学术合作如何影响研究人员的职业发展-CSDN博客

这段内容主要介绍了潜在变量估计（latent variable estimation）的方法，即如何计算研究人员的潜在生产力（λ）和学术影响力（θ），并探讨了合作网络中的一些数据处理策略及其可能带来的偏差。以下是详细的中文解释：

数据来源：
- 对于每个学术网络模型和学科领域，研究使用了所有已发表的论文数据（直到某一年） 来估计潜在参数集合。
- 数据时间范围：1975年至2017年。
计算方法：
- 研究使用凸优化（convex optimization） 来估计潜在参数集。
- 采用自助法（bootstrap）修正的伪似然估计（pseudo-likelihood estimation） 进行参数估计。
- 每一年都进行 30 次重复采样（replications），然后取均值来确保估计的稳健性。
合作网络的构建：
- 对于每一年 ( T )，合作网络是基于 1950 年至 ( T ) 年的所有论文 构建的。
- 在每次 bootstrap 采样之前，会对合作网络进行修剪（pruning）：
  - 移除所有树状子图（tree subgraphs），因为在树结构中，模型参数可能无法唯一识别（non-identifiable）。
  - 被移除的作者会被分配一个潜在变量值为 0。
作者的参数更新：
- 研究追踪每位作者的学术生涯：
  - 每位作者从首次出现（作为第一作者或最后作者）起，每年都会获得新的潜在参数估计，直到 2019 年。

使用 R 语言包 CVXR 进行凸优化计算 λ 和 θ：
- 每一年（1975-2017 年），对于每个学科：
  - 采用bootstrap 采样所有已发表的论文。
  - 进行 30 次重复计算（replications）。
  - 最终的 λ 和 θ 值取 30 次重复计算的均值。

假设：
- 如果两位作者合作发表论文，他们的合作关系实际在论文发表前 1 年开始。
计算公式：
$t_{ij} = Y_{ij}^{\text{lastpaper}} - Y_{ij}^{\text{firstpaper}} + 1$
- 其中：
  - $Y_{ij}^{\text{lastpaper}}$ 是两人合作的最后一篇论文的发表年份。
  - $Y_{ij}^{\text{firstpaper}}$ 是他们合作的第一篇论文的发表年份。
- 该公式计算的是两人合作的持续时间（年份）。

由于在网络中移除了树状子图，研究评估了被剔除作者的特征，以确保结果不受偏差影响。
对比 2017 年的合作网络：
- 保留的研究人员（retained population）：
  - 女性研究人员占比 35.6%。
- 被移除的研究人员（dropped population）：
  - 女性研究人员占比 31.9%。
- 结论：被移除的研究人员中，女性比例稍低。
机构声望的影响：
- 保留的研究人员的机构声望得分为 5.51。
- 被移除的研究人员的机构声望得分为 3.41。
- 结论：
  - 被移除的研究人员通常来自较低声望的机构。