昆明年会笔记：十二个知识节点与 Research Policy 的提醒

参加完昆明这次科技政策与管理年会，笔记里留下了一串看起来不太相干的词：元科学、论文全文、Jaccard、句向量、金标准、科研资助，还有期刊编辑反复讲的“证据”。重新整理时，才发现它们其实连着同一个问题：怎样把一个值得研究的问题，变成可信、能解释现实、也能让别人继续使用的知识？

第二十二届中国科技政策与管理学术年会暨研究会理事会会议于 2026 年 10 月 16—18 日在昆明举行，主题是“科技创新驱动未来产业发展”。这篇不按报告顺序复述，而把我记下的十二条线索整理成可以回头查、继续做的知识节点，最后单独记一下信息量很大的 Research Policy 期刊面对面环节。概念解释和研究设想是会后的整理与延伸，不都属于报告人的原话。会议介绍见昆明理工大学报道。

1. 先想清楚：我们究竟在研究什么

1.1 元科学：把科学本身当作研究对象

“元科学”（metascience，也常与 meta-research 联系起来）研究的是知识如何被生产、检验、传播和奖励。普通的研究可能问“某种药物是否有效”，元科学则会问：哪些研究更容易被发表？不同资助方式会鼓励什么选题？评价指标是否改变了科学家的行为？重复研究和负面结果为什么难以得到重视？

它不等于元分析。元分析通常是对同一类问题的研究结果进行统计综合，元科学的对象更宽，还包括研究方法、报告方式、可重复性、评价和激励制度。Ioannidis 对 meta-research 的讨论，可以作为进入这组问题的起点。

笔记中的“元科学 in 科学黄金时代”，我更愿意保留为一个待追问的命题：当 AI、开放数据和计算能力让研究跑得更快，什么制度能让新增的速度真正变成可靠知识？“黄金时代”不是一个不证自明的事实。论文更多、经费更多、模型更强，与重要发现更多之间，还隔着测量、组织和激励机制。

可以做的研究很具体：比较不同资助制度下的选题风险，跟踪预印本到正式发表的内容变化，观察评价改革是否改变合作和研究方向。但要警惕只用引用量代表知识价值，也要避免把发表后能看到的成果，当成整个科研过程。

1.2 强问题导向的智库研究：把“大问题”缩成真实的决策

“强问题导向”对我最有用的提醒，是先把决策场景写出来：谁在什么时间、什么约束下，需要在什么选项之间做选择？“研究人工智能与科技创新”是一个领域；“有限预算下，应该优先补贴算力、开放科研数据，还是支持跨机构团队”才开始接近一个可以提供证据的决策问题。

这种研究的交付物也不必只是一个显著系数。它可以是几种政策方案的比较：适用对象、实施成本、预期收益、可能受损的群体、执行条件，以及什么新证据出现后需要调整判断。对技术预见、产业政策、科研组织和地方创新治理，都很有用。

不过，问题导向不能变成结论导向。委托方希望某项政策有效，不意味着研究只能寻找支持证据；现实问题也不一定都适合压缩成现成数据库里的几个变量。最好保留替代解释、失败案例和“不足以判断”的空间。这里是我对会议关键词的理解，不把它当成一套已有的统一方法定义。

1.3 OECD：既是资料入口，也是检查指标口径的入口

OECD 是经济合作与发展组织（Organisation for Economic Co-operation and Development）。做科技政策研究时，它的价值不只是提供跨国数据，还在于提供一套讨论研发和创新时可以对照的统计语言。

两个常用入口值得分开记：《弗拉斯卡蒂手册》主要处理研发活动及其经费、人员等统计口径；《奥斯陆手册》主要处理创新活动与创新测量。前者帮助回答“什么算研发”，后者提醒我们“创新不只有研发”。

实际用途是，在拿各国研发强度、企业创新活动做比较之前，先查清分母、价格口径、调查范围、统计年份和缺失值处理。国际组织数据也不是天然可比：统计能力、产业结构和制度背景不同，同名指标未必测量着完全相同的东西。更不能直接把某国的政策安排搬过来，只因为它的某个指标更高。

1.4 “希拉得点”：需要修正的一条速记

笔记里写的是“自然科学资助越过希拉得点，导致无序”。查过资料后，更准确的对应是 Szilard point（西拉德点）：在一种常见的用法中，整个体系为争取资助付出的申请、评审等成本，接近或超过能够分配的资助。它讨论的是竞争性分配的消耗，不能理解成“资助总量大到某个值，科学就必然失序”。DORA 关于资助评审的讨论采用了这一成本视角。

一个纯粹用于理解的例子：某轮项目总共发放 1000 万元，但全部申请者、评审者和管理环节投入的时间，折算后也接近 1000 万元，就值得认真追问这套分配方式是否划算。这里要统计的是所有竞争者的投入，不能只算最后中选的人。

这不是已经校准好的自然定律，更不是一个放到任何学科都通用的经费阈值。申请过程可能帮助澄清想法、形成合作；研究收益也未必能与当年拨款做简单等值比较。真正可以做的，是估计申请负担、成功率、重复申报和评审成本，再比较短申请、两阶段评审、稳定支持或达标后抽签等方案。批评的对象应当是可识别的机制，而不是笼统地说“钱多了反而不好”。

2. 论文文本从哪里来，什么才算可靠的参照

2.1 PubMed Central 与 medRxiv：两种不同阶段的文本

这两个名字都适合放进论文文本研究的工具箱，但不能混着当成同一种样本。PubMed Central（PMC）是生物医学和生命科学全文档案库；medRxiv 是健康科学预印本平台。预印本让人更早看到研究，也留下版本变化的线索，但上架筛查不等于同行评议。

PMC 的官方文本挖掘说明明确区分可复用的数据集合；medRxiv 的 FAQ则介绍了预印本、版本保留与文本挖掘相关安排。研究设计时，应同时保存文章标识、版本时间、获取时间和许可信息。

一个很值得尝试的方向，是把同一篇研究的预印本与期刊版本配对，比较研究问题、因果措辞、局限性和论证结构怎样变化。但这种变化不能直接叫作“同行评议的效果”：作者自己修改、补充实验、编辑要求和时间推移都可能参与其中；最终发表的预印本本身也不是随机样本。

2.2 MEDLINE 与“基线数据”：至少有三层意思

MEDLINE 是以生物医学文献记录为核心的数据库，典型内容是题名、作者、来源、摘要等信息，记录以 MeSH 主题词进行标引。它是 PubMed 的重要组成部分，PubMed、MEDLINE 和 PMC 不能互换使用，也不能从“检索到了记录”推断“拥有全文”。NLM 的 MEDLINE 介绍对此有清楚的区分。

我把笔记中的“基线”拆成三层，后面做研究时就不容易说混：

• 数据库年度基线：NLM 发布的 MEDLINE/PubMed baseline 是年度数据快照，另有更新文件。它解决的是“从哪一版数据开始、如何更新和复现”。见官方数据发布说明。
• 背景语料：选取一段时期、一组领域的文献，作为比较主题频率、语言变化或新颖性的参照。这是研究者定义的样本，不是下载下来就天然中立。
• 算法基线：用简单且可复现的方法作为比较起点，例如 TF-IDF 加线性分类器。它不是某个数据库的另一个名字。

MEDLINE 可以提供较稳定的文献组织基础，但摘要不是全文、MeSH 不是任何研究任务的现成真值，收录范围和标引变化也会影响纵向比较。年度快照尤其适合做版本管理，不能自动解决样本偏差。

2.3 金标准与银标准：差别在标签怎样得到

金标准通常指在明确任务定义下，通过较严格的人工标注、复核和分歧裁决建立的参照数据；银标准则常由规则、知识库映射、已有模型或多个系统的结果自动产生。可配置银标准语料的研究提供了一个具体例子：规模较大的自动标签可以服务于训练，但标签质量仍需评估。

“金”不意味着绝对正确，“银”也不意味着不能用。例如识别论文中的“局限性陈述”，可以先制定标注手册，让两名标注者独立标注并裁决分歧，形成一个小而清楚的金标准；再用规则或模型扩展成银标准训练集。大规模银标准负责扩大覆盖，独立金标准负责检验模型到底学会了什么。

关键是隔开训练、调参与最终测试。不能用同一个模型给数据打标签，再用这些标签证明它准确；也不能把同篇论文的相邻段落随机拆到训练集和测试集，让模型靠重复内容过关。对于预印本和正式版，最好按“同一研究”的家族划分，跨版本也不能泄漏。

如果用大模型生成银标签，还应记录模型版本、提示词、抽检结果和常见错误。金标准需要报告标注规则与一致性；分歧有时反映概念本身模糊，不是简单增加标注人数就能消除。

3. 从文本到指标：每一步都要知道自己测到了什么

3.1 Jaccard：度量主题共现，需要先说清“集合”

假设 A 是包含主题甲的论文集合，B 是包含主题乙的论文集合，Jaccard 相似度就是：

J(A, B) = |A ∩ B| / |A ∪ B|

例如主题甲出现在 40 篇论文里，主题乙出现在 30 篇里，两者共同出现 10 篇，那么相似度是 10 ÷ (40 + 30 − 10)，约为 0.167。它把共现数量放到至少出现过其中一个主题的文献范围里衡量，适合构建主题关联网络、比较关键词组合或追踪主题融合。SciPy 文档给出的是 Jaccard 距离，使用时还要注意距离与相似度相差一个“1 −”。

也可以让 A、B 分别表示两篇论文的主题集合，这时测到的就变成了论文间主题重叠。公式没变，研究对象已经变了。共现窗口究竟是一篇论文、一个段落还是一个时间段，也必须先固定。

Jaccard 不是语义相似度，更不是因果关系或显著性检验。两个主题只共同出现一次，也可能得到很高的值。因此网络边最好同时报告共现次数、各自频数和样本量，必要时设最低支持度，并与保持主题频率的随机参照比较。它部分缓解了规模影响，却没有自动完成“超出随机预期”的校正。空集合如何处理，也要事先约定。

3.2 all-MiniLM-L6-v2：一个适合起步的句向量模型

这个名字对应一个轻量的句子嵌入模型：把句子或短段落变成 384 维向量，供语义检索、聚类和相似度比较使用。可以粗略理解为，把“说法不同但意思接近”的文本放到相近的位置。它不是负责写作和对话的生成模型。模型卡说明了用途、训练方式及输入限制。

对论文研究，比较直接的用法是：给摘要或段落编码，检索与某个研究问题相近的表述；也可以把结果用于聚类，再由人工给主题命名。因为模型较小，适合先建立一个能运行、能检查的基线。

但模型名里的“all”不代表精通所有语言和所有学科。它主要面向英语，不能默认适合中文会议文本或专业生物医学任务；默认超过 256 个 word pieces 的内容会被截断，这也不是“256 个中文字符”。长论文应先合理分段，再明确聚合策略。否定、细微因果差别和专业术语能否被正确区分，要用自己的样本检验，不能只看几个检索结果很像。

3.3 内容语义与语篇结构向量拼接：让“讲什么”和“怎样论证”各有位置

语义向量更侧重文本在谈什么，语篇结构则关心它在论证中承担什么作用：背景、问题、方法、结果、解释还是局限。一篇文章也可以被描述成这些功能的比例、排列和转移关系。主题相近的两段文字，一个是在提出假说，一个是在否定假说，研究含义可能差得很远。

一个可以尝试的设计，是分别得到语义向量 s 和结构向量 d，再拼接成 z = [α·ŝ ; β·d̂]。这里的帽子表示先做合适的标准化或归一化，α、β 控制两类信息的权重。结构向量可以来自修辞功能标签，也可以来自章节比例、功能转移等人工定义的特征；它不必和语义向量有相同维数。

潜在用途包括按论证功能检索段落、比较预印本修订方式，或探索不同类型论文的写作结构。但“拼在一起”本身不是创新，也不保证更有效。维数、量纲和特征范数可能让某一块信息占据主导；模型也可能只是认出了期刊模板、篇幅或学科格式。

我会先做三个对照：只有语义、只有结构、二者结合。权重在验证集上选择，最终测试集保持独立；再用跨期刊、跨年份的样本检查它是否学到了可迁移的信息。尤其不能把“写得像某种优秀论文”直接当成“研究质量高”，结构识别与质量评价之间还需要另外的证据。

3.4 双峰检测能不能帮助确定二分类断点？可以提候选，不能直接定答案

这是笔记里最想继续验证的一个问题。比如一批论文的相似度分数看起来有两个峰，能不能在中间的低谷切一刀，分成“相关”和“不相关”？可以把低谷作为候选阈值，但双峰本身不能证明存在两个真实类别，更不能证明低谷就是最佳分类界限。

直方图分箱、核密度带宽、样本量和不同来源的混合，都可能改变峰的样子。两个真实类别也可能高度重叠，混在一起只有一个峰。Hartigan 的 dip test检验的是对单峰性的偏离；拒绝单峰不等于已经识别出恰好两个类别，它本身也不输出最佳分类阈值。

如果使用两成分混合模型，并且两个成分确实有理由对应两个类别，在误判代价相等时，决策边界要比较的是加权密度 π₁f₁(x) 与 π₂f₂(x)，而不是只看总体密度的最低点。类别比例、方差或误判代价改变，合适的边界就可能改变，甚至不一定只有一个交点。

更可靠的做法是：先检查分布对分箱、带宽和抽样是否稳定；在候选断点两侧及附近抽样做人工标注；然后按用途选择阈值。如果目的是尽量不漏掉相关论文，就重视召回率；如果人工复核成本很高，就要同时考虑精确率。用独立测试集报告结果，并允许阈值附近保留一个“待复核区”。没有标签时，得到的只能是探索性分组，不宜直接称为分类准确的证据。

还有一个容易混淆的地方：数据分布中的“断点”，不等于因果推断里回归不连续设计所依赖的政策分配阈值。两者解决的问题不同。

4. 工具变强以后，边界怎么划

4.1 《高等教育人工智能应用边界指南 2.0》：先问学习目标，再问能不能用

这条笔记让我想继续追的是 AI 使用边界怎样落实到具体任务。北京大学网站上的 DI-IDEA 联盟发布页介绍，2.0 版于 2025 年发布，提出六项基本原则、八类风险和八类典型场景，强调以育人为本、动态适配的应用边界。更准确地说，这是联盟持续开展的指南研究，不能仅凭“北京大学”四个字，把它当成适用于所有学校和课程的统一禁令。

对我而言，最实用的转换是把“能不能使用 AI”换成三个更具体的问题：这项任务要训练什么能力？AI 参与了哪一步？最后怎样证明学生仍然掌握了该掌握的东西？如果作业考查的是独立推导，让 AI 直接代做可能破坏目标；如果任务是比较不同方案，让学生检验、反驳 AI 的方案，反而可能成为学习过程。

课程和课题组可以把要求写到任务层面：允许哪些辅助，哪些关键判断必须自己完成，需要保留什么过程记录，怎样说明工具参与，出现错误由谁核对。口头解释、过程材料和对结果的复现，往往比只看最后一份漂亮文本更有信息。

同时也要给“动态边界”加上可执行的规则，不能最后变成每个老师临时凭感觉判断；付费工具的可获得性、学生隐私和申诉渠道也应该纳入考虑。这些是我由指南线索延伸出的教学思考，不是逐条转述指南要求。

5. Research Policy 期刊面对面：最值得留下的是“证据”和“贡献”

这场交流里，我最想单独留下的是 Paul Nightingale 的发言。会议官网的“期刊面对面”海报将他列为 Research Policy 编辑部代表。姓名以官方议程为据，下面的内容则依据现场笔记与录音整理，属于概括，不是逐字引语，也不替代正式投稿指南。

5.1 先谈创新问题，再谈自己用了什么方法

在录音约 02:15—02:20 的集中介绍中，比较明确的几层意思是：研究要与科学、技术政策和创新管理形成实质联系；期刊关心对现实创新问题的理解，不只是学术话语内部的推进；证据和数据质量非常重要。他也谈到国际读者对中国创新的兴趣。随后主持人的总结进一步强调了实证要求和清晰贡献。

这段话对我的启发，是介绍论文时应当把顺序改一改。与其开头就说“我用了一个新模型和一个大数据库”，不如先说：什么现象还没有被解释清楚，已有认识在哪个地方遇到了困难，我的证据能让读者多理解什么。

同样，“中国情境”本身既不是缺点，也不是贡献的充分条件。要说明中国的制度安排、产业演化或组织实践，为什么有助于看清某个机制；同时交代这一认识在什么条件下可能成立、在什么地方可能不成立。国际意义不必靠把“中国”从标题里拿掉来获得。

5.2 证据质量，不只是样本大、结果显著

“证据”是这段发言里反复出现、也最清楚的要求。落到自己的工作上，我把它理解成一条完整的链：数据怎样生成，样本为什么被看到，概念怎样变成变量，误差可能来自哪里，分析能排除哪些替代解释，以及结论有没有超出证据能支持的范围。

这也把前面的几个节点串起来了。PMC 有全文，不代表样本没有选择偏差；有了 384 维向量，不代表已经测出了知识新颖性；分类器分数很漂亮，如果金标准薄弱或版本泄漏，后面的机制解释也会跟着不稳。数据处理做得复杂，不能补偿研究对象没有定义清楚。

这是我的方法论延伸，并不意味着编辑要求所有稿件使用同一类设计。高质量证据可以有不同形态。重要的是问题、证据和推论相互匹配，不能把“重视实证”听成“只认某一种计量模型”。

5.3 “贡献”应当说出读者的认识发生了什么变化

后续约 02:53—02:59 的问答中，关于贡献的可辨认内容指向改变既有认识、挑战既有假设；方法讨论也涉及掌握方法及提供背景证据。不过这部分英文转写不完整，不能据此替他补出一套具体的方法偏好，更不能写成“RP 必须用某种因果识别”。

对我来说，一个有用的写作练习是把贡献写成三句连贯的话：已有研究通常怎样理解这件事；我的材料出现了什么与这一理解不一致、或尚未被解释的现象；因此，我们需要怎样修正原来的判断。不是每篇论文都要推翻一套理论，但至少要说清自己增加的认识在哪里。

比如，“我把语义和语篇结构拼接起来，准确率提高了”首先是一个技术结果。要成为科技政策或创新研究的贡献，还得进一步回答：这使我们看到了哪种此前难以观察的科研行为？它改变了对知识生产、评价或传播的什么理解？改进幅度是否足以影响实质判断？

我也不想把期刊见面会整理成“投中秘诀”。编辑的经验很有价值，却不能替代选题判断；强调现实意义不等于理论不重要，强调扎实证据也不意味着复杂现象只能被容易获得的数据定义。问题如果尚未有成熟指标，认真建立测量和解释框架，本身就是工作。

5.4 其他期刊的提醒，放在一起看更有意思

官网海报也补全了其他代表的姓名与刊名：赵兰香代表《科学学研究》，薛俊波代表《科研管理》，王双双代表《科学学与科学技术管理》，陈凯华代表 Innovation and Development Policy。这解决了录音中部分人名、刊名转写不清的问题；具体发言仍按能够辨认的内容整理。

• 《科学学研究》：先想清贡献类型，再考虑怎样组织文章。关于发展逻辑、中国实践、跨学科与全球视野的几项选题建议，发言者明确说属于个人观点，不等于期刊正式要求。
• 《科研管理》：问题、方法和结论要连贯，不能只报告指标和显著性；关于 AI 辅助写作，笔记中清楚的原则是有限使用、披露与作者核对，具体格式还要查看期刊规定。
• 《科学学与科学技术管理》：重视本土实践和政策价值，研究发现怎样转化为有根据的政策启示，需要说得明白。
• Innovation and Development Policy：可辨认内容涉及更广义的创新，包括社会创新、绿色创新，以及创新与社会发展的关系；不从破碎转写中推导更细的投稿门槛。

6. 把这些节点接成一个可以开始的小研究

如果从这次会议里选一件事继续做，我会先把问题缩小：一项研究从预印本走向期刊发表时，论证的哪些部分变了，这些变化是否因研究类型而不同？这比直接声称要“评价论文质量”更容易定义，也更容易检查。

第一步，限定领域和时期，建立预印本—期刊版本配对，记录未匹配和未发表样本；第二步，用小规模人工标注明确背景、方法、结果、局限性等功能，保留独立测试集；第三步，再比较关键词方法、语义向量、结构特征及二者结合，看看复杂方法到底多提供了什么信息。Jaccard 可以观察主题组合变化，句向量可以帮助找相近段落，银标准可以扩大训练规模，但每一种工具都只承担它能承担的那一部分。

最后仍要回到解释：变化是因为修辞更规范、证据更完整，还是研究结论真的发生了调整？如果没有识别同行评议作用的设计，就诚实地称为“发表过程中的变化”。这既是元科学问题，也能回应编辑在会上强调的事——让可信的证据支撑一项说得清楚的新认识。

会议结束后，真正值得带走的可能就是这些能继续追问的连接。先把概念分清，把数据和判断之间的距离看见，再决定下一步动手做什么。

整理说明：本文依据 10 月 17—18 日参会笔记、期刊面对面录音整理稿及会后核验资料撰写。现场发言、公开资料和个人延伸已在相应段落区分；配图为本次参会期间拍摄。页面日期记为 2026 年 10 月 18 日，会后整理与核验时间为 10 月 26 日。