CC BY
14
2) до какой степени ОИИ могут быть включены институционально в процессы управления как средство легитимизации расходов на науку; 3) какие формы дискурсов и стили научной экспертизы более всего продвигают ОИИ; 4) чем являются ОИИ в отношении общественности и лиц, принимающих решения: источником проблемы и методом независимых оценок ориентации или ресурсом для легитимизации принятых решений; 5) каково значение методов и структуры ОИИ для продвижения «демократической ответственности»: они способствуют укреплению демократических процедур или подавляют их (2, с. 67)?
Общий вопрос состоит в том, могут ли в долгосрочной перспективе ОИИ стать больше, чем сноска в концептуальной истории категории ответственности.
Список литературы
1. Flink T., Kaldewey D. The new production of legitimacy: STI policy discourses beyond the contract metaphor // Research policy. - 2018. - Vol. 47, N 1. - Р. 14-22. -Mode of access: https://doi.org/10.1016/j.respol.2017.09.008
2. Genus A., Stirling А. Collingridge and the dilemma of control: Towards responsible and accountable innovation // Research policy. - 2018. - Vol. 47, N 1. - Р. 61-69. -Mode of access: https://doi.org/10.1016/j.respol.2017.09.012
3. Fostering integrity in research: A consensus study report // National Academies of Sciences, Engineering, and Medicine. - Wash., DC: The National Academies press, 2017. - P. I-XV, 1-309. - Mode of access: https://doi.org/10.17226/21896
4. Triennial review of the National Nanotechnology Initiative: A report // National Academies of Sciences, Engineering, and Medicine. - Wash., DC: The National Academies press, 2016. - P. I-XIV, 1-149. - DOI: 10.17226/23603.
2018.02.019. НАУКА О НАУКЕ: С ТОЧКИ ЗРЕНИЯ ТЕОРИИ СЛОЖНЫХ СИСТЕМ / ЦЗЭН А., ШЭНЬ Ч., ЧЖОУ Ц., ВУ Ц., ФАНЬ И., ВАН Ю., СТЭНЛИ Г.Ю.
The science of science: From the perspective of complex systems / Zeng А., Shen Z., Zhou J., Wu J., Fan Y., Wang Y., Stanley HE. // Physics reports. - 2017. - Vol. 714-715. - Р. 1-73. - Mode of access: https://doi.org/10.1016/j.physrep.2017.10.001
Ключевые слова: наука о науке; данные о научной деятельности; комплексные сети.
Коллектив авторов из Китая (Китайская академия наук; Нормальный университет Пекина) и США (Университет Бостона) пишет о новых возможностях для «науки о науке» (НОН) (Science of Science), которые открывает индустриализация науки.
НОН (науковедение) - это быстроразвивающаяся область науки, целью которой является понимание, количественная оценка и прогнозирование научных исследований и полученных результатов. Индустриализация науки привела к революции, обусловленной ростом доступности больших наборов данных, которые характеризуют основные события в науке. Так, Индекс научного цитирования (Science Citation Index - SCI) включает тысячи названий и контент известных журналов из различных дисциплин. Сегодня он доступен онлайн при посредстве различных платформ, таких как, например, Паутина науки (Web of Science - WoS). Открытие доступа к большим наборам данных через Интернет создало беспрецедентную возможность исследовать паттерны научного производства, используя широкий спектр математических и эконометрических моделей. Таким образом, НОН и сама стала предметом исследования.
НОН фактически применяется в более широкой предметной области, чем уже существующая дисциплина - наукометрия, которая исследует преимущественно прямые эффекты научных исследований, рассчитывает различные коэффициенты, картографирует научные области и разрабатывает индикаторы для лиц, принимающих решения. НОН использует модели, позволяющие глубже исследовать параметры и эффекты научного исследования - от производства знаний до воздействия его результатов на социально-экономические процессы. Рассматриваемые в статье модели относят к классу механистических: они моделируют действия механизмов взаимодействий агентов научной сферы и производство знаний.
Цели исследования в рамках НОН могут включать: построение моделей динамики научных исследований; раскрытие закономерностей процессов, приводящих к научным открытиям; прогнозы развития науки; разработку новых мер стимулирования инноваций. Для этого необходимо тщательно исследовать сложные структуры, динамику и механизмы развития всех научных систем. Одним из источников обеспечения эффективного инструментария
для достижения целей НОН становится формирующаяся сегодня теория сложности. Поскольку сложная система обычно включает множество компонентов, порядки их взаимодействий, она может быть также представлена как сетевая структура. Такое представление в значительной степени упрощает анализ реальных систем, сохраняя существенную информацию о взаимодействиях.
Сложная сеть как инструмент исследования уже заметно продвинула НОН. Например, интенсивно развивается концепция многослойных сетей. Решаются задачи разработки измерителей центрированности, идентификации сообществ, классификации организационных структур, совместная динамика (выявлены, например, эффекты обусловленного распространения и синхронизации) и т.д.
Другим важным аспектом исследований сложных систем является анализ динамики человеческих отношений. С этой целью нередко используются методы статистической физики. Дело в том, что статистика результатов деятельности человека имеет особенность - «толстые хвосты» в межвременных распределениях. Эта особенность позволяет использовать сравнительно несложные модели. Мобильность как в физическом, так и в киберпространстве также находится в одном из фокусов внимания исследований динамики человеческого поведения.
Чаще всего в исследованиях НОН используются данные о научных публикациях. Это прежде всего статьи, которые сообщают о результатах, полученных учеными, а также обзоры, комментарии, прогнозы, письма, которые тоже считаются научными публикациями. Вместе с резюме главных результатов исследования научная публикация включает и дополнительную информацию: название журнала, соавторы, учреждение, которое представляет автор, ключевые слова, коды категории (например, PACS - в физике, MeSH - в медицинских науках, JEL - в экономике), даты поступления в редакцию и издания, благодарности, ссылки. Авторы провели исследование, используя следующие источники.
1. Американское физическое общество (American Physical Society - APS). Этот набор данных (более 450 тыс. публикаций) включает все журналы, изданные APS с 1893 г. по настоящее время, с регулярными обновлениями.
2. MEDLINE / PubMed. MEDLINE (Medical Literature Analysis and Retrieval System Online): база данных наук о жизни и биомедицинской информации, поддерживаемая Национальной медицинской библиотекой США (National Library of Medicine - NLM). PubMed - бесплатный ресурс, поддерживаемый Национальным информационным центром по биотехнологиям (National Center for Biotechnology Information - NCBI), структурой NLM. PubMed обеспечивает доступ к MEDLINE, связи с полнотекстовыми статьями, внесенными в указатель в Центральном каталоге (PubMed Central), и поддерживает расширенный поиск.
3. Паутина науки (Web of Science - WoS): крупная база данных публикаций, включающая почти все основные научные журналы. Данный веб-сайт обеспечивает интерфейс прикладного программирования (Application Programming Interface - API) для целей поиска. В одном из недавних исследований было проанализировано большое подмножество публикаций за период с 1900 по 2011 г. Извлеченная база данных содержит приблизительно 47 млн трудов, 141 млн данных о соавторах и 526 млн цитирований других работ.
4. Scopus: база, принадлежащая и поддерживаемая издательством Elsevier; оказывает услуги, подобно WoS.
5. arXiv: ресурс для размещения электронных рукописей в областях физики, математики, информатики, количественной биологии, количественных финансов и статистики. На других ресурсах можно размещать работы в других областях исследований, например для биологии - bioRxiv, для социальных наук - SSRN.
6. Google Scholar / Microsoft Academic / Baidu Xueshu: ресурсы свободного доступа и поисковые системы для академических публикаций и патентов; покрывают широкий диапазон дисциплин. Они вносят в указатель полный текст или метаданные, позволяют создать личную интернет-страницу ученого, включая опубликованные работы, с указанием количества цитирований и других участников разработки (с. 5).
Важным для исследований НОН типом данных является информация о финансировании. Данный индикатор сегодня постепенно становится в один ряд с другими показателями успешности исследователей. Частично данные о финансировании можно получить из информации, содержащейся в публикациях. Там должен быть указан инвестор, если исследования были профинансированы
(являлись частью гранта, государственного заказа, проекта другого типа). Другими источниками могут быть национальные правительства и агентства по финансированию. Веб-сайты многих инвесторов представляют историю завершенных проектов, которые они поддерживают, включая даже итоговые отчеты. Например, Национальные институты здравоохранения (National Institutes of Health -NIH) обеспечивают публично доступную базу данных, включающую основную информацию о грантах и разработках, поддержанных этими грантами. Данные также могут быть получены путем краудсорсинга, в процессе сотрудничества с инвесторами. Такие типы данных обычно используются для того, чтобы изучить направления финансирования и научную политику. Данные о цитированиях и данные о финансировании могут помочь найти ответы на множество вопросов: насколько успешен научный проект; сколько задач решает данный научный проект; в чем состоят сходства / различия между различными проектами?
С недавнего времени стал заметен рост внимания к многослойным сетям. Как правило, это сети с многоуровневыми типами отношений. Моделирование сложных структур с многослойной сетью позволяет понять структуру научной системы и оценить воздействие научных публикаций и других видов деятельности ученых. Типичный пример многослойной сети включает узлы со связями авторства / соавторства в публикациях в одном слое и связями цитирования в другом. Таким образом, и отношения сотрудничества, и отношения цитирований попадают в структуру одной сети.
Особо следует рассматривать сети сотрудничества. Это один из предметов самых ранних этапов эмпирических исследований сетей. В рамках этого направления обнаруживаются структуры сообществ. Сообщество определено как подгруппа узлов, в пределах которых связи оказываются сравнительно плотными, но между отдельно взятыми сообществами связи более редки. Простым методом идентификации сообществ в сетях сотрудничества является метод последовательного сокращения связей, характеризующихся кратчайшими путями в сети. Данный алгоритм был применен в анализе сети сотрудничества ученых из Института Санта-Фе, и это позволило обнаружить шесть сообществ.
Одной из существенных особенностей сетей сотрудничества является ассортативное смешивание (аssortative mixing). Положи-
тельный коэффициент ассортативности указывает на то, что узел с высокой (низкой) степенью предпочтения с большей вероятностью соединится с другим узлом с высокой (низкой) степенью предпочтения. Этот эффект был проанализирован в локальном масштабе: в сетях соавторства, включая физику, биологию и математику, в каждом случае был обнаружен положительный коэффициент ассор-тативности. Таким образом, на примерах сильно связанных узлов в сети сотрудничества было продемонстрировано явление «богатого клуба» (rich-club phenomenon) (с. 9)
В ряду других интересных примеров и соответствующих показателей - социальная инерция во взвешенных сетях сотрудничества (отношение между силой и уровнем узла). Это позволяет оценить тенденцию акторов к сохранению коллектива сотрудников. Социальная инерция, как выясняется, имеет распределение с «длинными хвостами» и вообще растет с опытом ученого. Также обнаружено, что, в отличие от других социальных сетей, слабые связи в сетях сотрудничества связаны с плотностью «соседей» в локальной сети, тогда как более сильные связи в значительной степени сохраняют возможность объединения сетей. Был также получен вывод о том, что топологическое положение прочных связей может ускорить динамику распространения и увеличить поток информации через научные сети сотрудничества. Среди проблем сетей сотрудничества назван «парадокс дружбы» (у ваших друзей в среднем друзей больше, чем у вас), т.е. ваши сотрудники склонны иметь больше соавторов, более высокие индексы цитирований и больше публикаций (с. 9).
Полагая, что сети цитирований ограничены во времени, эксперты считают их вложенными в пространство-время Минковско-го, и их размеры измерены с помощью использования подходов приближения Мирайм-Мейера (Myrheim-Meyer dimension) и оценки средней точки (mid-point scaling). Такие методы позволили, в частности, обнаружить, что у двух эмпирических сетей цитирований в физике элементарных частиц есть подобное распределение степени и коэффициент кластеризации, но они отличаются по параметрам размерности. Это, помимо прочего, обеспечивает альтернативный метод количественной характеристики структуры, позволяя более дифференцированно различать сети цитирований.
В контексте исследований развития комбинаций патентов во времени определено, что чем больше пул накопленных изобретений, тем выше вероятность производства новых изобретений. Использование комбинаций ранее сделанных открытий в конечном счете приводит к системным переходам в сфере инноваций и далее -к взрывному росту изобретений высшего качества.
С.М. Пястолов
