Детерминанты продуктивности научных исследований в сфере высшего образования: эмпирический анализ
Bibliographic record
Abstract
Джейкоб Джоан - менеджер по оценке проектов. E-mail: johann.jacob@enap.caЛамари Моктар - директор. E-mail: moktar.lamari@enap.caЦентр экспертизы исследований и оценки программ, Национальная школа государственного управления (Centre d’expertise et de recherche en evaluation de programmes (CREXE), Ecole nationale d’administration publique), Университет Квебека, КанадаАдрес: 555, boulevard Charest Est, Quebec (Quebec) G1K 9E5В современном мире роль высшего образования в производстве новых знаний неуклонно растет. Однако на фоне растущих финансовых потребностей этой сферы, вклад университетских ученых в получение новых знаний не всегда соответствует ожиданиям. Соотношение расходов на научную деятельность (гранты, обеспечение инфраструктурой, подготовка кадров и т. п.) и ее результатов (цитирование, эффект и др.) становится стратегическим аспектом принятия государственных решений, оказывающих влияние на развитие инноваций и компетенций. Несмотря на изобилие эмпирических изысканий в отношении публикационной активности, лишь немногие из них оценивают ее применительно к образовательной сфере.В статье на примере университетов Канады оцениваются факторы, влияющие на продуктивность научной деятельности в сфере высшего образования. Мы исходили из предположения, что продуктивность исследовательских проектов в значительной степени определяется объемом и источниками финансирования. Проведен анализ данных по 194 исследователям за период 2001-2008 гг. В качестве индикаторов научной продуктивности рассматривались общее количество публикаций каждого ученого в реферируемых научных журналах, число совместных работ, цитирование, эффект).Результаты проведенного нами исследования показали, что объем финансирования не оказывает столь значимого влияния, как предполагалось. В то же время заметный эффект для научной продуктивности имеют возраст ученого, язык преподавания университета, в котором он работает и/или размер последнего, а также определенные источники финансирования. В целом, более высокую производительность демонстрируют молодые кадры; исследователи из крупных университетов и/или преподающих на английском языке; а также получатели целевого финансирования от научных фондов. Пол исследователя не оказался статистически значимым определяющим показателем.Выявленные в ходе нашего анализа закономерности целесообразно учитывать при экспертизе итогов реализации программ. Необходимо принимать во внимание не только валовые показатели (количество подготовленных статей), но и качество этих публикаций (цитирование и реальные результаты, полученные на основе изданных работ), а также персональные характеристики авторов и организационный контекст. Тем самым разработчики инициатив по поддержке научных исследований получат максимально полную информацию, необходимую для повышения эффективности соответствующих программ.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.054 | 0.011 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".