📈 economics

Efficient Threshold-based Model for Scientific Productivity Evaluation: a Proposal

यह शोध पत्र इतालवी विश्वविद्यालयों में वैज्ञानिक उत्पादकता के मूल्यांकन के लिए एक सुव्यवस्थित, गोपनीयता-अनुपालक मॉडल का प्रस्ताव करता है जो वास्तविक समय में, अनुकूलनीय और पारदर्शी संकेतक उत्पन्न करने के लिए मौजूदा राष्ट्रीय वैज्ञानिक योग्यता सीमाओं का लाभ उठाता है, जो संस्थागत शासन और व्यक्तिगत शोधकर्ता ट्रैकिंग दोनों के लिए उपयोगी है।

मूल लेखक: Giuseppe Sergioli, Francesco Bianchini, Pierluigi Graziani

प्रकाशित 2026-06-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Giuseppe Sergioli, Francesco Bianchini, Pierluigi Graziani

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक विशाल पुस्तकालय है जहाँ हर साल हजारों विद्वान किताबें और लेख लिखते हैं। हर कुछ वर्षों में, पुस्तकालय का प्रबंधन यह पता लगाने की कोशिश करता है कि कौन से विभाग सबसे अच्छा काम कर रहे हैं। आमतौर पर, यह प्रक्रिया एक विशाल, बहु-वर्षीय ओलंपिक आयोजित करने जैसी होती है: यह महंगी है, इसमें बहुत समय लगता है, और यह कभी-कभी ही होती है।

यह शोध पत्र एक बहुत ही सरल, "रियल-टाइम" स्कोरबोर्ड का प्रस्ताव करता है। ओलंपिक का इंतज़ार करने के बजाय, यह पहले से मौजूद "पासिंग ग्रेड्स" (उत्तीर्ण होने के ग्रेड) का उपयोग करने का सुझाव देता है जो इतालवी शैक्षणिक प्रणाली पहले से ही हर दिन गणना करती है।

यहाँ उनके विचार का विवरण रोजमर्रा के उदाहरणों के साथ दिया गया है:

1. "पासिंग ग्रेड" प्रणाली (ASN)

इटली में, उच्च स्तर के प्रोफेसर बनने के लिए (जैसे "जूनियर" से "सीनियर" भूमिका में जाना), एक विद्वान को विशिष्ट आवश्यकताओं को पूरा करना होता है। सरकार पहले से ही इस "औसत" कार्य की गणना कर चुकी है जो इन परीक्षाओं को पास करने के लिए आवश्यक है।

उदाहरण: इन आवश्यकताओं को एक वीडियो गेम लेवल की तरह समझें। लेवल 1 को जीतने के लिए (सीनियर प्रोफेसर बनने के लिए), आपको कुछ निश्चित संख्या में "सिक्के" (प्रकाशन), "सितारे" (उद्धरण/साइटेशन्स), और "बैज" (टॉप-टियर जर्नल लेख) इकट्ठा करने होंगे।
डेटा: सरकार पहले से ही जानती है कि औसत व्यक्ति को पास होने के लिए कितने सिक्के, सितारे और बैज चाहिए। ये ही "थ्रेशोल्ड" (सीमाएं) हैं।

2. नया स्कोरबोर्ड (प्रोडक्टिविटी इंडेक्स)

लेखक एक नया तरीका सुझाते हैं जिससे यह मापा जा सके कि एक विश्वविद्यालय या एक विशिष्ट विभाग कैसा प्रदर्शन कर रहा है। एक बड़ी रिपोर्ट का इंतज़ार करने के बजाय, वे प्रत्येक विद्वान के वर्तमान "सिक्कों की संख्या" की तुलना उनके अगले स्तर के लिए आवश्यक "पासिंग ग्रेड" से करने का प्रस्ताव देते हैं।

गणना:
- यदि किसी विद्वान के पास पास होने के लिए आवश्यक सिक्कों की सटीक संख्या है, तो उनका स्कोर 1.0 है।
- यदि उनके पास आधे सिक्के हैं, तो उनका स्कोर 0.5 है।
- यदि उनके पास दोगुने सिक्के हैं, तो उनका स्कोर 2.0 है।
विभाग का स्कोर: आप बस एक विभाग के सभी विद्वानों के स्कोर को जोड़ते हैं और उनका औसत लेते हैं। इससे "डिपार्टमेंट प्रोडक्टिविटी इंडेक्स" (DPI) प्राप्त होता है।
- DPI > 1.0: विभाग, औसतन, "पासिंग ग्रेड" से बेहतर प्रदर्शन कर रहा है।
- DPI < 1.0: विभाग, औसतन, "पासिंग ग्रेड" से पीछे रह गया है।

3. यह क्यों उपयोगी है ("डैशबोर्ड" बनाम "ऑटोप्सी")

यह पेपर अपने तरीके की तुलना वर्तमान प्रणाली (जिसे VQR कहा जाता है) से एक चिकित्सा उदाहरण का उपयोग करके करता है:

वर्तमान प्रणाली (VQR): यह एक पूर्ण-शरीर ऑटोप्सी (शव परीक्षण) या एक गहन मेडिकल जांच की तरह है। यह अविश्वसनीय रूप से विस्तृत और सटीक है, लेकिन इसमें बहुत समय लगता है, बहुत पैसा खर्च होता है, और यह केवल कुछ वर्षों में एक बार होता है। जब तक इसके परिणाम आते हैं, तब तक रोगी (विश्वविद्यालय) बदल चुका हो सकता है।
प्रस्तावित मॉडल: यह एक फिटनेस ट्रैकर या स्मार्टवॉच की तरह है। यह पूर्ण ऑटोप्सी नहीं करता है, लेकिन यह आपको लाइव, लगातार अपडेट होने वाली हृदय गति (हार्ट रेट) देता है। यह आपको तुरंत बताता है कि विभाग कितनी तेजी से चल रहा है या क्या वे धीमे हो रहे हैं।

4. मुख्य विशेषताएं

कोई नया डेटा आवश्यक नहीं: "सिक्के" और "पासिंग ग्रेड" पहले से ही विश्वविद्यालय के डिजिटल फाइलिंग कैबिनेट (जिसे IRIS कहा जाता है) में दर्ज हैं। लेखक का मॉडल केवल उसी पर गणितीय गणना करता है जो पहले से वहां मौजूद है।
गोपनीयता के अनुकूल: यह प्रणाली पूरे विभाग की "औसत हृदय गति" की गणना कर सकती है बिना किसी भी व्यक्ति की विशिष्ट हृदय गति को प्रकट किए। यह हाईवे पर यातायात की औसत गति जानने जैसा है बिना व्यक्तिगत कारों को ट्रैक किए।
निष्पक्षता: क्योंकि "पासिंग ग्रेड" विषय के आधार पर बदल जाता है (जैसे, एक दार्शनिक को भौतिक विज्ञानी की तुलना में अलग "सिक्कों" की आवश्यकता होती है), यह प्रणाली विभिन्न प्रकार के कार्यों के लिए स्वतः सामंजस्य बिठा लेती है। यह सेब की तुलना संतरे से नहीं करती; यह सेब की तुलना विशिष्ट "सेब मानक" से करती है।

5. पेपर ने क्या पाया

लेखकों ने नौ विश्वविद्यालयों (कुछ वास्तविक, कुछ सिम्युलेटेड) पर इस विचार का परीक्षण किया। उन्होंने पाया कि:

कुछ विश्वविद्यालयों का औसत उच्च था लेकिन वे बहुत "असमान" थे (कुछ विभाग सुपरस्टार थे, जबकि अन्य संघर्ष कर रहे थे)।
कुछ विश्वविद्यालयों का औसत कम था लेकिन वे बहुत "सुसंगत" (consistent) थे (हर कोई लगभग समान मात्रा में काम कर रहा था)।
मॉडल डेटा को आसानी से विभाजित कर सकता था यह देखने के लिए कि क्या "जूनियर" स्टाफ "सीनियर" स्टाफ से बेहतर कर रहा है, या विशिष्ट विभाग विश्वविद्यालय की सफलता के इंजन थे।

निष्कर्ष (द बॉटम लाइन)

यह शोध पत्र तर्क देता है कि विश्वविद्यालयों को यह जानने के लिए कि वे कैसा कर रहे हैं, एक विशाल, महंगे, बहु-वर्षीय मूल्यांकन का इंतजार करने की आवश्यकता नहीं है। पदोन्नति के लिए पहले से ही गणना किए गए "पासिंग ग्रेड्स" का उपयोग करके, वे एक सरल, मुफ्त और लगातार अपडेट होने वाला डैशबोर्ड बना सकते हैं जो बिल्कुल अभी दिखा सकता है कि उनकी अनुसंधान टीमें कितनी उत्पादक हैं। यह आवधिक निर्णय (periodic judgment) के बजाय निरंतर निगरानी (continuous monitoring) का एक उपकरण है।

तकनीकी सारांश: वैज्ञानिक उत्पादकता मूल्यांकन के लिए कुशल थ्रेशोल्ड-आधारित मॉडल

समस्या विवरण
वर्तमान अनुसंधान मूल्यांकन प्रणालियाँ, विशेष रूप से इटली में, संसाधन गहनता, समय अंतराल और जटिलता के संबंध में महत्वपूर्ण चुनौतियों का सामना कर रही हैं। प्राथमिक राष्ट्रीय मूल्यांकन तंत्र—Valutazione della Qualità della Ricerca (VQR) और Abilitazione Scientifica Nazionale (ASN)—कठोर हैं लेकिन इनके लिए पर्याप्त वित्तीय और समय संसाधनों की आवश्यकता होती है। उदाहरण के लिए, VQR बहु-वर्षीय चक्रों (आमतौर पर तीन साल की अवधि को कवर करने वाले एक वर्ष की मूल्यांकन प्रक्रिया) पर संचालित होता है, जिसके परिणामस्वरूप प्राप्त डेटा वर्तमान अनुसंधान उत्पादकता के संबंध में पूरी तरह से अद्यतित (up-to-date) नहीं होता है। इसके अलावा, जबकि VQR संस्थानों का मूल्यांकन करता है, ASN व्यक्तियों का मूल्यांकन करता है, जिससे एक खंडित परिदृश्य निर्मित होता है जहाँ संस्थागत प्रदर्शन की निरंतर, कम लागत वाली निगरानी करना कठिन हो जाता है। एक ऐसे सुव्यवस्थित, कुशल उपकरण की आवश्यकता है जो मौजूदा डेटा का लाभ उठाकर बिना किसी नए डेटा संग्रह या जटिल एल्गोरिदम ओवरहेड के, वास्तविक समय में, पारदर्शी और गोपनीयता-अनुपालक अंतर्दृष्टि प्रदान कर सके।

कार्यप्रणाली
लेखक एक सरलीकृत, थ्रेशोल्ड-आधारित मॉडल का प्रस्ताव करते हैं जो इतालवी राष्ट्रीय वैज्ञानिक योग्यता (ASN) के मौजूदा ढांचे का उपयोग करता है। यह कार्यप्रणाली विभिन्न शैक्षणिक रैंकों (असिस्टेंट प्रोफेसर, एसोसिएट प्रोफेसर, फुल प्रोफेसर) और वैज्ञानिक क्षेत्रों (बिब्लियोमेट्रिक और गैर-बिब्लियोमेट्रिक) के लिए मंत्रालय (MUR) द्वारा पहले से ही गणना किए गए "थ्रेशोल्ड मानों" (threshold values) पर निर्भर करती है।

मॉडल के मुख्य तकनीकी घटक हैं:

डेटा स्रोत:
- थ्रेशोल्ड ट्रिपलेट्स ( $T$ ): अगले शैक्षणिक रैंक (जैसे, एक एसोसिएट प्रोफेसर का मूल्यांकन फुल प्रोफेसर के थ्रेशोल्ड के विरुद्ध किया जाता है; फुल प्रोफेसर का मूल्यांकन कमेटी मेंबर के थ्रेशोल्ड के विरुद्ध किया जाता है) के लिए आधिकारिक ASN थ्रेशोल्ड मान। इनमें तीन संकेतक शामिल हैं:
  - बिब्लियोमेट्रिक क्षेत्र: लेखों की संख्या, कुल उद्धरण (citations), और h-इंडेक्स।
  - गैर-बिब्लियोमेट्रिक क्षेत्र: लेखों/योगदानों की संख्या, क्लास A जर्नल लेखों की संख्या, और मोनोग्राफ की संख्या।
- वास्तविक मान ट्रिपलेट्स ( $t$ ): संस्थागत अनुसंधान सूचना प्रणाली (IRIS) से प्राप्त व्यक्तिगत शोधकर्ताओं के वास्तविक समय का डेटा।
व्यक्तिगत उत्पादकता सूचकांक (PI):
प्रत्येक शोधकर्ता $S_i$ के लिए, एक उत्पादकता सूचकांक की गणना उनके वास्तविक मूल्यों और संबंधित अगले-रैंक थ्रेशोल्ड के बीच के अनुपातों के अंकगणितीय माध्य के रूप में की जाती है:
$PI(S_i) = \frac{1}{3} \sum_{j=1}^{3} \frac{t^i_j}{T^i_j}$
- एक मान $< 1$ औसत थ्रेशोल्ड से नीचे प्रदर्शन को दर्शाता है।
- एक मान $\ge 1$ थ्रेशोल्ड को पूरा करने या उससे अधिक प्रदर्शन को दर्शाता है।
- उन मामलों में जहाँ थ्रेशोल्ड शून्य है, उस संकेतक को बाहर कर दिया जाता है, और शेष मूल्यों पर औसत की पुनर्गणना की जाती है।
विभागीय और संस्थागत एकत्रीकरण:
- विभागीय उत्पादकता सूचकांक (DPI): एक विभाग के $n$ विद्वानों के $PI(S_i)$ स्कोर का अंकगणितीय माध्य।
- विश्वविद्यालय-स्तरीय मेट्रिक्स: प्रत्येक विभाग में संकाय की संख्या ( $n_j$ ) के आधार पर भारित माध्य ( $\bar{X}$ ) की गणना सभी विभागों में की जाती है।
- विक्षेपण मेट्रिक्स (Dispersion Metrics): समरूपता का आकलन करने के लिए, मॉडल भारित मानक विचलन ($WST $) और भिन्नता गुणांक ($ CoV$) की गणना करता है।
कार्यान्वयन:
मॉडल को सरल कोड (पूरक सामग्री के रूप में प्रदान किया गया) के माध्यम से कार्यान्वित करने के लिए डिज़ाइन किया गया है जो IRIS रिपॉजिटरी के साथ इंटरफेस करता है। यह वैज्ञानिक क्षेत्र, शैक्षणिक रैंक, या विशिष्ट संकाय समूहों (जैसे, नए नियुक्त कर्मचारी) द्वारा विच्छेदित (disaggregated) विश्लेषण की अनुमति देता है।

प्रमुख योगदान

तत्काल प्रयोज्यता: इस मॉडल के लिए कोई नया डेटा संग्रह आवश्यक नहीं है, क्योंकि यह पूरी तरह से मंत्रालय की तालिकाओं और IRIS डेटाबेस में मौजूद डेटा पर निर्भर है।
वास्तविक समय की निगरानी: VLR के विपरीत, जो एक पूर्वव्यापी स्नैपशॉट प्रदान करता है, यह मॉडल उत्पादकता का एक निरंतर अपडेट होने वाला दृश्य प्रदान करता है जो शोधकर्ताओं द्वारा अपने IRIS प्रोफाइल को अपडेट करने के साथ दैनिक रूप से बदलता है।
विस्तारशीलता और लचीलापन: यह ढांचा विशिष्ट वैज्ञानिक क्षेत्रों, शैक्षणिक रैंकों, या एक संस्थान के भीतर विशिष्ट उप-समूहों के बीच तुलना करने के लिए "ड्रिल-डाउन" विश्लेषण की अनुमति देता है।
गोपनीयता अनुपालन: मॉडल व्यक्तिगत शोधकर्ताओं के उत्पादकता सूचकांकों के सार्वजनिक प्रकटीकरण की आवश्यकता के बिना, एकत्रित संस्थागत संकेतक (DPI) उत्पन्न करता है, जिससे गोपनीयता बाधाओं का पालन होता है।
विषयगत अनुकूलन क्षमता: क्षेत्र-विशिष्ट थ्रेशोल्ड का उपयोग करके, यह मॉडल बिब्लियोमेट्रिक (STEM) और गैर-बिब्लियोमेट्रिक (मानविकी/सामाजिक विज्ञान) के बीच विषमता को स्वाभाविक रूप से समायोजित करता है।

परिणाम
यह शोध पत्र एक वर्चुअल विभाग पर लागू किए गए मॉडल का सिमुलेशन और नौ इतालवी विश्वविद्यालयों (बड़े, मध्यम और छोटे के रूप में वर्गीकृत) के केस स्टडी विश्लेषण प्रस्तुत करता है, जिसमें गुमनामी सुनिश्चित करने के लिए वास्तविक और सिम्युलेटेड डेटा का मिश्रण उपयोग किया गया है।

सिमुलेशन: दस विद्वानों के एक वर्चुअल विभाग ने 1.24 का DPI प्रदर्शित किया, जो राष्ट्रीय थ्रेशोल्ड से ऊपर समग्र उत्पादकता को दर्शाता है, हालांकि व्यक्तिगत विद्वानों में भिन्नता देखी गई (कुछ 1.0 से नीचे थे)।
विश्वविद्यालय विश्लेषण:
- विश्लेषण ने प्रदर्शित किया कि एक उच्च भारित औसत का अर्थ अनिवार्य रूप से समान उत्कृष्टता नहीं है; उच्च मानक विचलन और भिन्नता गुणांक एक ही विश्वविद्यालय के भीतर विभागों के बीच महत्वपूर्ण असमानताओं को प्रकट करते हैं।
- उदाहरण के लिए, "लार्ज यूनिवर्सिटी 1" का माध्य उच्च था लेकिन विक्षेपण भी उच्च था, जो कुछ उच्च-प्रदर्शन करने वाले विभागों द्वारा संचालित था, जबकि "मीडियम यूनिवर्सिटी 3" ने कम से आधे विभागों के थ्रेशोल्ड से ऊपर होने के बावजूद उच्च परिवर्तनशीलता दिखाई।
- शैक्षणिक रैंक के विभाजन ने खुलासा किया कि असिस्टेंट और एसोसिएट प्रोफेसर अक्सर थ्रेशोल्ड के सापेक्ष उच्च उत्पादकता सूचकांक प्रदर्शित करते हैं, जो संभवतः करियर प्रगति प्रोत्साहन से प्रेरित है, जबकि फुल प्रोफेसरों ने थोड़े कम सूचकांक दिखाए, जो संभावित रूप से अलग संस्थागत भूमिकाओं या आंतरिक मूल्यांकन मेट्रिक्स के कारण है।
- मॉडल ने एक ही संस्थान के भीतर "उत्कृष्टता के पॉकेट" (pockets of excellence) और कम प्रदर्शन वाले क्षेत्रों की सफलतापूर्वक पहचान की।

महत्व और दावे
लेखक इस कार्य को VQR जैसे व्यापक, सहकर्मी-समीक्षित राष्ट्रीय मूल्यांकनों के प्रतिस्थापन के रूप में नहीं, बल्कि एक पूरक, कम लागत वाले उपकरण के रूप में प्रस्तुत करते हैं।

रणनीतिक मूल्य: मॉडल निगरानी के एक "मध्यवर्ती, गतिशील स्तर" के रूप में कार्य करता है जो आंतरिक शासन को सूचित कर सकता है, व्यक्तिगत करियर योजना में सहायता कर सकता है, और संस्थानों को समय रहते महत्वपूर्ण मुद्दों या उत्कृष्टता के क्षेत्रों का पता लगाने में मदद कर सकता है।
दक्षता: यह उन संस्थानों के लिए एक व्यावहारिक समाधान प्रदान करता है जो पूर्ण पैमाने के मूल्यांकन से जुड़े पर्याप्त समय और कर्मियों की लागत के बिना अनुसंधान प्रदर्शन को ट्रैक करना चाहते हैं।
सामान्यीकरण: हालांकि इतालवी संदर्भ के भीतर विकसित किया गया है, लेखक दावा करते हैं कि यह कार्यप्रणाली अन्य राष्ट्रीय संदर्भों में निर्यात योग्य है जो थ्रेशोल्ड-आधारित या प्रकाशन-डेटा-संचालित मूल्यांकन प्रणालियों का उपयोग करते हैं, बशर्ते तुलनीय डेटा उपलब्ध हो।
पारदर्शिता: मौजूदा, पारदर्शी थ्रेशोल्ड का लाभ उठाकर, मॉडल का लक्ष्य जटिल मूल्यांकन एल्गोरिदम से जुड़ी अपारदर्शिता को कम करना है, जिससे जवाबदेही और निरंतर सुधार की संस्कृति को बढ़ावा मिलता है।

शोध पत्र निष्कर्ष निकालता है कि यह थ्रेशोल्ड-आधारित दृष्टिकोण अनुसंधान प्रदर्शन का एक संक्षिप्त, व्याख्या योग्य और संवेदनशील माप प्रदान करता है जो विषयगत विविधता और करियर चरणों का सम्मान करता है, जिससे वैश्विक स्तर पर मूल्यांकन रणनीतियों को परिष्कृत करने के लिए एक व्यवहार्य ढांचा मिलता है।