国社会科学报综合外媒报道 近日，美国芝加哥大学社会学系教授詹姆斯·伊文思及其同事提出了“扰动指数”的概念。他们基于论文引用及被引用次数计算其扰动指数，并以此作为衡量论文影响力的新方法。这一指数有助于跨学科对论文的影响力作出相对准确的判断。
当前，学界在评判论文的学术影响力时，一般以被引用次数作为判断标准。但该标准也存在局限性，既易受到学科规模和跨学科引用规范的影响，因而难以跨学科地比对学者成就，同时也容易导致论文的实际内容和价值被忽视。而论文相对引用率、H指数等量化指标也都难以全面反映学者的学术影响力。
在研究了近60年的科研出版刊物后，研究人员发现，科研团队的规模会对其研究成果的扰动指数产生影响。团队每增加一人，科研成果扰动前沿科学的可能性显著降低。大型科研团队通常能够巩固和发展现有知识，但相比之下，小型科研团队则更有可能在科学和技术领域提出新想法，并进行创新。
打开文学的钥匙
伊文思解释道，小规模研究团队的重要研究成果经常能够扰动科学界，这是多种因素共同作用的结果。小规模研究团队能够更加深入地钻研过去的研究成果，对创新性的非主流科研也更为关注。此外，由于得到的科研经费较少，小规模研究团队也不会拘泥于固定的研究方法，而是勇于大胆灵活地采取新途径、新方法。芝加哥大学科研人员吴令飞认为，小团队倾向于发现问题，提出新思路；大团队更愿意追踪热点，回答问题，并巩固现有学说。
科学与数据
伊文思表示，跨学科合作越来越普遍，研究团队的规模也有扩大的趋势，科研赞助也更青睐大型团队。不过，科研的可持续发展既需要逐渐积累，也需要不断创新。因此，研究人员建议，科研赞助方应注重其支持的科研团体的多样性。美国麻省理工学院斯隆管理学院教授皮埃尔·阿祖莱表示，两种类型的科研团队之间没有优劣，重要的是寻求两者之间的平衡。他认为，被引用次数和扰动指数都是评判学术影响力的标准，各有其关注的重点。学界应努力发展出更加全面的评价方法，并在方法的使用和结果的解读等方面保持谨慎。
在谷歌学术搜索中，存有高达4亿篇论文的数据库。论文被引用的数据可以作为证明文章影响力的依据。即使这个方法有局限性，但在更大程度上，反映了当今社会的进展和科学的进步。
1《亚当：一种随机优化方法 》 Adam: A Method for Stochastic Optimization。文章发布于2015年，引用数为47774。
截止2020年为止，这篇文章达到了，人类可知的引用最高数。一篇涉及人工智能的文章获得最高引用，证实了科学界对人工智能的注重。不仅是科学界对人工智能领域有巨大的兴趣，而且欧美国家也正在把人工智能作为未来的主要发展对象。美国把对人工智能的投资提高了一倍，欧盟也把投资提高了百分之70。《亚当：一种随机优化方法 》能够获得最高引用，正说明在未来人工智能上，将展开激烈竞争。无独有偶，跟着这篇文章后面，引用最多的文章多是涉及人工智能。
2《图像识别的深度残差学习》 Deep Residual Learning for Image Recognition 文章发布于2016年，引用数为25256。
深度残差学习的概念出自何凯明等4名中国学生。何凯明来自清华大学物理系，现是脸书人工智能的科学家。从文章的引用数量来看，足以显示，他提出的这个方法对该行业的影响。
3《让R-CNN更快: 朝着带有区域建议网络 的实时目标检测》 Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks发表于2015，引用数为19507。
4《深度学习》 Deep Learning, 文章发布于2015年，引用数为16750。
5 《带着缠绕走得更深》 Going deeper with Convolutions， 文章发布于2015年，引用数为14424。
这篇文章已经成为计算机图像处理必读论文之一。
6《通过深层强化学习的人类层面的控制》 Human-Level control through deep reinforcement learning 文章发布于2015年，引用数为10394。
7 《语义分割的完全常规网络》 Fully Conventinal Networks for Semantic segmentation 文章发布于2015年，引用数为10153。
9 《 脓毒症与脓毒症休克第三版国际共识 》 The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3) 文章发布于2016年，引用数为8576。
10《RNA测序和微阵列研究中 Limma 强化差异表达分析》 Limma porwers defferential expression analyses for RNA-sequencing and microarray studies 文章发布于2015年，引用数为8328。
第9和第10篇是前十名论文中，和计算机没有关系的两篇医学论文。这是否意味着，未来对人类社会影响最大的，除了人工智能就是医学了呢？
最后要提到的这篇文章，虽然没有进入第10，但值得一提。 《以深度神经网络和树搜索掌握围棋战略》 Mastering the game of Go with deep neural networks and tree search发布于2016年，引用数为8209。
这篇文章涉及的是伦敦大学学院的教授David Silver, 他领导的AlphaGo团队击败了围棋九段棋手柯洁。人工智能击败了最强大脑，没有什么能比这更能说明人工智能的前途，同时也可能是一个细思极恐的大事件。在机器击败人的时代，人怎么办？
每个人都希望自己写的论文能被广为人知，最好是能被同行引用。可就有这么一波人，他们很用心的搞科研分析数据写论文，可是文章出来之后却反响平平，别说被引用了，甚至都不被知晓，说到这里，小编也快被气哭了，这不是有点白费力气么，那怎样才能增加科研文章的影响力呢。
排在第一位的就是文章的质量，你的文章如果没有什么内容，那自然不会被引用了。另外，整篇论文都要坚持亲自查阅文献，最好能引用别人的文献，除了大咖级别的就是引用一下你周围熟人的文献，这样你的文献也会容易被你身边朋友来引用，这个圈子的力量还是蛮大的，不能说是相互吹捧，最起码是互相传播吧。捎带着提一句，关系网对于快速传播是很有帮助的。
其次，就是论文的数量。不要幻想着能一炮打响，指望一篇文章就能撬动整个行业，这样的想法有点不切合实际。任何营销都是从量变到质变的结果，论文影响力也遵循这个规律，所以必须多发文章，试着从不同的角度叙述你的观点，写的多了别人自然而然就会注意你。
最后，就是发布的渠道。不要一心想着只有牛逼杂志才能配得上你的文章，其实二流、三流杂志也有推波助澜的作用，星星之火可以燎原，农村包围城市不是没有道理的。有广度有深度的文章，多次出现在各种杂志上，还是会有“人缘”的。
在保证有一定质量的情况下，多写，多发还是很有帮助的，论文的影响力说白了就是一次变样营销，混个眼熟儿是首要步骤，不要怕费事，勤能补拙嘛~~~
