但是，引用数量的计算标准却是不统一的。比如，对论文全篇都具有启发意义的引用和只在研究方法中提到一次的引用，二者的影响力完全是不一样的。所以，只统计数字的引用计算方法，对科学家的影响力是一种误算。也有很多研究者抱怨说，传统基于引用数量的评价方法助长了一种“要么发表，要么死亡”的心态，促使他们以最快的速度发表论文，忽视了研究本身的重要性，一味追逐引用数量。

　　一些研究者表示，现在，需要一种更为直接的衡量方法，用于评价论文对未来研究的实际影响力。所以，AI 2 的团队在Semantic Scholar 添加了新的人工智能技术，创建“影响力图表”。

　　网上发表的大多数论文用的都是PDF格式，这对人来说读起来很方便，但是，要让计算机读懂论文，这种格式却是一种阻碍。想要让计算机像人一样阅读，需要机器学习技术，它能让计算机作出准确的推测。比如，它不仅要发现论文各部分的差异——引言、方法、结果，还必须分辨出论文引用文献的作用。所以，AI2 使用机器学习来训练一个动态的模型，来识别这些所有的特征。随后，计算机在人类专家的帮助下，不断修正模型，从而提高准确度。

　　目前，系统还只是在衡量论文和被引用论文之间“直接的影响关系”，未来，还会研究多篇文章中的交叉引用指数。

　　Michael Jordan ：圈子决定命运

　　今年早些时候，Science邀请 美国怀俄明州立大学的计算机科学家 Jeff Clune 来试用这一系统。Clune做的第一件事，是查看了自己的影响力图表中的表现。“这真的非常有趣”，他说，“我能看到哪一位学者对我的职业生涯产生了最大的影响，受我影响最大的学者是谁”。程序显示的结果大多数都跟Clune期待的一致：他的导师对他影响最大，而他对他的研究生和博士影响最大。不过也有一些惊人的发现，有一些他根本不知道的学者，根据他所发表的论文进行了深入的后续研究。

　　除了有趣以外， Clune 相信，这一工具能在学术领域的招聘和晋升上产生参考价值。现在，许多学术委员会对候选人的评价不仅包括已发表的学术成果，还要预测他们对未来研究的影响。同时，Semantic Scholar也能根据引用频率，分析出最热的研究领域在什么地方，未来的研究趋势会如何发展。

　　但是， Clune也有自己的担心，因为从某种程度上来说，Semantic Scholar 是一个“黑箱”。他说：“人们会理解这些数字是从何而来的吗？”

　　AI2 CEO Etzioni 也承认了用算法来得出的结果具有“黑暗面”，开奖，他说：“这是机器学习的一个代价”。

　　Michael Jordan 评价说：“虽然从历史上看，在科学和数学领域有很多围绕个人的英雄主义佳话，但我个人认为，研究者所在的网络（圈子）对于预测他成功与否最具有参考价值”。他还说：“我个人的圈子里就都是一些有想法的人牛人”。

　　：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。