基于STM的科研資助對研究主題影響研究

滕廣青 呂晶 江瑤 庹銳 彭潔

摘 要：[目的/意義]科研資助是科學研究工作中有效的激勵政策，分析與揭示科研資助影響作用，對促進國家科技發展具有重要的積極作用。[方法/過程]基于Web of Science收錄的我國計算機與人工智能領域的科研論文，按照有/無科研資助對其進行劃分，使用結構主題模型（STM）重點將科研資助對主題內容與主題契合度的影響進行分析。[結果/結論]研究發現，科研資助能夠有效促進科技成果數量的增加，科研資助能夠影響主題偏好和具體主題內容，科研資助與時間的交互作用會對主題的契合度產生積極的影響。

關鍵詞：科研資助;主題內容;主題偏好;主題契合度;結構主題模型

DOI：10.3969/j.issn.1008-0821.2022.05.006

〔中圖分類號〕G250.2 〔文獻標識碼〕A 〔文章編號〕1008-0821（2022）05-0058-11

Abstract：[Purpose/Significance]Research funding is an effective incentive policy in scientific work.Analyzing and revealing the impact of research funding has an important and positive role in promoting the development of national science and technology.[Method/Process]Based on computer and artificial intelligence papers of China collected in Web of Science，the papers were classified according to whether or not research funding was available.The structured topic model（STM）was used to focus on the impact of research funding on the topical content and topical prevalence.[Result/Conclusion]The results show that research funding can promote the increase in the number of scientific achievements;Research funding can have an impact on the topic preference and topic content;Interaction between research funding and time will have a positive impact on topic prevalence.

Key words：research funding;topic content;topic preference;topic prevalence;structural topic model

科研資助是指為支持科學研究而授予的資金補貼，其不僅僅牽動著科研產出的宏觀績效，更是推動科學研究內容創新的關鍵一環。隨著人類社會進入科學技術高速發展的時代，世界各國政府、學術界均致力于調控科研資助投入的配置，通過推出相應政策、計劃來影響和指導科學研究的發展。2018年，歐洲委員會提出了《Horizon Europe》[1]計劃，其目標就是希望通過投入精準有效的科研資助，提高科研效率促進科技創新。美國國家科學基金會（NSF）推出的《Building The Future：Investing in Discovery and Innovation-NSF Strategic Plan for Fiscal Years 2018—2022》[2]，將科學發現與創新的資助目標定位于通過對基礎研究的資助加快科學發現和創新。我國政府近年來對加大科研領域資助與優化資助效果采取了一系列措施，極大地提升了國家綜合科技實力。2016年5月，中共中央、國務院印發《國家創新驅動發展戰略綱要》[3]明確指出，要多渠道增加科技創新的投入，以及完善突出創新導向的評價制度。2020年9月，習近平[4]主席《在科學家座談會上的講話》中進一步指出，要加大基礎研究的科研資助，建立健全科學評價體系及激勵機制。科研資助作為科學研究過程中的重要組成部分，已成為全球科學發現和創新的主要驅動力之一。2021年3月發布的《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》中指出，要加大基礎研究財政投入力度，對基礎研究探索實行長周期評價，創造有利于基礎研究的良好科研生態[5]。在各國政府對科研資助日益重視的同時，科研資助對于科研工作的影響也逐漸受到學術界的關注，國內外學者紛紛致力于科研資助產生的影響的研究。早期的研究工作重點主要集中于科研成果產出數量與成果影響力的視角，近年來隨著自然語言處理（NLP）技術的日漸成熟，研究重點逐漸轉向更細粒度的科研資助對研究主題的影響。本研究從科研成果文檔層面將科研資助對領域研究主題的影響作用進行分析，以期為我國科研資助政策科學制定及實施提供可資借鑒的參考。

1 相關研究綜述

科研資助在科學體系中所發揮的重要作用和日益增長的影響，被認為是在科研政策、學術界和申請接受資助的研究者之間進行調解的中介[6]。科研資助對科學活動的影響研究多與科研成果的數量以及質量相關，因此截至目前，從成果產出數量以及成果影響力視角對科研資助效果開展的研究仍然占據主流。Butler L[7]通過獲得科技成果產出數量與期刊的被引量對澳大利亞的科研資助的效用開展研究。Aagaard K等[8]將出版物數量與引文數量作為績效，分析了丹麥的科研資助與出版物績效之間的關系。事實上，由于近年來科技界對成果質量的關注程度遠高于成果數量，因此研究工作越來越偏重于科研資助對成果影響力影響的研究。Mussurakis S[9]通過對比獲得資助與未獲得資助的出版物的被引情況等因素，進而探究獲得資助與沒有資助對于成果引用量的影響。Korytkowski P等[10]對波蘭科研資助與科研成果數量進行評估，認為科學激勵政策有助于實現科學本身至關重要的目標。Shen C C等[11]分析有/無資助條件下論文的研究影響力，研究發現，獲得資助的科研成果的影響力要比沒有資助的成果的影響力更高。與此同時，相關研究在國內得到廣泛開展。宋志紅等[12]比較科研人員在“獲得科學基金資助”和“未獲得科學基金資助”兩種情形下的科研產出差異。張詩樂等[13]基于論文產出數量和被引頻次對國家自然科學基金資助的效果進行評價。王菲菲等[14]基于對科研資助成果發文量、被引量和h指數等測度，對科技項目資助對論文產出績效進行探究。截至目前，此類研究雖然取得了豐富的成果，但關注的焦點仍然停留在成果數量、被引數量等外在統計指標。BB58E4E6-2E3B-4957-9A0A-1EB4635BCB3A

隨著大數據與人工智能技術的發展，傳統基于外在特征的分析方法已不再適用于處理高維數據與解決復雜問題，研究人員開始利用新的自然語言處理（NLP）方法從科技文檔的層面開展更加細粒度的研究。Shi X等[15]使用LDA主題模型從計算機領域的資助計劃和其出版物的樣本中提取主題，分析兩個語料庫中概念之間的滯后性的關系進而探究資助計劃與出版物之間的主題關聯。Li K等[16]使用RAKE關鍵詞提取方法，分析了NIH研究資助計劃和他們資助的出版物之間的關鍵詞匹配率。劉自強等[17]利用LDA主題模型探索基金、論文中研究主題擴散演化的滯后效應。劉博文等[18]使用LDA主題模型對比分析基金項目數據和論文數據探究研究主題前沿。葉文豪等[19]使用Word2Vec模型計算基金標題與論文標題及摘要間的相似度，計算相關性進而證明基金內容與其資助論文在大規模數據分析上存在差異。呂晶等[20]通過基金文檔與成果文檔主題相似度分析，發現科研資助對科學論文的引導與促進作用更大，且影響作用的持續時間更長。

總體而言，當前科研資助效用研究仍以績效的定量分析為主導，以對于數量、影響力方面的描述性統計為主，基于文檔內容層面的細粒度研究較少。在研究手段上，自然語言處理（NLP）技術已經為很多研究所使用，使用主題建模技術提取和觀察研究趨勢的可行性已被研究證實[21]。基于此，本研究在現有成果基礎上，使用STM（Structural Topic Model）[22]結構主題模型，從文檔內容層面識別與分析科研資助對科研主題偏好、主題詞分布、主題契合度的影響。

2 基礎理論與方法

2.1 STM主題模型

常規的文檔主題建模主要采用經典的狄利克雷分布（Latent Dirichlet Allocation，LDA）[23]主題模型。盡管從目前學術界已取得的研究成果來看該模型已經被學術界普遍接受，但相對于本研究力圖洞察科研資助對科學研究主題的內容偏好及契合度等研究目標而言仍顯不足。本研究工作采用STM（Structural Topic Model）[22]結構主題模型，其基于協變量的主題建模特性更加貼近研究目標，能夠借助協變量洞察資助/非資助產生的影響。STM是一種無監督的機器學習方法，用于識別文檔中主題分布的模式特征。該模型在基于早期潛在狄利克雷分布（LDA）[23]主題模型的基礎上，融入了元數據（協變量）可用于探索文檔元數據（協變量）與文檔主題分布之間的作用關系。在實際的研究過程中，元數據（協變量）對文檔中主題內容（Topical Content）和主題契合度（Topical Prevalence）有一定的影響。主題內容指的是主題中使用的主題詞，主題契合度指的是文檔與主題的關聯程度。因此，解釋主題契合度的元數據被稱為主題契合協變量，解釋主題內容的元數據被稱為主題內容協變量。其基本原理如圖1所示。

2.2 主題數目計算

主題建模過程中具有挑戰的工作是主題數量的確定。主題數量K是一個固定的參數，其影響模型計算過程中的結果。STM主題模型的SearchK函數中能夠綜合不同指標進而衡量主題數量，具體包括Held-Out（保留文檔可能性）、Semantic Coherence（語義一致性）、Residuals（殘差）、Lower Bound（下限）等。其中，Held-Out（保留文檔可能性）的基本思想是提取一組文檔中的部分單詞，訓練模型使用文檔級潛在變量來評估保留部分的概率。Semantic Coherence（語義一致性）即當一個給定主題中最可能出現的單詞經常同時出現時，語義連貫性就會最大化，這是與人類對主題質量的判斷高度相關的度量[24]。Residuals（殘差）計算是對STM數據生成過程中多項式方差的過度分散的測試，如果殘差過度分散，則表明設置的主題數量較少，需要更多的主題來吸收一些額外的方差。Lower Bound（下限）表示可以通過近似變化來檢查收斂性。保留文檔的可能性和語義一致性越高，殘差與邊界越低，模型性能越好。具體的研究工作中首先設置較大的K值范圍，通過得到指標情況來逐漸縮小主題數量的選擇區間，并最終確定K值。

3 研究流程

3.1 數據來源與預處理

研究數據依托Web of Science核心合集數據庫，獲取中國計算機與人工智能領域的論文。檢索式為：WC=（“Computer Science，Artificial Intelligence”AND CU=“China”），文章類型選擇“Article”，語言為“English”。Web of Science數據庫在2008年開始完善文獻的資助信息[25]，為獲得有效的資助信息以及提高研究的準確性，本文選擇數據時間區間為：2008—2020年，經過去除空值以及無效數據，共得到52 655篇論文。將獲得的數據按照有/無資助信息進行劃分，得到具體年發文量情況，如圖2所示。

圖2中，柱狀圖表示年發文總量，每個柱形圖中的紅色與藍色分別表示未獲得資助與獲得資助的論文年發文數量。總體來看，圖中年發文總量整體呈增長趨勢，統計的結束年份與初始年份相差8.9倍以上。時間軸后期該領域的年發文數量迅速增加，且增速加大，可見近幾年該領域的相關研究實現快速發展。進一步觀察柱狀圖中資助與非資助的成果分布，獲得科研資助的成果數量總體呈逐年遞增的態勢。圖2中的內嵌餅圖為未獲得資助的論文數量在當年發文總量中占比。根據餅圖中的每年非資助論文占當年所有論文的比例可知，除時間軸初始階段（2008年、2009年），獲得科研資助的論文數量占比一直占據當年發文總量的80%以上。總體上看，隨著時間的發展，該領域的研究成果數量日漸增加，每年發表的論文中，獲得資助的成果數量遠高于未獲得資助的成果數量。在成果總量持續增長的同時，時間軸后期獲得科研資助的成果所占比例總體上高于時間軸初期。由此可見，在中國計算機與人工智能領域，科研資助對于科研產出在數量上具有一定的促進作用。BB58E4E6-2E3B-4957-9A0A-1EB4635BCB3A

3.2 主題數量及內容

具體的研究工作中首先將K值（主題數量）設置在（10，20，30，40，50）區間，基于4個指標的運行結果發現K在10～20較為合適，進而針對（10，12，14，16，18，20）區間的主題數量再次進行計算，得到圖3所示的不同指標情況。

圖3（a）～（d）分別對應保留文檔的可能性、殘差、語義一致性、下限。根據圖3中各個指標的計算結果可以發現，保留文檔的可能性（a）在主題數量為14～16區間時值較高且增速減慢;殘差（b）和下限（d）在主題數量為14時其值較低，殘差值在14個主題時開始趨于穩定;語義一致性（c）在主題數量14以后降低。因此，綜合考慮以上結果，研究工作最終確定設置主題數量為14。

為更好把握領域研究內容與演變趨勢，研究工作對每一主題所對應的前10個高概率的主題詞進行提取，得到結果如表1所示。

由表1可知，中國計算機與人工智能領域（2008—2020）主要研究內容中，topic1、topic2、topic5、topic12分別與信號處理、系統使用評估、網絡系統安全、智能決策等研究有關，可將其歸納為應用層面。機器人技術作為人工智能研究下屬的一個重要分支，相關研究也得到了一定的發展，通過topic3中“robot”“neural”“network”等主題詞呈現機器人技術與神經網絡相關研究密切關聯。屬于理論算法類研究及優化的主題包含topic4、topic8、topic10、topic11，topic4中出現“fuzziness”“control”“system”以及topic10的“fuzziness”“theories”可以看出兩個主題分別以模糊控制系統、模糊理論研究為重點內容，通過“algorithm”“optimize”可得知topic8是算法的優化研究，topic11中出現的“sparse”“matrix”“learn”與機器學習有關。topic9主題詞“image”“video”“recognition”“detect”等可知，該主題研究內容與圖像識別、視頻檢測等計算機視覺技術有關。topic6、topic7、topic14分別描述聚類、神經網絡、分類等研究內容，可將其歸納為機器學習相關研究內容。topic13中出現“semantic”“network”等詞匯，可知該主題與語義網的研究相關。

3.3 主題分布趨勢

在主題建模過程中，每個主題會以一定的概率分配給不同的文檔，一篇文檔也可能與多個主題相關。因此研究工作為每個文檔分配最高概率的主題，計算不同主題在文檔中的分布情況，進而得到研究主題所呈現的發展趨勢。為了掌握不同時期的熱點研究主題，研究工作按年份對不同主題所占比例進行統計，得到主題分布的時間序列如圖4所示。

圖4中不同顏色對應不同主題，圖中每一顏色扇區的面積（或半徑）對應該主題在文檔中的比例。觀察每個時間窗口中每種顏色扇區相對于其他顏色扇區的面積可以發現，在2008年時間窗口中，topic7（神經網絡）研究主題占比例最高，并且在后續的2009年、2010年時間窗口中始終保持該領域最受關注的熱點主題地位。從2011年時間窗口開始，topic6（聚類算法）、topic14（分類算法）、topic8（算法優化）等算法類研究主題也躋身于熱點主題行列。2012—2015年時間窗口中，topic7（神經網絡）、topic6（聚類算法）、topic14（分類算法）、topic8（算法優化）、topic9（計算機視覺）、topic11（機器學習）多個研究主題的排名雖偶有變化，但始終處于該領域熱點主題陣營。從2016年時間窗口開始，topic9（計算機視覺）表現出超過其他主題的發展勢頭，并在2020年時間窗口一騎絕塵地成為遠超其他主題的該領域最熱門研究主題。

事實上，時間軸早期topic7（神經網絡）研究主題的熱點地位得益于此前Hinton G E等[26]發表于《Science》雜志一篇關于用神經網絡降低數據維度的論文。該論文開辟出一條基于深度神經網絡的人工智能道路，但當時并未在具體的實踐應用中取得優異的表現。自2012年時間窗口topic9（計算機視覺）研究主題躋身領域熱點主題陣營，并在時間軸后期一枝獨秀，其主要原因在于2012年Krizhevsky A等[27]構造的“大型深度卷積神經網絡”。該卷積神經網絡在ImageNet數據集取得了出色的表現，大幅度降低了圖像識別的錯誤率，證實了卷積神經網絡在圖像識別實踐應用中的有效性。Hinton團隊從理論到實踐的科研進程，映射出該領域熱點主題從topic7（神經網絡）到topic9（計算機視覺）的遷移過程。同時也表明，重大的顛覆性創新成果能夠引領領域的研究熱點。

4 研究結果

4.1 科研資助對主題級偏好的影響

STM主題模型的核心優勢為其能夠估計文檔主題與協變量之間的作用。研究以是否獲得科研資助為協變量，協方差參數分別為funded（資助）、unfunded（非資助），利用差異化（difference）的方法對不同主題的偏好情況進行計算，得到結果如圖5所示。

圖5中，左側主題表示未獲得資助的科學研究更傾向的研究主題，而右側表示獲得資助的科研工作更偏好的研究主題。在未獲得資助的研究中，主要對topic1（信號處理）、topic2（系統應用）、topic3（機器人）、topic5（網絡安全）等研究主題較為專注。而獲得資助的研究更傾向于topic4（模糊理論）、topic7（神經網絡）、topic8（算法優化）、topic10（模糊系統）、topic11（機器學習）、topic13（語義網）、topic14（分類算法）等主題。其中反差最為鮮明的當屬topic2（系統應用）與topic7（神經網絡）兩個主題。前者在前文圖4中始終未取得熱點主題的地位，而后者在大部分時間窗口中躋身于熱點主題，僅在時間軸后期由于深度神經網絡逐漸成熟，從而遷移到計算機視覺這一熱點主題。從這個意義上講，科研資助能夠在一定程度上影響領域研究的主題偏好。BB58E4E6-2E3B-4957-9A0A-1EB4635BCB3A

4.2 科研資助對主題內容的影響

由STM結構主題模型原理可知，主題的內容會受到內容協變量的影響而有所差異。考慮到同一主題詞可能同時隸屬于多個主題，為明晰科研資助對不同主題內容的影響，本部分以資助/非資助（funded/unfunded）作為主題內容協變量，分別對14個主題在協變量影響下的高概率主題詞進行分析，得到協變量影響下的各個主題內容分布如圖6所示。

圖6中14個子圖呈現不同主題中高概率主題詞的分布情況，字號大小反映詞頻的高低。越靠近子圖左側的主題詞代表其越受到科研資助的青睞;越靠近子圖右側的主題詞則代表其在非資助科研活動中概率更高;居于中線附近的主題詞則為受資助/非資助影響較小的具體內容。圖中主題詞的分布情況顯示，大多數主題的內容（主題詞）均在有/無資助（橫軸）維度上表現出較好的區分度。以topic1（信號處理）研究主題為例，topic1（信號處理）主題中各主題詞分布離散分化，獲得資助的研究更加傾向于“fault”“detect”等信號故障檢測的內容，而非資助的研究則更加關注“process”“diagnosis”等信號診斷過程的內容。即科研資助對研究主題的具體內容產生較為明顯的影響。但也有少量主題在有/無資助維度上并未表現出較好的區分度。以topic2（系統應用）主題為例，“service”“data”“system”等眾多主題詞聚集在靠近中線的位置，即在位置上更靠近資助與非資助共同關注的區域，表明科研資助與否對這些內容并不產生鮮明的影響。

另一方面，在各個主題的資助與非資助區域，主題詞的分布數量也存在一定的差距。以topic3（機器人）為例，明顯處于資助區域的主題詞（如“learn”“model”“predict”）數量遠高于明顯處于非資助區域的主題詞（如“fault”）數量。顯然，即使在一個特定的主題內部，科研資助也會只關注其中部分內容（主題詞）。這意味著，即使某一主題獲得科研資助，但在具體內容上也不盡相同。有些主題會有更多的內容（主題詞）獲得科研資助，而有些主題則僅有較少的內容獲得科研資助。

上述分析結果表明，內容協變量（資助/非資助）對于大多數研究主題，如topic1（信號處理）等主題的內容分布影響較為明顯，主題詞分布較為離散分化，資助與非資助的區分度較高;也有少量研究主題，如topic2（系統應用）等主題的內容分布影響并不明顯，眾多主題詞靠近中線附近，資助與非資助的區分度并不鮮明。此外，無論各研究主題內容（主題詞）總體分布相對集中還是離散，資助與非資助（協變量）總是能夠在一定程度上影響主題中內容的傾向性，一些主題中較多的內容（主題詞）獲得了科研資助，而同樣獲得資助的另一些主題中僅有較少的內容（主題詞）獲得了科研資助。

4.3 科研資助對主題契合度的影響

本研究中，主題契合度指的是文檔與主題的關聯程度。主題的契合度并不是一成不變的，會受時間等因素的影響發生變化。為進一步探究科研資助對文本主題契合程度是否具有影響，研究工作以科研資助與時間的交互效用作為文檔的協變量，計算協變量影響下主題契合度。以時間為橫坐標，預期主題比率為縱坐標，得到協變量影響下主題契合度隨時間變化的趨勢，如圖7所示。

圖7中，實線表示獲得資助時該主題契合度變化趨勢，虛線表示未獲得資助時該主題契合度變化趨勢，點線部分表示95%置信區間。由圖7可知，科研資助與時間的交互作用對主題的契合度產生不同程度的影響。總體上看，在有/無資助的情況下，主題契合度隨時間推移的變化趨勢大致相同。從預期主題比率的層面看，圖7（a）topic11（機器學習）、topic4（模糊理論）、topic7（神經網絡）、topic8（算法優化）、topic10（模糊系統）、topic12（智能決策）、topic14（分類算法）共50.0%的主題中，獲得科研資助的預期主題比率高于未獲科研資助的預期主題比率，即這些主題中獲得資助的科研成果的主題契合度高于同一時間未獲資助的科研成果的主題契合度。與此相反，圖7（c）topic1（信號處理）、topic2（系統應用）、topic3（機器人）、topic5（網絡安全）占28.6%的主題中，未獲得科研資助的預期主題比率高于獲得科研資助的預期主題比率，非資助科研成果的主題契合度更高。結合前文圖5中主題偏好的結果，不難發現這一結果與非資助偏好的主題相吻合。

此外，圖7（b）topic13（語義網）、topic9（計算機視覺）、topic6（聚類算法）占21.4%的主題中，獲得科研資助的預期主題比率先抑后揚。在主題契合度持續走高的情況下，topic13（語義網）與topic9（計算機視覺）主題在時間軸前期，未獲得資助的預期主題比率同樣高于獲得資助的主題比率，但在時間軸后期獲得資助的預期主題比率增速更高，其值已經超過未獲得資助的主題比率。在主題契合度持續走低的情況下，topic6（聚類算法）主題在時間軸前期，未獲得資助的預期主題比率高于獲得資助的主題比率，但在時間軸后期獲得資助的預期主題比率并未與未獲得資助的主題比率同幅度下降，反而高于未獲得資助的主題比率。

綜合上述情況，在時間序列上，50.0%的主題中獲得資助的成果文檔的預期主題比率持續高于未獲得資助的成果文檔的主題比率，加上21.4%的主題中獲得資助的成果文檔的預期主題比率先抑后揚在后期反超未獲得資助的成果文檔的主題比率的情況，已經表明科研資助對主題契合度具有積極的影響。

5 結論與討論

研究工作基于2008—2020年我國計算機與人工智能領域被Web of Science核心集收錄的研究成果，依據是否獲得科研資助對科研成果進行整理，采用STM主題建模方法，從該領域研究的研究內容發展趨勢、資助/非資助的主題級偏好、研究主題內容的傾向、以及在時間與科研資助交互作用影響下主題契合度的變化等方面，對科研資助產生的影響進行剖析。綜合上述分析結果，研究工作初步得出以下結論：BB58E4E6-2E3B-4957-9A0A-1EB4635BCB3A

1）科研資助能夠促進科技成果數量的增加。通過圖1的統計結果可以發現，該領域的科研成果數量隨時間延展呈現增長態勢。而在總體成果數量增長的同時，獲得科研資助的成果數量遠高于未獲得科研資助的成果數量，而且時間軸后期獲得科研資助的成果數量占比高于時間軸初期。該現象表明，該領域科研成果數量的增加主要由獲得科研資助的成果數量增加產生。這一研究結論與當前很多研究持有科研資助促進科研成果產出的結論相契合[7，10]，同時也為我國加大科研資助力度的總體方針提供了科學依據。

2）科研資助能夠對成果的主題及其內容產生影響。主題級偏好分析顯示，科研資助能夠在較大程度上影響主題偏好，部分研究主題得到科研資助的青睞（參見圖5）。在主題內容方面，僅有少數主題的部分主題詞趨近于資助與非資助共同關注的區域，而且幾乎所有的主題中總是有一些主題詞相對更靠近資助或非資助區域（參見圖6）。這一結果表明，無論是主題級層面還是主題內容層面，科研資助都能夠在對科研活動產生影響，為通過科研資助調控科技發展戰略布局，集中力量攻克重大科學難題指明了路徑。

3）科研資助與時間的交互作用會對主題的契合度產生積極的影響。主題契合度的分析結果顯示，超過半數以上（50.0%+21.4%）的研究主題在科研資助的加持下，在全時間周期或者時間軸后期的預期主題比率高于未獲得科研資助的主題比率（參見圖7）。這一結果表明，科研資助對科研主題的契合度具有積極的影響，獲得科研資助的研究成果能夠更好地聚焦于主題所代表的科學問題，其相關成果對該主題所代表的科學問題具有更大的貢獻。這一結果為如何科學合理發揮科研資助在國家科技發展戰略中的積極作用提供了可資借鑒的參考依據。

在國家有序推進科技強國發展戰略的今天，發現和揭示科研資助對科學研究工作的影響，有助于為科研管理部門制定積極的科研資助政策，高效發揮科研資金的使用效率，集中力量攻克科學難題提供科學依據。研究中也存在一些不足之處，研究中僅選取單一領域的數據開展分析，尚不足以涵蓋所有的科學領域。未來的研究工作將納入更廣泛的學科領域，更長的時間周期，開展更深入全面的研究。

參考文獻

[1]Europe Commission.Proposal for a Decision of the European Parliament and of the Council on Establishing the Specific Programme Implementing Horizon Europe-The Framework Programme for Research and Innovation[EB/OL].https：//ec.europa.eu/commission/sites/beta-political/files/budget-may2018-horizon-europe-decision_en.pdf，2021-05-11.

[2]National Science Foundation.Building the Future：Investing in Discovery and Innovation-NSF Strategic Plan for Fiscal Years（FY）2018—2022[EB/OL].https：//www.nsf.gov/pubs/2018/nsf18045/nsf18045.pdf，2021-05-18.

[3]中共中央，國務院.國家創新驅動發展戰略綱要[N].人民日報，2016-05-20，（6）.

[4]習近平.在科學家座談會上的講話[N].人民日報，2020-09-12，（2）.

[5]新華社.中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要[EB/OL].http：//www.gov.cn/xinwen/2021-03/13/content_5592681.htm，2021-05-18.

[6]Braun D.Who Governs Intermediary Agencies？Principal-agent Relations in Research Policy-making[J].Journal of Public Policy，1993，13（2）：135-162.

[7]Butler L.Explaining Australias Increased Share of ISI Publications：The Effects of a Funding Formula Based on Publication Counts[J].Research Policy，2003，32（1）：143-155.

[8]Aagaard K，Schneider J W.Research Funding and National Academic Performance：Examination of a Danish Success Story[J].Science & Public Policy，2015，43（4）：518-531.

[9]Mussurakis S.Financial Support for Research in Radiology：A Survey of Original Investigations Published in the AJR and Radiology[J].American Journal of Roentgenology，1994，163（4）：973-979.

[10]Korytkowski P，Kulczycki E.Examining How Country-level Science Policy Shapes Publication Patterns：The Case of Poland[J].Scientometrics，2019，119（3）：1519-1543.BB58E4E6-2E3B-4957-9A0A-1EB4635BCB3A

[11]Shen C C，Hu Y H，Lin W C，et al.Research Impact of General and Funded Papers：A Citation Analysis of Two ACM International Conference Proceeding Series[J].Online Information Review，2016，40（4）：472-480.

[12]宋志紅，郭艷新，李冬梅.科學基金資助提高科研產出了嗎？——基于傾向得分分層法的實證研究[J].科學學研究，2016，34（1）：116-121，160.

[13]張詩樂，蓋雙雙，劉雪立.國家自然科學基金資助的效果——基于論文產出的文獻計量學評價[J].科學學研究，2015，33（4）：507-515.

[14]王菲菲，賈晨冉，劉俊婉.科技項目資助對論文產出績效的作用效率測度研究——以人工智能領域為例[J].科技進步與對策，2019，36（16）：26-33.

[15]Shi X，Nallapati R，Leskovec J，et al.Who Leads Whom：Topical Lead-lag Analysis Across Corpora[C]//Proceedings of Neural Information Processing Systems Workshop on Computational Social Science and Wisdom of Crowds.New York：Curran Associates，2010：1-4.

[16]Li K，Erjia Y.Are NIH-funded Publications Fulfilling the Proposed Research？An Examination of Concept-matchedness Between NIH Research Grants and Their Supported Publications[J].Journal of Informetrics，2019，13（1）：226-237.

[17]劉自強，許海云，岳麗欣，等.面向研究前沿預測的主題擴散演化滯后效應研究[J].情報學報，2018，37（10）：979-988.

[18]劉博文，白如江，周彥廷，等.基金項目數據和論文數據融合視角下科學研究前沿主題識別——以碳納米管領域為例[J].數據分析與知識發現，2019，3（8）：114-122.

[19]葉文豪，王東波，沈思，等.基于孿生網絡的基金與受資助論文相關性判別模型構建研究[J].情報學報，2020，39（6）：609-618.

[20]呂晶，郭思月，滕廣青，等.基金項目對科學研究的關聯影響分析[J].數字圖書館論壇，2019，（12）：18-27.

[21]Yang H L，Chang T W，Choi Y.Exploring the Research Trend of Smart Factory with Topic Modeling[J].Sustainability，2018，10（8）：2779.

[22]Roberts M E，Stewart B M，Tingley D.Stm：An R Package for Structural Topic Models[J].Journal of Statistical Software，2019，91（2）：1-40.

[23]Blei D M，Ng A Y，Jordan M I.Latent Dirichlet Allocation[J].Journal of Machine Learning Research，2003，3（1）：993-1022.

[24]Mimno D M，Wallach H M，Talley E M，et al.Optimizing Semantic Coherence in Topic Models[C]//Proceedings of the 2011 Conference on Empirical Methods in Natural Language Processing.Edinburgh：Association for Computational Linguistics，2011：262-272.

[25]Liu W，Tang L，Hu G.Funding Information in Web of Science：An Updated Overview[J].Scientometrics，2020，122（3）：1509-1524.

[26]Hinton G E，Salakhutdinov R R.Reducing the Dimensionality of Data with Neural Networks[J].Science，2006，313（5786）：504-507.

[27]Krizhevsky A，Sutskever I，Hinton G E.ImageNet Classification with Deep Convolutional Neural Networks[EB/OL].https：//courses.grainger.illinois.edu/ece544na/fa2013/krizhevsky2012.pdf，2021-05-18.

（責任編輯：陳 媛）BB58E4E6-2E3B-4957-9A0A-1EB4635BCB3A