生产力和影响力当中，强健以及场外独立（field-independent）模式，以及研究建议评估中有关偏差的证据，对目前为大多数科学研究提供资金的方式提出了质疑。比如，观察及实验研究表明，女性、非白人研究者（19,20）或侧重于跨学科研究（21）的项目申请获得资助的可能性更低。同样，最具创造力与影响力的时间集中于科研生涯的前十年，这似乎证明将资金从较年长的科学家向年轻科学家转移的举措具有合理性。NIH 长期支持早期研究者便是一个显著实例，尽管其成功很有限——因为 NIH 对 40 岁以下科学家的奖励数量仍低于 30 年前的峰值（22）。另一方面，有人可能认为尽管外部资金不平衡，年轻的研究人员往往更有成效。科学的科学根据这些情况确定了一个重要的模式，但根本原因的确定则需进一步调查与主动性实验。

引用、出版量、职业发展、学术奖项以及其他通用度量是最佳原始数量，而如今我们可能正在接近它们能够告知的关于科学生态系统及其发现生产的信息极限。这些度量是科学前沿进展的滞后指标，它们能够预测新领域的出现或重大发现的可能性也许会很低。科学的科学中存在一个根本问题：能否使用更及时或具体情境的科学家的工作数据来进行更准确的预测，例如论文的内容、预印本数据、科学研讨会、科研团队沟通、被拒稿件、资助申请及其同行评议，甚至是社交媒体。我们应当使用控制实验来揭示大型数字数据库中所观察的模式中的因果机制，并探讨可测量的量与我们的解释之间的关系，如引用计数如何反映感知的科学影响（23）。

「... 我们有责任确保使用预测工具不会阻碍未来的发现，将弱势群体边缘化...」

其中引用和出版量是以往成功的度量，它们展现出创造愈发丰富的动态的反馈循环。当与具有现代科学出版、投资和聘用特性的超竞争力相结合时，由于在未来成功的机会的分配中有一部分基于最近成功的标记，这种反馈循环则可能在成功中产生显著的不平等。然而贯穿科学发现许多方面的深度不可预测性表明，过度依赖这些度量能够产生自我实现的预测（24），这最终缩小了科学创新的范围，并将注意力从潜在、基本但不可预测的进展中移走。未来研究的一个重要方向必定是制定成功的度量和不易受反馈循环影响的评价系统。

而存在的一个隐患是：资助者、出版商和大学可能利用大型书目数据库来创建新的系统，自动评估项目申请、手稿或年轻学者的未来「影响」。这种数据挖掘工作应当非常谨慎。它们的使用由于侧重与以往成功的原始指标相关的细微相关性，便可能轻易对创新造成阻碍，并加剧现存科学系统的不平等。毕竟新的发现由于从未被看到过而非常有价值，而数据挖掘技术只能了解过去做了什么。自动化系统的必然出现使得科学界必须指导他们的发展与使用，以便纳入机器学习中的公平、问责和透明的原则（25,26）。我们有责任确保预测工具的使用不会阻碍未来的发现、边缘化弱势群体、排除新想法或阻碍跨学科研究与新领域的发展。

就像生物生态系统适应选择压力一样，科学生态系统最终将适应不断变化的科学激励和需求（27）。随着压力改变，科学家们将适应或者退休，将生存与增殖的实践亲身传授给他们的学生。然而令人不安的是，诺贝尔奖获得者几乎每年都声称他们最大的发现在现存的研究环境中本不可能。2016 年，Ohsumi 声称「如今科学家愈发需要为他们的研究提供即时而明确的应用」（28）。这类对于未料想到的可预测型发现的普遍重视会孕育出另类的、更具冒险精神的科学家。而结果可能会是净化选择的一种危险形式，这种形式下的年轻科学家会优化他们的研究并向一种趋势靠拢，这种趋势与我们每年评出的具有突出科学贡献的科学家类型不相适应.

根据生态学及进化理论改进观点在更好地整体性理解并预测科学生态系统方面极具潜力。这方面的进展将有助于我们避免由于多样性的丧失而造成的创新上的损失。作为共同体，我们必须制定培养一个多元化的科学生态系统的制度，包括 Freeman Dyson 谈到的俯瞰远方的鸟和探索细节的青蛙（29）、逆向、流浪者、工具建设者等。然而，在科学家之间实现这种多样化选择的实际细节仍不清晰。真正的生态研究依赖于观察研究与主动性实验的结合。然而，科学的科学中的大多数工作纯粹是观察性的，并且增加主动性实验（30）将需要源于定义适应性景观的资助机构、出版商和管理员的关注、魄力和勇气。如果说科学的科学能够教我们什么，那便是科学本身可以用科学的方法探测，而我们定会愚蠢地忽略实验。