共计 1503 个字符，预计需要花费 4 分钟才能阅读完成。
每年，全球数十亿美元投入研究资助，推动科学发现。但这些资金究竟流向了哪里？科学家们开发了一种名为 Funding the Frontier（FtF）的新机器学习 AI 工具，该工具将研究资助的影响映射到出版物、专利、政策、临床试验甚至新闻报道上——展示了资助如何真正塑造科学和社会。
尽管研究长期以来强调科学资助的重要性，但其主要集中于资助和论文，其他类型的影响则未被充分探索。FtF 旨在帮助资助者、政策制定者、大学领导者和研究人员通过展示科学如何从投资走向创新，以知情和透明的方式看到更大的图景，并在尚未经过同行评审的预印本中进行了概述。
FtF 基于其同类中最大的数据集之一，使用从 Dimensions、SciSciNet 和 Altmetric 等平台收集的全球数据，将超过 700 万项研究资助与 1.4 亿篇科学论文、1.6 亿项专利、1090 万份政策文件、80 万项临床试验和 580 万篇新闻文章连接起来——所有这些都通过 18 亿次引用关系链接在一起。
“FtF 是与现实世界决策者密切合作设计的，”佛罗里达州立大学的第一作者 Yifang Wang 表示。“它可能促使……向全面、多维的影响视角转变。决策者不仅可以看到哪些项目产生了论文，还可以看到哪些项目对创新、政策、健康或公众理解做出了贡献。”
“FtF 还可视化了多个层面的资助分配：按领域、机构、性别和职业阶段，使用户能够看到谁获得了资助以及潜在的不平等存在何处，”她补充道。
这可能会通过优先考虑高影响力研究和更好地预测未来机会，彻底改变资助决策。“这是一个雄心勃勃且值得称赞的尝试，结合并综合了广泛的数据、指标和算法，”未参与该研究的伦敦大学学院的 James Wilsdon 表示。“与大多数科学计量学论文不同的是，它在一个单一框架中结合了多种不同元素。”
“该系统的主要优势在于其集成数据源的有前景的用户界面，使用户能够以一种看似直观的方式探索科学产出及其结果和影响，”同样未参与该研究的莱顿大学的 Vincent Traag 补充道。
但批评者警告，过度依赖指标和预测模型可能会使资助偏向“安全”项目，低估长期或好奇心驱动的科学。
“如果基于此类算法做出决策，研究是否会成为一种自我实现的预言？”Wilsdon 问道。“如果基于过去有效的内容，而不是未来预期有效的内容，决策是否会变得更加保守？”
这种担忧也存在于伦理学家中，他们警告说，使用过去的表现作为未来资助的指南可能会巩固现状。“当这样的系统用于资助过去产生 [影响] 的研究时，潜在的危害是……它可能导致人们避免资助产生新类型影响 [或] 打破历史模式的创新研究，”未参与该研究的荷兰特温特大学的 Philip Brey 评论道。“许多创新、突破性和颠覆性的研究并不会立即产生影响，但仍然值得资助。”
AI 政策专家还警告不要过度自信于 FtF 的结果——信任其输出而不考虑它们是如何产生的或背后的不确定性。Traag 认为，人们往往更容易审查人为判断，然而，当涉及到算法预测时，很容易就接受它们。“然而，在预测哪些资助将产生哪些影响方面仍然存在相当大的不确定性……人们可能对结果过于自信，”Traag 补充道。
然而，FtF 的预测仅基于资助文本中的模式，使其预测本质上是不完整的。“这是一种相当直接的将词语转化为影响的方式，没有进一步和更广泛的背景信息，”Traag 表示。“一个更有用的视角可能是将资助提案摘要放在更广泛的背景中，使用户能够探索……提案在哪些方面超越了现有知识。”
共识是，在实际决策中，像 FtF 这样的系统应该仅作为支持工具，而不是指导结果。“这些类型的预测分析需要谨慎对待，并在研究资助者和政策制定者采纳和实施之前进行彻底测试，”Wilsdon 表示。
