关于“小团队更容易出颠覆创新”论文的四点评论
集智科学家吴令飞Nature发文：大团队渐进发展，小团队颠覆式创新 这篇文章介绍了用大数据做的Science of science的文章，关于这篇最近在我的朋友圈刷屏的文章，忍不住写几句点评，建议没有看过该研究的先看这篇，不然你不会明白我在说什么。
1）用网络结构的来区分一项研究是否颠覆性的方法，是可以普遍推广的。
这里介绍了颠覆指数的三种极端情况对应的引用网络不同，以及两篇相同引用量的文章，由于引用网结构的不同，（绿色和棕色代表不同的类型节点）而被分为了延伸类的突破类。
类似的方法，是可以用在对网站的排名上的。Page Rank算法是通过在网络上的迭代，实时更新网站排名的。如果在网页之间，用之前一个时刻的网络链接关系截面，来计算每个网页的D，那些D值比较高的网页，会不会是更加权威的信息来源（比如辟谣贴，官方的新闻发布）？或者是观点更极端的帖子（容易成为别人之后争论的靶子）？我猜测俩者都会有的，所占的比例取决于网页的主题，以及观察网页的类型及本身的写作风格。
令飞兄的研究中，D值的计算，只关注了不同类型的引用数量，而没有考虑引用文章的质量。如果根据发表期刊的影响因子或者引用数量对D的计算公式中每个引用以权重，我预估引用突破式研究的文章更容易是高分文章，而引用延展类文章的高分文章的比例会低一些，原因是突破式的研究开启了一个新领域，在处女地上更容易出成果；而扩展式的研究，是精耕细作，需要做的比前人明显好，才能发高分文。
D值的计算，也没有考虑二阶效应，就是A文引用了一篇突破式研究，B文又引用了A文，但是B文没有引用突破式研究引用的文献。这样的二阶效应，在研究论文/专利/github中，这样的二阶效应并不具有显著的信息量，但对于更加灵活，网络稠密程度也更大的网页链接的分析，预估会很关键的。
2）没有考虑幸存者效应
小团队的确更容易出突破性的成果，但这是发出去的文章，但对于那些根本没有发出去的文了？或者本来是一俩个人单干的博士，由于缺少结果，最后成果被合并到了一篇大文中，这样的情况也没有考虑。Absence of evidence is not evidence of absence 。诚然，对于没有发表的文章，是无法研究的，投稿/专利被拒绝的数据，难以拿到，但对于github来说，这个数据是可以获得的。是不是大多数单打独斗的软件项目都太监了，能坚持下来的，都是足够有创新性的，从而导致了这样的结果。
另外，要做扩展性的研究，也就是意味着需要更多的资源，而这往往已经有大的实验室占坑了，而这也会造成大的实验室习惯性的选择扩展性研究，做自己熟悉的细分行业。很有可能的故事是一个老板一俩个人写了一篇突破性的论文，拿到了一大笔funding，之后就开始做起了扩展性研究。论文摘要中写道不管是突破性的还是扩展性的研究，对于一个和谐的科研环境，都是必不可少的，因此研究团队的大小要多样化。这一点很值得强调，看到“小团队更容易出颠覆创新”这样的take home message，读者会忘记团队大小需要多样才是作者的本意，也容易忽略小团队的优势在于快速试错，沉没成本小。
3）突破性的研究需要依赖背景知识的进步
一项研究，是不是突破性的，不一定当下就能够确认。如果观测技术不成熟，那很多perspective或纯理论的文，就不会有太多引用，比如孟德尔的豌豆，那怎么都算突破性的，却沉睡了很久，还有量子力学中的ERP，本来是思想实验，不被主流的哥本哈根解释待见，直到贝尔发明了怎么用实验验证量子纠缠，才成为突破性的研究。这意味着越靠近当下的研究，成为突破性的机会越低，他们中有一些，预期几十年后，会成为开创性的研究，而当下却被归为了扩展性的。
而正如该文摘要写的，当下的研究团队，越来越大了，这和越接近当下的研究，越来越难以成为突破性结合起来，就是一个需要进行统计校正的因素，虽然，我们无法预期未来有多少论文会由扩展性跃迁成突破性的，但如果不排除这个共同影响因素，那该文中的结果部分就是随着团队增大而自然会产生的，不能完全反映了团队大小对研究性质的影响。
即使无法给予统计上的校正，也可以按照时间分段（每5年），给出数据的meta data，例如论文网络的平均入度，出度及其分布，不同类型的论文的度数的分布。对于团队大小和D值分布之间，是可以用统计检验计算显著性的，并通过多重校正，去量化的对比那些学科/年份区间中，团队的大小对文章颠覆程度的影响的显著性差异的。另一个我思考的是，能不能通过热力学统计的复杂网络，按照真实网络的宏观参数，当作约束条件，通过最大熵原理，生成一个Null model，来模拟的看如果没有团队大小影响节点颠覆程度时，引用网络的宏观参数（meta data，例如出入度的分布，cluster的程度等）会和真实的引用网络有什么区别？
4）没有考虑团队多样性对颠覆式文章的影响
虽然普遍的常识是团队多样性有利于创新，但我猜测，对于颠覆式的文章，团队的多样性并不是加分项。突破式创新的失败概率更高，需要的团队凝聚力也越高，俩个不同种族的人组成的团队，不一定比俩个相同种族的团队，更容易产生突破性的文章。令飞也许会说无法获知那么多作者的种族，性别等信息。但用RNN训练一个分类器，对男性/女性及不同种族的姓名进行分类，即使有少数数据出错，统计上的结果也是可靠的。对于追述式的研究，都可以使用AI的预测器，来去填充缺失的数据。
说起AI，如今有了评估文章突破程度的D值，将其当成待回归的特征，是可以拿论文的文本做输入，来做有监督学习的。可以从这里看到论文中的那些关键词，或者句式，和文章是否有突破性有关。推广来看，在网络中出的位置，网络中节点的特征，与该节点本身的特征，都可以通过有监督学习建立联系。而根据讲文章分为突破性和扩展性，也可以来评价对论文做向量化之后聚类的效果，看无监督学习的聚类能不能反映出文章的颠覆性。不过我预期这个很难的，训练数据又少，比主题模型难得多，只是脑洞一下，预期网页间的链接关系，有希望做出来。
总结：
我很欣赏令飞的这篇Nature文章，其中做了很多的分析，值得细细的读，看懂其中的每一章图，但抱着批判性阅读的一贯态度，还是鸡蛋里挑骨头，给出了4条点评：
1）没有考虑那些悲剧的项目（幸存者偏差）
2）没有考虑突破性研究需要较长时间才会显现（混杂因素）
3）没有考虑研究者的背景的多样性对文章突破性的影响
4）网络结构中组合出有意义的特征，这类的特征可以用在对网页链接的分析上，包括搜索引擎的优化。
吸引子2019-02-19 15:32:46
大团队拆解成小团队，还有真正有独立思考的精神，不被现有形式和观点同化，不强势，不集权，不断自我迭代，批判性吸纳知识，颠覆创新才能蒸蒸日上！赞 1