实证研究 | 论文“致谢”对学术影响力的贡献比合著者还大？

致谢背后代表的“幕后”非正式支持和帮助，是一种被长期忽视的宝贵资源吗？

我们可以从论文的致谢中挖掘出什么样的信息呢？

对比这张“致谢网”和传统的“合著网”，研究发现：致谢网包含12万多个学者节点，平均每个学者有5.8次致谢往来，几乎是合著网的两倍；而且致谢网更“团结”，分散的小团体更少，层级也更扁平，不像合著网那样容易被少数顶尖学者垄断绝大部分联系。两张网中，完全没有任何关系的“孤岛学者”比例差不多，分别是30%和28%，另外还有约19%的学者既没有合作者，也没有在致谢中出现过，彻底脱离了所有学术关联。

为了确保结论可靠，研究者用统计方法排除了性别、资历、学校名气、地域、研究方法偏好等因素的干扰，还用了机器学习手段进行多重验证。最终得到的关键结论是：那些不在致谢网里的学者，即使发表论文的数量和同一领域的其他人差不多，他们的学术影响力（比如论文被引次数、代表作贡献度等）也明显更低，尤其是在发表量本来就少的群体中，这种差距更加突出。更重要的是，“有没有被致谢”这件事，是预测学者发表成败的最重要因素，其重要性甚至超过了合作写论文、学校名气、性别等传统上大家很看重的指标。

这一发现说明，致谢背后代表的“幕后”非正式支持和帮助，其实是一种被长期忽视的宝贵资源。但这种资源并不是平均分配的，谁获得的私下帮助多，谁的学术发展就更顺，这直接拉大了学者之间的差距。这个结果也为今后如何打破学术圈的资源垄断、给普通学者更多发展机会，提供了新的证据和思路。

一、导论

过往学界已有大量研究证实，以合著为代表的正式协作能够显著提升科研产出效率与创新能力，是支撑学术发展的重要动力。但长期以来，学界对非正式协作与发表成功之间的关联认知存在明显缺口：这类协作聚焦于经验指导、思路反馈、成长扶持等无形资源的交换，能够构建起覆盖科研全流程的支持网络，帮助学者完善研究创意、推动项目落地，却因为不会留下合著这类清晰可追溯的痕迹，长期陷入难以量化测量的困境。现有用于近似“无形学院”的合著与引文网络，只能覆盖学术交流中正式制度化的部分，无法完整呈现学术共同体中知识流动的全貌。

为了突破这一测量局限，本研究创新性地以已发表论文的致谢章节为突破口，挖掘学术成果背后隐藏的非正式沟通层。研究选取了2003至2023年间约13万篇政治学领域的期刊论文，覆盖约8.6万名政治学学者，通过解析致谢文本提取学者之间的非正式关联，以此构建全新的非正式协作网络。研究最终提出三个核心待验证假设：非正式关联构建的支持网络比合著关联规模更大、密度更高；脱离非正式网络的学者会呈现更低的产出效率与学术影响力；即便在控制性别、资历、方法论取向、地理区位、机构声望等混淆变量后，非正式关联依然比合著这类正式协作更能预测学术发表的成功程度。

以往针对致谢章节的研究大多存在明显局限性，要么仅聚焦单一细分学科的少量期刊，要么仅覆盖短短数年的小众主题文献，甚至多数研究只停留在单篇论文的被引表现层面，没有构建起覆盖整个学科的完整致谢关系网络，更没有将其与合著网络的解释力进行系统性对比。而政治学领域本身的特性为本次测量提供了理想场景：该学科普遍保留致谢同行的学术惯例，同时采用双盲评审机制，致谢章节在审稿阶段不会出现，几乎不存在出于策略性讨好审稿人而刻意添加致谢的情况，最大程度保证了提取到的非正式关联的真实性与可信度，避免了过往研究中常见的测量偏差问题。

二、理论

学术研究从本质上来说是一项高度依赖协作的事业，学者通过思路交换、反馈打磨共同推进知识边界的拓展，但协作影响学术成功的具体机制至今仍未被完全厘清。过往研究受限于可获取的测量指标，绝大多数的分析视角都集中在合著结构与引文模式上：合著作为整合多元知识与专业技能的核心路径，既能够深刻影响学者的职业发展轨迹，也能直接作用于科研产出的数量与影响力，甚至能催生出颠覆性的全新发现；而引文模式的相关研究，则进一步梳理出学术共同体中关联学者的聚类特征，还原了创意在学术系统中的流动路径。长期以来，这两类网络被学界作为核心测量方式，用来近似描述跨机构流动知识的“无形学院”概念，而无形学院本身正是社会资本理论在学术场景下的具象体现，指向学者从自身社会关系网络中可获取的各类资源总和。

然而合著与引用行为仅仅是正式制度化学术网络的追溯凭证，远不能覆盖学者开展知识交流的全部渠道。现实中学者还会大量依托非制度化的非正式信息共享模式，在尚未形成正式合著关系的阶段就交换指导意见、修改研究思路，这类无形的交互同样会为科研实践注入关键的优化建议，形成另一层社会资本的运行载体，让接入该层资源的学者享受到额外的发展红利。从科研发展的历史来看，这类非正式交流的价值早已得到印证，达尔文、爱因斯坦等顶尖学者都曾通过大量私人书信完成高频的思想交换，即便到了数字工具普及的当下，学者依然会在正式同行评审流程之外，持续向同行寻求和提供研究反馈，顶尖研究者同样离不开这类专业人脉来打磨尚未成型的工作论文。

本研究依托“无形学院”的经典理论框架，将致谢章节中记录的同行感谢关系，作为捕捉这类难以被追踪的非正式协作网络的核心抓手，弥补过往学术协作研究的空白。正式合著关系通常要求合作者对研究的概念设计或执行环节（比如数据分析、论文撰写）做出实质性贡献，需要投入最低限度的共同项目时间成本；而非正式关联对应的是学者在投稿前就大量流通工作论文、在研讨会和会议中交流成果的交互行为，这类交互产生的反馈会直接融入研究流程，在提升成果质量的同时，还能在论文正式发表前扩散研究思路，进一步提升后续同行评审的友好度。这类非正式联系完全平行于正式合著网络生长演化，最终形成一套独立于正式协作体系的学术支持结构。

三、方法

本研究采用粗精确匹配法来缓解观测性研究中混淆变量的干扰，由于通过随机实验操控学者的网络嵌入性几乎不具备现实可行性，研究首先通过匹配操作让接入非正式网络的学者和脱离非正式网络的学者，在所有已观测的关键特征上尽可能保持相似。研究选取了过往学界已经证实的核心混淆变量完成分层匹配，具体包括性别、学术资历、机构声望、所属地理区域、研究方法论取向这五个维度，通过对变量数值进行粗化分组，将样本划入不同的分层单元中，保证“接入网络组”和“脱离网络组”的学者在每个分层单元中的分布完全均衡，最终生成的匹配数据集剔除了无法匹配的异常样本，让两组样本的协变量分布高度趋同，尽可能剥离出仅由网络连接状态带来的学术产出差异。

除了匹配后的广义线性模型之外，研究还引入随机森林机器学习算法，在全量未匹配的数据集上完成变量重要性评估。这种非参数模型不需要预设变量之间的线性关系，能够更精准地捕捉不同特征之间的复杂交互效应，同时通过集成平均的方式大幅降低过拟合风险，对异常值的鲁棒性也远优于传统线性模型。研究选取了两种被学界广泛认可的特征重要性衡量指标：第一种是变量置换后模型的均方根误差增幅，该指标衡量当某一变量的数值被随机打乱、彻底打破其与被解释变量的关联后，模型预测性能的下降幅度；第二种是节点纯度增幅，统计所有决策树中使用该变量完成分裂操作后，均方误差的总减少量，以此双重验证各变量对学术影响力的解释力排序。

为了进一步明确不同网络特征的具体作用机制，研究补充引入SHAP值分析方法，量化每个变量的不同取值对最终预测结果的具体贡献。除了基础的网络连接状态变量外，研究还额外纳入了度中心性、网络同质性等拓展指标：度中心性统计学者在对应关系网络中的直接关联总数，网络同质性指标则计算学者的关联对象中与自身性别、资历、所属国家、机构声望一致的比例，从多个维度完整刻画学者在正式和非正式网络中的嵌入程度。研究还配套开展了大量稳健性检验，包括调整网络测量和影响力指标的时间滞后长度、纳入期刊权重修正不同期刊致谢使用习惯差异带来的测量偏差、更换XGBoost和支持向量机等不同模型架构，所有补充测试的结果均与主结论保持高度一致，最大程度保证研究结果的可靠性。

四、数据

研究的样本选取覆盖了2003到2023年共20年时间内，收录在科睿唯安社会科学索引中的174本政治学同行评审期刊，筛选过程中剔除了非英文、影响因子低于1、未采用同行评审机制的期刊，保证样本的规范性与代表性。研究依托爱思唯尔Scopus数据库获取所有目标期刊的全部论文元数据，包括每篇论文的出版信息、所有作者的年度发文量、年度被引量、所属机构国家，同时补充采集作者在样本收录期刊之外的全部发表记录，最终纳入分析的有效论文总量为129750篇，对应的 unique 学者总数为85653名。为了保证后续学术影响力指标的计算稳定性，研究设置了最低发表量门槛，剔除了整个研究周期内发文量不足10篇的学者，后续敏感性分析也验证了调整为5篇门槛甚至取消门槛后，核心结论依然不会发生改变。

研究构建了三类核心变量体系，覆盖学者的基础特征与学术产出表现：第一类是学者人口与职业特征，其中性别通过genderize.io工具基于学者名字和所属国家进行预测，该工具训练数据集覆盖超10亿条公开社交档案，整体准确率可达96.6%；学术资历以学者2021年之前的首次发文时间定义，首次发文早于2011年的为资深学者，晚于2011年的为青年学者；机构声望采用上海软科世界大学学术排名作为划分依据，二值化为“是否就职于全球前100高校”；研究方法论取向通过结合有监督机器学习与人工标注的分类模型判定，先基于1694篇人工标注论文训练TF-IDF加逻辑回归模型，将学者的研究取向划分为定量/形式理论、定性/规范两类，若学者两类占比均未达到三分之二则标记为混合方法。第二类是两个核心网络的构建，分别以合著关系和致谢关系为边，生成覆盖全部样本学者的纵向学术网络。第三类是学术成功的测量指标，除了常规的总发文量、样本内发文量之外，还采用了h指数和Euclid得分两个核心影响力指标，其中Euclid得分通过所有论文被引量的平方和开根号计算，专门突出高引论文的贡献，避免总被引这类指标的统计偏差。

本次研究的数据处理与全流程分析代码，已经开源上传至公开GitHub仓库，所有有访问Scopus数据库权限的研究者，都可以通过配套代码完整复现从数据下载、清洗到可视化出图的全部步骤，最大程度提升研究的可复现性。为了降低测量误差带来的干扰，研究还针对性地调整了统计策略，设置了频率派和贝叶斯两类加权方案，用来校正不同期刊在致谢使用频率上的差异，避免部分不常刊登致谢的期刊带来的测量偏误。同时研究补充了大量针对样本特征的描述性统计，包括不同网络的度分布、孤立学者的人口与学科分布特征，全面展示样本的基础构成情况，让整个研究的数据基础完全透明可追溯。

五、结果

研究首先对非正式网络与正式合著网络的基础特征开展对比分析，发现前者的规模、密度都显著超过后者：致谢网络的总节点数达到124023个，是合著网络节点数的1.4倍，平均度为5.81，几乎是合著网络平均度的两倍，网络中规模大于等于2的组件总数仅为1630个，远低于合著网络的8871个，意味着非正式网络的碎片化程度大幅更低，能够覆盖更广泛的学者群体。两个网络中断开连接的孤立学者比例大致相当，分别为30%和28%，但约19%的学者同时脱离两个网络，完全没有可观测的正式或非正式学术关联；并且致谢网络的度分布更平缓，不存在少数学者占据绝大多数关联的极端头部效应，层级性显著弱于合著网络，为更多普通学者提供了接入支持资源的通道。此外两个网络中性别分布基本稳定在约62%男性、38%女性的比例，和美国政治学会公开的会员性别构成高度匹配。

其次研究对比了接入网络与脱离网络学者的产出表现，发现在控制学者在政治学领域内的发文占比之后，所有同生产力分位下，脱离非正式网络的学者的学术影响力都显著低于接入网络的学者，这种差距在低生产力分位上表现得尤为突出：第一分位组中，接入非正式网络学者的平均h-index是孤立学者的两倍多，Euclid得分更是达到后者的七倍。即便调整网络测量与影响力指标的滞后时间、采用全领域全部发文计算影响力指标，这种产出差距依然稳定存在，不会发生明显波动；而脱离合著网络的学者虽然同样会出现产出下滑，但差距幅度远小于脱离非正式网络带来的影响，这直接印证了切断非正式关联会直接导致学者的生产力与影响力出现显著滑落。

最后的多变量分析结果明确证实，非正式关联是预测学术发表成功的最核心要素，无论是粗精确匹配后的广义线性模型，还是全数据集上的随机森林模型，连接致谢网络的变量在所有纳入的特征中都拥有最高的解释力，重要性排在正式合著网络连接之前，远高于性别、资历、机构声望、地理区位等传统上被重点关注的影响因素。SHAP分析进一步补充显示，致谢网络的度中心性的提升，对预测模型准确率的正向贡献最大，学者在非正式网络中的关联数量越高，其学术影响力的正向提升效应就越明显。这一结果清晰说明，嵌入以致谢为代理的非正式学术支持结构，是解释学者学术表现差异的最关键变量，这类难以被传统方法捕捉的无形社会资本，才是驱动学术表现分层的核心动力，也正是这种资源获取的不平等，进一步强化了学术共同体内部的分层与不平等现状。