这篇论文就像是在讲述一个**“超级图书馆员”**的故事。
想象一下，法国从 1985 年到 2025 年，每年都有成千上万的博士生完成他们的博士论文并参加答辩。这些论文就像散落在全国各地的**“学术珍珠”**。以前，如果你想研究这些珍珠，你得去一个个图书馆翻找，而且很多信息是零散的、甚至丢失的。
这篇论文的作者（William 和 Dastan）做了一件非常酷的事情：他们把这几十年里所有的“学术珍珠”都收集起来，擦洗干净，串成了一条巨大的、闪闪发光的“学术项链”，并且免费分享给大家。
以下是用通俗语言对这篇论文核心内容的解读：
1. 他们收集了什么？（原材料）
他们的主要原料来自法国官方的博士论文平台（Thèses.fr）。这就像是一个**“国家级的博士论文登记簿”**。
- 时间跨度：从 1985 年一直到 2025 年（甚至包括未来的数据更新）。
- 内容：不仅有论文题目和摘要，还有谁写的（博士生）、谁指导的（导师）、谁来评审的（答辩委员会成员）。
2. 他们做了什么加工？（数据清洗与增强）
原始数据就像刚从地里挖出来的土豆，上面带着泥土（错误）和缺角（缺失信息）。作者们做了一系列“精加工”：
- 纠正错别字和乱码：就像给名字纠错。比如，有些人的名字在数据库里被写反了（姓和名颠倒），或者身份证号（学术 ID）是错的。他们手动或自动修正了这些错误，确保每个人都能被准确识别。
- 猜性别：因为很多老数据里没有记录性别，他们利用名字（比如“张三”通常是男，“李四”通常是女）通过算法推测了性别，填补了空白。
- 计算“资历”：他们不仅记录了“谁参加了答辩”，还计算了“这个人以前参加过多少次答辩”、“他当导师多少年了”。这就像给每个学术人物贴上了**“经验值标签”**。
- 多语言翻译：很多论文有法语、英语甚至中文的标题和摘要，他们把这些都整理好，方便不同语言的人搜索。
3. 为什么要做这个？（项链的用途）
这条“学术项链”不仅仅是用来看的，它是一台**“时间机器”和“关系探测器”**。研究人员可以用它来回答很多有趣的问题：
- 学术八卦（社交网络）：谁和谁经常一起当评委？哪些大学之间联系最紧密？这能画出**“学术朋友圈”**的地图。
- 导师与学生的故事：一个导师带了多少学生？学生毕业后去了哪里？这能看清**“学术家族”**的繁衍和迁徙。
- 性别平等：在答辩委员会里，女性专家多吗？过去 40 年，女性的比例是上升了还是下降了？
- 学科演变：以前大家只研究历史，现在是不是都去研究人工智能了？通过论文关键词的变化，可以看到**“知识潮流”**的变迁。
4. 它有什么特别之处？（与其他国家的对比）
作者还去看了看别的国家是怎么做的：
- 德国：他们的数据像是一个**“图书目录”**，只有书名和作者，没有答辩现场的详细名单（谁在台上，谁在台下）。
- 西班牙：他们也有类似的数据，但作者发现法国的数据更规范，每个人的“身份证号”（学术 ID）更统一，更容易把不同的人联系起来。
- 欧洲其他项目：有些大项目（如 DART-Europe）已经关闭了，因为它们只是把各个图书馆的目录拼在一起，没有深入记录“答辩”这个事件本身。
这篇论文做的，就是不仅记录了“书”，还记录了“书是如何被创造和评审的”全过程。
5. 总结：这对你意味着什么？
这就好比作者们把法国过去 40 年的**“学术社交网络”、“人才流动地图”和“知识进化史”全部数字化了，并放在了一个公开的仓库**里。
- 对于研究者：这是一个巨大的宝藏，可以用来做各种统计分析，不用再去翻旧报纸或手动录入数据。
- 对于大众：它让我们能更清晰地看到，一个国家的知识是如何被生产、被传承、被评价的。它揭示了那些隐藏在论文背后的**“人”与“关系”**。
简而言之，这是一份**“法国学术界的超级通讯录 + 历史档案 + 社交网络分析工具”**，而且它是免费开放的！
论文技术总结：法国博士论文、学术网络与机构的链接数据集 (1985–2025)
1. 研究背景与问题 (Problem)
尽管学术网络和学者轨迹一直是实证研究的热点，但现有的研究往往缺乏系统性的**博士论文答辩委员会（Jury）**数据支持。博士论文答辩是学术体系中的关键事件，涉及候选人、导师、评审员及委员会成员之间复杂的学科、机构及个人关系。然而，现有的国家级数据集存在以下主要局限：
- 数据缺失与碎片化：大多数现有的元数据源（如欧洲或美国的聚合平台）主要关注书目信息（标题、作者），缺乏对答辩事件本身的结构化建模，特别是缺少委员会成员角色、答辩地点等关键信息。
- 标识符不统一：缺乏可互操作的权威标识符（如 IdRef），导致难以将论文数据与外部人员、机构数据有效链接。
- 数据质量参差不齐：原始数据中常存在姓名顺序错误、性别信息缺失、标识符无效等问题，限制了纵向分析和网络分析的应用。
- 缺乏系统性整理：虽然存在如西班牙 Teseo 等类似系统，但法国 Thèses.fr 平台虽已包含丰富的答辩信息，但尚未被转化为经过清洗、增强且具备高度互操作性的分析级数据集。
2. 方法论 (Methodology)
该研究构建了一个从 1985 年到 2025 年法国博士论文的综合性链接数据集，其生产流程包含以下关键步骤：
2.1 数据来源
- 核心数据：法国国家博士论文平台 Thèses.fr（由 ABES 维护），涵盖自 1985 年以来所有已答辩的博士论文。
- 权威数据：法国高等教育与研究权威数据库 IdRef，用于获取人员（研究者、作者、导师）和机构（大学、研究中心）的持久标识符及详细元数据。
- 补充数据：通过公共 API 补充了 2022-2025 年的缺失数据，并整合了 TEL (Thèses En Ligne) 和 SUDOC (大学文献系统) 的标识符以增强互操作性。
2.2 数据处理与增强管道 (Pipeline)
研究团队实施了一个多阶段的数据处理流程：
- 数据聚合与清洗：
- 从 Thèses.fr 获取原始 JSON 批量数据。
- 标识符修正：人工审查并修正了 168 个无效或格式错误的 IdRef 标识符，确保与权威记录的正确链接。
- 姓名标准化：利用 IdRef 数据修正 Thèses.fr 中常见的姓/名顺序颠倒问题。
- 属性增强与推断：
- 性别推断：针对 IdRef 中缺失的性别信息，使用
nomquamgender 包基于名字进行自动推断，将未知性别的人数从 43 万+ 减少至 3.7 万+。
- 人口统计学补充：从 IdRef 补充了出生/死亡日期、国籍、写作语言等字段。
- 特征工程 (Feature Engineering)：
- 个人层面：计算答辩时的年龄；计算导师/评审员在答辩前 4 年内的参与频率（反映近期活跃度）；计算首次参与答辩的年限（反映资历）。
- 论文层面：统计语言多样性（标题/摘要的语言数量）、导师/评审员数量、涉及机构数量等。
- 互操作性集成：
- 为每条论文记录添加 TEL 和 SUDOC 标识符，使其能与全文库和图书馆目录直接链接。
3. 关键贡献 (Key Contributions)
- 首个大规模链接数据集：提供了法国 1985-2025 年间博士论文、人员（候选人、导师、评审）及机构的结构化链接数据，填补了系统性量化研究法国学术网络的空白。
- 高保真度的数据质量：通过人工修正和自动化推断，显著提高了数据的完整性（特别是性别和标识符）和一致性。
- 丰富的衍生变量：不仅提供原始元数据，还构建了反映学术资历、参与强度、机构协作网络等的高级指标，支持复杂的纵向分析。
- 开放性与互操作性：
- 数据集通过 Zenodo 开放获取，代码通过 GitHub 开源。
- 集成多种持久标识符（IdRef, TEL, SUDOC），便于与其他学术数据基础设施（如 ORCID, HAL）进行扩展和链接。
- 结构化建模答辩事件：不同于仅关注书目信息的聚合器，该数据集明确建模了“答辩”这一事件及其委员会构成（角色、人数、时间），支持对学术权力结构和监督实践的研究。
4. 结果与数据特征 (Results & Characteristics)
- 时间跨度与规模：覆盖 1985 年至 2025 年，包含数十万篇博士论文记录。
- 学科分布：涵盖医学、计算机科学、社会学、法学、人文艺术等广泛领域（见图 2）。
- 数据完整性趋势：
- 委员会信息：早期（1990 年前）数据中委员会成员信息缺失较多，随着 2006 年法国博士教育改革及数据收集规范的完善，近期数据的委员会构成信息更加完整。
- 人员数量：平均每篇论文的导师、评审员和报告人数量随时间呈上升趋势，反映了联合培养的增加和评审制度的变化。
- 语言分布：约 86.6% 的论文主要使用法语，但约 81% 的论文标题和 59% 的摘要提供了英语版本，显示出高度的国际化特征。
- 数据局限性：部分早期数据（特别是 2006 年之前的博士学校信息）因历史制度原因缺失，需在纵向分析中予以考虑。
5. 意义与应用前景 (Significance)
该数据集为多个学科领域的研究提供了基础资源：
- 科学计量学与学术社会学：可用于分析学术监督模式、导师 - 学生关系网络、学术社区的演变及“学术近亲繁殖”现象。
- 性别研究：支持对博士答辩委员会性别构成、女性学者在学术评价体系中角色的深入分析（这也是作者当前的研究重点）。
- 机构合作与国际化：通过追踪跨机构、跨国界的导师和评审关系，研究博士教育的国际化进程和机构间的协作网络。
- 政策评估：为评估法国博士教育改革（如 2006 年改革）对学术实践和人员流动的影响提供实证依据。
- 自然语言处理 (NLP)：多语言元数据（标题、摘要、关键词）为跨语言文本分析和主题建模提供了独特语料。
总结：该论文不仅发布了一个高质量的数据集，更展示了一套从异构行政数据中提取、清洗、增强并构建学术网络分析基础设施的方法论，极大地推动了法国乃至全球博士教育研究的量化分析能力。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。