素。基于对全球98,241篇AI相关论文的多维分析,本研究考察了资源投入如何可能通过知识结构和协作网络的转变,转化为高质量研究结果。研究发现,人工智能(AI)领域成功的研发战略不仅取决于资本投入规模,还取决于此类投入所塑造的知识配置多样性和协作网络质量。尤其是,知识多样化与短期绩效延迟之间观察到的张力,凸显了AI研究发展中可能存在的内在权衡。这一模式表明,以即时绩效指标为中心的评价体系存在局限,并凸显长期结构性投资视角的重要性。该研究并未提供规范性结论,而是提出了一个整合性的资源—结构—绩效视角,可作为未来讨论AI创新生态系统可持续发展的基础。需要结合研究设计理解上述结论:由于分析基于横截面数据,且资助变量仅为“是否获得资助”的二元指标,因此文中报告的关系更适宜被理解为结构关联,而非因果效应;尽管这些关系在纳入发表年份固定效应和倾向得分匹配后仍具有稳健性,但要确认这些关系的方向性与持续性,仍需未来采用纵向设计与准实验研究加以检验。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号