📊 statistics

An index to quantify the disparity between coauthorship and individual’s scientific impact

本文提出了共同作者差异指数（Coauthorship Disparity Index, CDI），这是一种旨在量化作者在 h-core 论文上的科学影响力与其共同作者数量之间失衡程度的新型指标，从而有助于识别诸如赠送署名或客座署名等共同作者滥用行为。

原作者： Shaibu Mohammed

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Shaibu Mohammed

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，学术研究的世界就像一个巨大且繁忙的厨房。在这个厨房里，厨师（科学家）创造食谱（论文），以解决问题并用新知识来“喂养”世界。通常情况下，最棒的佳肴是由团队协作完成的。然而，有时这个系统会被操纵：一位厨师可能会把自己的名字放在一道菜上，即便他几乎没怎么动手做过，仅仅是为了让自己的简历看起来更充实。这被称为“赠送署名”（gift coauthorship）。

本文提出了一种识别何时有人在过度索取荣誉的新方法。作者 Shaibu Mohammed 将这个新工具称为共同作者差异指数（Coauthorship Disparity Index，简称 CDI）。

以下是该工具运作方式的简单拆解，使用了日常类比：

1. 问题所在：“蹭名声”的厨房

在学术界，获得工作、晋升或资助往往取决于你发表了多少论文，以及有多少人引用（谈论）了你的论文。

好的方面： 真正的协作是非常棒的。当五位厨师共同努力时，他们往往能做出让所有人赞不绝口的杰作。
坏的方面： 有时，一位厨师会在菜单上加上一个名人的名字，仅仅是为了让这道菜看起来更有威望，即便那位名厨实际上并没有参与烹饪。这在没有实际付出劳动的情况下，虚增了名厨的声誉。

2. 旧有的工具：数菜肴的数量

以前，科学家使用两种主要方式来评判一位厨师：

“H指数”（H-Index）： 这统计了一位厨师制作了多少道受到一定数量评论（引用）认可的热门菜肴。
总引用量（Total Citations）： 这统计了该厨师制作的菜肴所获得的每一次评论。

缺陷： 这些工具并不关心有多少人参与了这道菜的制作。如果一位厨师独自完成了一道受欢迎的菜，或者与 50 人共同完成，旧有的工具给予他们的荣誉是相同的。这就像是给一位独立烘焙师和一位带领 50 人团队的烘焙师颁发同样的“顶级大厨”奖，仅仅因为蛋糕的味道很好。

3. 新工具：“团队规模 vs 口碑”的比率

作者创建了一个新的指标，称为共同作者差异指数（CDI）。你可以把它看作是一个“公平天平”。

为了计算这个指数，作者观察了科学家的“h-核心”（h-core）论文（即他们最成功、最具影响力的作品）。

步骤 A： 他计算“影响力数值”。这是一个基于这些论文有多出名（有多少次引用）的分数。
步骤 B： 他统计了在这些特定论文中，究竟有多少个不同的人参与了协助。
步骤 C： 他将两者进行比较。

类比：
想象你正在评判一场烹饪比赛。

理想情况： 一位厨师拥有一道非常著名的菜（高影响力），并且有一个规模小而精干的团队（较少的共同作者）。这是高效且公平的。
“异常值”情况： 一位厨师拥有一道中等水平的知名菜肴，但菜单上却列出了 50 个不同的名字作为共同作者。
CDI 分数：
- 低分（好）： 协助者的人数与菜肴的名气相匹配。团队规模感觉“恰到好处”。
- 高分（坏）： 协助者的人数相对于菜肴的名气而言过于庞大。这表明这位厨师可能通过添加“嘉宾”姓名来充实名单，而这些嘉宾实际上并未参与烹饪。

4. 数据展示了什么

作者在来自不同领域（如物理、化学和生物学）的 500 多名科学家身上测试了这一方法。

普遍趋势： 通常情况下，规模更大的团队确实能做出更出色、更著名的菜肴。在拥有更多助手和获得更多引用之间存在着一种自然的联系。
异常值： 然而，这个新指数发现了一些特定的科学家，他们的菜单上名字实在太多了，与其菜肴实际达到的名气完全不成比例。
- 如果一位科学家的 CDI 低于 2，他们很可能处于良好的平衡状态。
- 如果一位科学家的 CDI 高于 2，这就是一个红灯信号。这表明相对于其工作的实际影响力，他们可能拥有过多的“嘉宾”作者。

5. 重要警告（注意事项）

作者谨慎地表示，这并不是万能灵药。

不同的厨房： 你不能将一个小型单人厨房（数学）中的厨师与一个大型工业化厨房（生物医学工程）中的厨师进行比较。不同的领域自然有着不同的团队规模。
新晋厨师： 一位在大型实验室中跟随资深导师学习的年轻厨师，可能会看起来共同作者过多，但他们其实只是在学习阶段。
“沉睡的美女”（Sleeping Beauties）： 有时，一道伟大的菜肴需要多年才能被注意到。该指数可能无法立即捕捉到这些情况。

核心结论

共同作者差异指数是一个简单的数学检查，旨在询问：“这位科学家的助手人数，与其作品所取得的名气水平是否相符？”

它并不惩罚协作；它只是试图识别何时“团队规模”被人工夸大以操纵系统。如果你的分数很高，作者建议你应该审视一下你的共同作者名单，并自问：“这里的每一个人是否真的凭实力赢得了在菜单上的位置？”

技术摘要：量化共同作者身份与个人科学影响力之间差异的指数

问题陈述
研究合作被广泛认为是科学进步的驱动力，通常与更高的质量和数量产出相关。然而，当前的学术激励机制（过度依赖发表数量进行晋升、招聘和拨款分配）催生了对共同作者身份的滥用。这表现为“赠送”和“客座”作者现象，即个体被列为作者，但并未做出实质性贡献。虽然传统的文献计量指标（如 $h$ -指数和总引用次数）衡量了生产力和影响力，但它们无法区分单作者与多作者，无论实际投入如何，都会给予所有列名作者同等的荣誉。现有的解决尝试（如分数计数法或贡献声明）往往依赖于学科，或者在广泛应用时过于耗时。因此，需要一种能够识别那些其引文影响力相对于其核心论文共同作者人数不成比例过高的作者的指标，这可能预示着作者列表存在虚高现象。

方法论
本文提出了一种新的作者级指标，称为共同作者差异指数（Coauthorship Disparity Index, CDI）。该方法包括以下步骤：

数据收集： 研究利用了来自不同学科（化学、物理、数学、生物科学、生物医学工程和石油工程）的 48 位作者的引用数据，其 $h$ -指数范围为 6 至 35。数据来源包括已发表论文和 Google Scholar。
影响数（ $I_h$ ）的定义： 作者引入了一个“影响数”，将 $h$ -指数（ $h$ ）与 $h$ -核心论文的总引用次数（ $C_h$ ）结合起来。通过回归分析建模如下：
$I_h = \alpha h C_h^\beta$
其中 $\alpha$ 和 $\beta$ 为常数。
期望共同作者数（ $n'_{k,h}$ ）的推导： 研究分析了 $h$ -核心论文中不同共同作者数量（ $n_{k,h}$ ）与引用影响之间的关系。通过将共同作者数量相对于引用影响进行归一化，作者识别出一种趋势，即可以估算给定影响水平下的期望共同作者数量。该关系表示为：
$n'_{k,h} = 1.73 h C_h^{0.082}$
此处， $n'_{k,h}$ 代表一名作者在给定其特定 $h$ -指数和引用次数的情况下“应该”拥有的不同共同作者数量。
CDI 的计算： 共同作者差异指数定义为作者 $h$ -核心论文中的实际不同共同作者数量（ $n_{k,h}$ ）与期望共同作者数量（ $n'_{k,h}$ ）的比值：
$CDI = \frac{n_{k,h}}{n'_{k,h}}$
CDI 为 1 表示作者的共同作者数量与其引用影响力完美契合。CDI > 1 表明作者拥有的共同作者多于其预期影响水平下的数量，而 CDI < 1 则表示较少。

关键结果

相关性： 研究证实了 $h$ -指数与引用次数及共同作者数量之间存在正相关关系。同样，在共同作者数量与引用次数/发表数量之间也观察到了正向趋势。这些趋势表明，通常情况下，协作会带来更高的绩效产出。
异常值检测： 虽然原始相关性未显示明显的异常值，但通过对共同作者数量进行引用影响归一化（即 CDI 计算中所做的工作），揭示了明显的异常值。这些异常值代表了那些共同作者数量相对于其引用影响力而言不成比例过高的作者。
CDI 阈值： 对 500 多名作者的分析表明，CDI 低于 2 表示“平衡良好”，即共同作者身份与引用影响力之间达到了良好的平衡。具体而言，高 $h$ -指数结合 CDI 小于 1 被视为令人印象深刻的分数。相反，CDI 大于 2 的作者可能需要对其共同作者模式进行反思。
学科差异： 结果强调 CDI 在不同学科（例如物理学 vs. 数学 vs. 生物学）之间存在显著差异，表明在没有归一化的情况下，进行跨学科的 CDI 比较是不恰当的。

意义与主张
本文声称 CDI 是一个用于“解码”具有或不具有异常值的作者的工具，从而量化共同作者身份与研究者引用影响力之间的差异。作者将 CDI 与“卡达希安指数（Kardashian index）”进行了类比，指出两者都衡量了科学家的实际研究影响与外部指标（在本例中为共同作者，在卡达希安指数中为 Twitter 粉丝数）之间的差异。

CDI 的意义在于它为共同作者身份的完整性提供了定量检查。作者认为，虽然应鼓励协作，但该指标可以帮助识别那些共同作者数量相对于其工作质量和影响力的情形是否被夸大的案例。论文得出结论，如果数据库能提供必要的数据（ $n_{k,h}$ 和 $C_h$ ），则可以轻松计算 CDI，以帮助确定共同作者身份对研究产出的影响。

局限性
作者明确承认了以下几点局限性：

该指标未考虑“睡美人”现象（即发表很久之后才获得引用的论文）。
它可能无法公平反映与大型资深研究人员合作的早期或中期职业研究人员。
由于不同学科的共同作者规范存在差异，CDI 分数不应在不同领域间进行比较。
该指标旨在作为引发反思的启发式工具，而非对个人诚信的最终判定。