Knowledge Management Forum >

2025 , Vol. 10 >Issue 3: 275 - 289

DOI: https://doi.org/10.13266/j.issn.2095-5472.2025.018

Analysis of Characteristics of International Scientific Awards Based on Prize Informatics

  • Ren Xiaoya 1, 2 ,
  • Zhang Zhiqiang , 3, 4
Expand
  • 1. Business College, Southwest University, Chongqing 402460
  • 2. Research Institute for Publishing, Southwest University, Chongqing 400715
  • 3. National Science Library (Chengdu), Chinese Academy of Sciences, Chengdu 610299
  • 4. Xinjiang Institute of Ecology and Geography of the Chinese Academy of Sciences, Urumqi 830011

Received date: 2025-04-08

  Online published: 2025-06-30

Supported by

This work is supported by Reserach Funds for the Central Universities of Ministry of Education of China Project titled "Research on the Growth and Innovation Laws of Talents in Basic Frontier Fields Based on Prize Informatics"(SWU2509732)

Fold

Abstract

[Purpose/Significance] Prize Informatics is the applied research direction of Subject Informatics in the field of scientific awards. Research on data mining and knowledge discovery of scientific awards based on Prize Informatics can quantitatively characterize the evolution of scientific innovation activities. [Method/Process] Based on an overview of the development history of international scientific awards and the research value of award data mining analysis, this study further selected three internationally authoritative S&T awards as key analysis subjects, conducting systematic quantitative data mining and measuring the patterns of scientific evolution. [Result/Conclusion] Empirical analysis reveals that scientific awards with domain representativeness generally exhibit scientometric characteristics or patterns, including the centralization of award-winning countries and institutions, the aging of awardees, the award time lag, the trend of innovation peak ages being in the middle and youth, the diversification of awardees' collaboration networks, and the evolution of the impact of scientific discoveries.

Key words： prize informatics; subject informatics; scientific awards; evolutionary laws

Cite this article

Ren Xiaoya , Zhang Zhiqiang . Analysis of Characteristics of International Scientific Awards Based on Prize Informatics[J]. Knowledge Management Forum, 2025 , 10(3) : 275 -289 . DOI: 10.13266/j.issn.2095-5472.2025.018

1 引言/Introduction

学科信息学是近年来随着大数据的发展而兴起的新兴学科，是开展学科领域大数据分析和知识发现的学科[1-2]。随着有关学科领域相关大数据体系的不断壮大，专门领域的学科信息学不断拓展和滋生，学科信息学的范畴与边界也在不断拓展与延伸，形成了大数据时代学科信息学的庞大学科体系。各学科领域的学科信息学的发展，成为其学科领域应对学科大数据体系的发展而开展数据驱动的知识分析和知识发现的新兴科技创新能力。学科信息学的理论方法在科学奖项领域的科学大数据分析与知识发现中的应用就是奖项信息学。奖项信息学是对科学奖项领域的科学大数据进行挖掘分析和知识发现的一门专门性学科信息学[3]，是学科信息学的有关理论方法在科学奖项领域的深度应用和发展，尚在发展完善中。
科学奖项研究是科学学研究的重要领域。科学本身就是一种社会建制[4]，对科学奖项的数据挖掘与分析已经成为科学学研究的重要领域，可以揭示并预测科学活动的规律与趋势，有效支撑相关科学发展战略的制定。早在20世纪60年代，科学社会学奠基者R. K. Merton[5]就明确指出诺贝尔奖是科学殿堂中“至高无上的荣誉”，科学学、科学社会学等领域的学者纷纷对诺贝尔奖展开了一系列关于科学发展规律和奖励制度的研究，促成了“诺贝尔奖学”的蓬勃发展。而由于诺贝尔奖的稀缺性和诸多限制条件，一系列声名远播的国际学术奖项纷纷设立，如菲尔兹奖、图灵奖、维特勒森奖等，这类奖项被H. Zuckerman[6]称为“诺贝尔奖补充”和“诺贝尔奖替代”。这些在国际上具有权威性的科学奖项，代表着对全球范围内里程碑式科研成果的识别与肯定，这些“领域级诺贝尔奖”与诺贝尔科学奖一起，逐渐成为一种评价革命性科学发现的研究表现的代表性标准[7-8]，因此，以科学奖项为视角进行科学创新活动规律的研究具有特殊的研究价值和研究意义。

2 科学奖项发展历程与研究价值/Development and research value of scientific awards

科技领域的学术成果奖励是伴随着近代科技革命的发展而逐渐发展起来的，国际科学奖项经过上百年的发展传承，已经形成了完整的科技大数据体系。规范的科学奖项起源于18世纪上半叶，也就是1731年英国皇家学会设立的世界上第一个具有制度化性质的科技奖励——科普利奖章，奖励在物理、生物学方面做出突出贡献的科学家，在科技奖励史上具有里程碑似的意义[9]。随后，陆续出现一些早期面向国际的、具有一定影响力的科学奖项，如拉姆福德奖章、拉兰德奖章、戴维奖章。1901年，诺贝尔奖的首次颁发更是将科技奖励的承认与影响提升至国际化水平，此后，制度化的奖励在世界各国兴起，科技奖励制度也逐步由制度化与非制度化并存发展为以制度化为主的形式。有学者[10]分析了过去100多年全球超过50个国家的3 062项科技奖项，发现在1980年后世界各国和有关机构及个人迅速增设科技奖项，至今每年会新设超过350个奖项，各领域的科技奖项呈现蓬勃发展的趋势，逐渐发展形成一系列特殊的“科学大数据”。发展至今，国际权威科学奖项已经积累了大量、全面且真实的数据，因此，基于奖项信息学的科学奖项数据挖掘分析，可以成为现代科学活动规律发现的一种典型手段，也可以作为与知识发现相关的新型专门领域学科信息学的一种应用。
科学奖项已成为科技政策学、科学计量学、学科知识发现领域的重要研究主题，国内外学者对其开展了较为丰富的研究。围绕科学奖项获得者，王双等[11]从学术背景、学术师承、学术网络3个维度分析了图灵奖获得者的成长规律；张志强等[12-13]探索了诺贝尔科学奖、拉斯克医学奖获得者的地理分布、年龄结构、研究主题演变等一般规律；同时，较多研究揭示了一系列人才成长的特征规律，包括机构属性[14]、科研创造峰值年龄[15]、发表偏好和引用特征[16]、获奖后生产力变化[17]等。具体而言，研究发现诺贝尔奖科学家的“奇迹年”（hot streak）在其学术生涯中呈随机分布[18-19]，科学家在50岁后做出重大成果的几率显著下降[20]，这一现象在物理和化学领域尤为明显[21]。研究还表明，学术合作和师承对人才成长乃至实现科学成功具有重要影响[22-23]。
综上，科学奖项大数据体系的挖掘和分析成为揭示科学活动规律的重要手段。科学奖励建制化以来，权威科学奖项的颁发历史见证了过去两个世纪人类的重大科学进步和关键科技成就。在当下科学研究全球化、学术交流国际化的趋势下，科学奖励作为一种来自学术共同体对特定科学发现成果的共识性肯定、褒奖与激励，具有较高的权威性、公正性与广泛承认性，可以体现一个国家的科技水平乃至世界科技发展的趋势。对科学奖项的数据挖掘与知识发现，可以揭示科学创新活动的历史规律与特点趋势，最终为国家科技奖励制度、科研资助等科技政策的建立与完善提供基于数据分析的定量结论与支撑。

3 研究对象与数据说明/Research object and data explanation

3.1 国际权威科学奖项选取

本研究以国际权威科学奖项为研究对象，在参考国际杰出奖项大会（International Center for Data on Awards，ICDA）设立的“杰出奖项官方名册”[24]、学术排名与卓越国际协会（IREG Observatory on Academic Ranking and Excellence，IREG Observatory）国际学术奖项清单[25]、美国国家研究理事会（National Research Council，NRC）用于评估博士项目的质量和有效性所划分出的213个“高声望”奖项[26]、《国际科学技术奖概况》等国际科学奖项数据集的基础上，根据科技界关于科技领域的大类划分方法，基于主要的科学技术创新领域（基础前沿交叉领域、先进材料领域、能源领域、生命健康领域、海洋领域、资源生态环境领域、信息领域、光电空间领域和综合领域），聚焦于主要科技创新领域中科学界公认的、国际性的权威奖项（选择相应领域1—2项“诺奖”级奖项）[27]。继而，考虑到对全部科技创新领域的权威科学奖项进行分析工作量较大，且局部领域代表性分析能够反映出整体的科学规律，因此从中选择3项具有领域代表性的权威科学奖项为分析对象，分别是：数学领域的菲尔兹奖[28]、生理医学领域的拉斯克医学研究奖[29]以及信息科学领域的图灵奖[30]，并分别以英文字母F、L、T表征，进行后续数据分析与规律发现。
表1 代表性国际权威科学奖项说明

Table 1 Representative international authoritative S&T awards

领域 奖项 起始年份 设立机构/颁发机构 获奖人次
数学 菲尔兹奖（F） 1936 国际数学家联盟（International Mathematical Union，IMU） 65
生命健康 拉斯克医学奖（L） 1946 拉斯克基金会（Albert and Mary Lasker Foundation） 322
信息 图灵奖（T） 1966 美国计算机学会（Association for Computing Machinery，ACM） 76

3.2 数据获取与说明

截至2023年5月，菲尔兹奖已颁发给65位科学家（包括1位特别奖获得者），其中19位来自美国，其余获奖者来自法国（13人）、俄罗斯、英国等国家。美籍华人数学家丘成桐、澳大利亚华裔数学家陶哲轩分别获得1982年度、2006年度菲尔兹奖。拉斯克奖自1946年开始每年颁发，78年来共有322人次获此殊荣，其中227人次来自美籍，其余获奖者来自英国（27人次）、德国（15人次）等国家。自1966年以来，截至2023年共有76人获得图灵奖，获奖者以美籍科学家为主，中国的姚期智获得2000年度该奖项。FLT获奖科学家共计463人次。
获奖科学家面板数据主要通过国际数学联盟（IMU）、拉斯克奖基金会、美国计算机协会（ACM）获得历年来获奖科学家名单、获奖理由、工作机构等数据字段，同时有针对性地研读获奖科学家人物传记或生平轶事，并结合Encyclopaedia Britannica（大英百科全书）、Wikipedia（维基百科）、科学家个人主页等多方数据源确定科学家的出生年、国籍、工作机构等字段。其中，对于获奖科学家所属机构的确定，在前期收集数据时，考虑到研究样本机构流动的复杂性，难以准确统计，本研究将获奖科学家的所属机构定义为“获奖人就职的所有机构中具有最长工作时限的工作机构（连续或非连续均可）”，并且在最终确定的机构中，大部分（超过95%）获奖科学家在该机构工作时限超过10年。虽然部分科学家相关资料缺乏，但缺失数据仅占FLT数据集的2.5%，对定量结果可能出现的误差影响较小。
以Web of Science核心合集为检索数据库、以获奖人姓名为检索词，下载全文本记录格式的出版物作为获奖科学家出版物数据集，保留语言为英语的研究论文、综述论文、会议论文三类文献，便于统一分析。此外，结合科学家工作机构、所在学科和个人主页中“出版物”（publications）等信息，对出版物数据集进行人工姓名消歧处理，尽量准确地识别获奖科学家。此外，本研究中科学发现以公开发表的获奖代表作论文具像化和定量化，因此科学发现数据集包括获奖代表作的题目、摘要、发表年、研究领域、被引频次、参考文献、施引文献等字段。若国际奖项官方网站提供科学家获奖成就以及获奖代表作论文信息，则直接与科学家出版物数据集进行匹配、定位与提取；若未提供明确的获奖代表作论文信息，需结合科学家个人主页、传记等信息源，通过爬虫等方式将科学家的获奖成就与其出版物数据进行精确匹配，筛选得到获奖代表作论文。

4 国际权威科学奖项的特征规律/Characteristics and laws of international authoritative scientific awards

4.1 获奖国家机构集中化

FLT科学家的全球分布呈现显著的不均衡性，高度聚焦于少数科技发达国家，其中美国的优势地位尤为突出，拥有超过半数的FLT科学家。从地域分布来看，FLT科学家共计463人次，主要分布在欧洲和北美洲，特别是世界主要科技发达国家（见图1）。其中，美国以300人次高居榜首，在FLT中占比64.79%。其次是英国（43人次）、法国（24人次）、德国（17人次），这一分布格局不仅映射出全球科研资源的分配不均，也揭示了国家科技政策、科研投入与顶尖人才产出之间的密切关联。中国目前拥有2名L获得者，分别是2011年度获得者屠呦呦和2022年度获得者卢煜明。此外，2000年度图灵奖获得者姚期智于2014年加入中国国籍。
图1 FLT科学家国家数量分布

Figure 1 The distribution of the number of countries of FLT scientists

FLT科学家的隶属机构多为顶尖科研机构或世界一流大学（如哈佛大学、麻省理工大学、剑桥大学等），分别聚集于享有数学研究盛名的高校和研究机构、主攻生命科学和医学的研究中心以及知名科技企业，这进一步印证了科研机构实力与顶尖人才集聚之间的相关性。①菲尔兹奖获得者的长期工作机构以普林斯顿高等研究院、哈佛大学、剑桥大学、普林斯顿大学为主，其中，IAS是进行领域尖端研究的著名理论研究机构，同时，后3所高校在《2019 QS世界大学数学专业排名》中均名列前茅（前10名）（见图2）；②拉斯克奖获得者多分布于洛克菲勒大学、哈佛大学、美国国立卫生研究院、哥伦比亚大学或主攻生命科学和医学领域的研究中心（见图3）；③相比于菲尔兹奖和拉斯克奖，图灵奖科学家更倾向于在企业长期就职，如微软、IBM、Google等知名跨国科技企业（见图4）。这些领头羊机构不仅是全球科研创新的高地，也是培养未来科学家和工程师的重要基地，往往拥有最前沿的研究设施和最优秀的科研团队，能够促进创新性科研成果的快速产出。
图2 菲尔兹奖获得者机构分布（获奖人数2人以上）

Figure 2 Distribution of F winners' institutions (with more than two winners)

图3 拉斯克奖科学家机构分布（获奖人数5人以上）

Figure 3 Distribution of L winners' institutions (with more than five winners)

图4 图灵奖获得者机构分布（获奖人数2人以上）

Figure 4 Distribution of T winners' institutions (with more than two winners)

4.2 获奖者老龄化规律

通过对三大科学奖项获奖年龄的统计分析，可以观察到显著的代际差异与演变趋势。F奖由于其“40周岁以下”的授奖条件，除1998年A. Wiles在45岁获得菲尔兹特别奖外，其余年间科学家获奖年龄均分布在29—40岁区间，平均36岁，近一个世纪来未呈现显著变化趋势。这一稳定分布印证了菲尔兹奖设立时激励青年数学家的初衷。相比之下，L奖和T奖则展现出相似的获奖年龄演化模式。L科学家获奖年龄整体呈波动上升趋势，从1946年的平均54岁上升到2020年以来的平均68.5岁，授奖77年来整体增幅达14.5岁（年均增长0.19岁）。T获得者获奖年龄变化趋势更为显著，从1970年以前的平均48.8岁增长到2022年的76岁，平均增长27岁（52年间年均增长0.52岁），其中约97%的科学家在40岁之后获奖。总体上，LT科学家的获奖年龄呈现明显的老龄化趋势，授奖至今平均增加了25岁左右，近年来甚至发展到平均70岁左右才获奖（见图5）。这些数据清晰地表明，现代科研可能正经历从“早慧突破”向“厚积薄发”的范式转变，资深科学家的经验价值愈发凸显。新生代科学家面临更长的成果孵化期，并且荣誉与成就的取得愈发倚重于资深科学家的经验积累。此外，不同领域对创新年龄的敏感度存在显著差异，反映出学科发展阶段的本质区别。
图5 FLT获奖年龄分布与变化

Figure 5 Age distribution and changes of FLT winners

4.3 获奖时滞规律

科学奖励体系中普遍存在获奖延迟现象[31]，但在不同学科间存在较大差异。数学领域获奖时滞保持相对稳定，计算机科学领域获奖时滞呈现大幅上升趋势，而生理医学领域获奖时滞呈现逐年缩短趋势。这一现象反映了科研成果从产生到获得认可的时间跨度，其演变趋势有一定的规律性和可预测性，可能与学科发展特征、评审机制及科学共同体认知变迁等因素密切相关。
以科学家做出获奖成果的先后顺序为角度（即以科学发现年为横坐标）进行分析发现，整体而言，F获奖时滞基本稳定在6年左右，波动范围较小，表明数学成果的认可周期受学科内在逻辑（如理论验证的确定性）影响较大，评审标准较为恒定。L获奖时滞虽初期偏高但呈现逐渐缩短的趋势，1935年之前的成果历经平均20.7年获奖，而2000年后缩短至平均12年（降幅达42.0%），这一变化可能得益于技术进步（如高通量实验、计算生物学）加速了成果验证，同时反映了科学奖励体系对生命科学研究的优先响应。T获奖时滞呈小幅显著趋势，1949—1960年产生的科学成果获得奖项认可需要平均15.7年，1985年以来则需平均27.3年（增幅达73.9%），这一现象产生的背后，说明了新兴子领域（如人工智能、量子计算）成果的涌现增加了评审的复杂性，尤其是跨学科研究因需多领域专家达成共识，导致“排队效应”加剧（见图6）。
图6 按照科学发现年度逻辑的FLT获奖时滞

Figure 6 Time lag of FLT awards based on the annual logic of scientific discoveries

4.4 创新峰值年龄中青年化

科学家做出获奖成果的年龄，即其科研创新的高峰年龄，才是真正反映科学家创造力高峰的重要指标[13,32]。通过对447人次FLT科学家的成果年龄进行统计分析，发现以生理医学、数学、计算机科学为代表的基础科学领域中，中青年科学家具有更大的创新能力和潜力。
将科学发现年龄从20岁起划分为5个区间，分别计算不同区间内FLT科学家的概率分布（即占比，见图7）。整体而言，FLT获奖者的科学发现年龄高度集中于20—50岁（占比达94%），平均创新年龄依次是：29.77岁、42.76岁和34.42岁。F奖由于其授奖条件限制，成果年龄普遍较为年轻化，60%的成果在20—30岁完成；T科学家全部在50岁以内做出获奖成果，且31—40岁为成果产出高频区间，占比54%；L科学家科学发现年龄呈“倒U型”分布，峰值位于31—40岁（40%），但成果年龄跨度最大（从22岁到72岁），部分科学家在50岁后仍能产出突破性成果。对比来看，计算机科学这类快速发展领域因技术迭代快，中青年科学家的综合能力更具优势，而生理医学这类实验驱动学科的突破常需团队协作与设备支持，因此创新年龄分布更广。
图7 FLT科学发现年龄区间概率分布

Figure 7 Probability distribution of age range for FLT scientific discoveries

4.5 获奖者合著网络多样化

（1）外部合著网络。小世界网络理论（“small-world” network）由J. W. Duncan与其导师S. Strogatz[33]提出，揭示了复杂网络中的高效连接和紧密集群现象，可通过平均最短路径与聚类系数两个特征进行判定，具有较短的平均最短路径和较大的聚类系数特征，即具有小世界特性。在合著网络中，平均最短路径反映的是合著网络中任意两个节点之间最短距离的平均值；聚类系数是指平均意义上一名作者的邻接作者之间相互关联的程度，表示科学家“朋友圈”的紧密程度。因此，利用Pajek分别生成与FLT科学家外部合著网络相同节点规模的3个随机网络（即网络节点数分别与F、L、T合著网络一致，但各个节点之间的连接是随机的），进行不同领域外部合著网络特征的对比，如表2所示：
表2 FLT科学家外部合著网络结构对比

Table 2 Comparison of network strucres co-authored by FLT Scientists

网络结构指标 F F随机网络 L L随机网络 T T随机网络
平均最短路径 4.09 11.06 4.56 12.85 5.82 12.04
Watts-Strogatz 聚类系数 0.72 0.002 0.53 0.002 0.72 0.004
可以发现，FLT科学家外部合著网络的主要特点是：①平均最短路径长度相对较小，科学思想能够迅速传播，且聚类系数均远高于相同规模的随机网络，因此均表现出小世界特性；②聚类系数相对较高，说明FLT科学家与其合作者之间的合作关系呈现出高度的聚集性，与同一位科学家合作的其他科学家之间也进行合作的概率分别为72%、53%、72%，表明FLT科学家们倾向于与已有的合作伙伴继续合作，形成较为紧密的科研“朋友圈”。这些特点揭示了顶尖科学家群体在科研合作中表现出的显著小世界特性和高度聚集性。
（2）内部合著网络。在FLT科学家内部合著网络中，合著人员规模存在明显差异，从合著社团划分和整体节点规模的角度综合来看，分别呈现出“单核—小规模”“多核—大规模”“双核为主”等合著模式（见图8）。虽然科学家的合著网络规模大小各异，但网络内的合著关系比较牢固。此外，FLT科学家内部的学术合著网络还具有一个典型特点，即多样化合著关系，合著关系中包括师生合著、同事合著、跨国跨机构合著。其中，师生之间的合作是常见的一种形式，这种合作关系通常基于导师对学生的学术指导，有助于知识和思想的传承。而同事合著涉及不同研究方向的学者之间的合作，促进了学科交叉融合。跨国跨机构的合著关系尤为普遍，这种合作模式不仅拓宽了研究的地域和文化视野，还加强了全球科研共同体之间的联系和资源共享。
图8 FLT科学家内部合著网络图谱

Figure 8 Network graph of FLT scientists internal collaboration

F科学家可获得的文献数据集中包括49位获奖者，其中互相产生合作的作者仅有16位。显然，F科学家之间较少产生合著关系，合著网络比较稀疏，特殊地，有7人产生小范围的合著关系网络，分别是1994年获得者J. Bourgain、2006年获得者陶哲轩、2010年获得者E. Lindenstrauss和C. Villani、2014年获得者M. Mirzakhani、2018年获得者A. Venkatesh和A. Figalli。
L科学家可获得的文献数据集中包括196位获奖者，合著网络比较紧密，其中产生合作的作者有154位。L科学家内部合著关系非常显著，整体上看是一个覆盖范围广、连通性强的合著网络，仅有48位科学家属于“独立的”两两合作关系。其中，大型合著网络以C. A. Elvehjem（1952年获得者）、R. A. Good（1970年获得者）、S. H. Snyder（1978年获得者）、T. E. Starzl（2012年获得者）、R. C. Gallo（1982年和1986年获得者）等生理学和医学领域科学家为代表。同时，D. W. Cushman和M. Ondetti（同为1999年获得者）、W. G. Lennox和F. A. Gibbs（同为1951年获得者）两两之间也建立起紧密的合作关系。
T科学家可获得的文献数据集中包括71位获奖者，其中互相产生合作的作者有47位。T科学家合著网络集中与分散并存。根据FR布局算法，该合著网络中拥有2个最为显著的、分别共计30人的合著社团，分别是以S. Goldwasser（2012年获得者）、R. L. Rivest（2002年获得者）、A. Shamir（2002年获得者）、S. Micali（2012年获得者）等17位科学家为代表的社团，以及以R. Tarjan（1986年获得者）、H. A. Simon（1975年获得者）、A. J. Perlis（1966年获得者）、J. McCarthy（1971年获得者）、J. Backus（1977年获得者）、R. Hamming（1968年获得者）等13位科学家为代表的社团。

4.6 科学发现影响力演化模式

从科学社会学视角来看，引文动态反映了科学共同体对特定研究成果的认知接纳过程，其演化轨迹本质上体现了科学知识传播与转化的内在机制。一般而言，一篇学术论文在发表之后的几年时间内会被其他论文引用，被引次数反映在时间上的曲线被称为“引文曲线”“引文模式”“引文历史”或“引文生命周期”。总体上，引文曲线是从被引用的角度记录文献的老化轨迹，作为科学计量学的重要分析工具，可以在一定程度上反映科学成果的学术影响力。基于引文曲线的演化模式分析有助于理解科学研究的发展轨迹、把握学术前沿的演进路径等。通过构建长周期引文曲线，可以大致观察科学发现影响力的演化模式，预测学术影响的持久性。因此，对获奖代表作（即科学发现）的长序列引文曲线进行曲线拟合，进一步提炼影响力演化模式，挖掘科学发现引文曲线的一般规律与主要模式，能够为观察科学发现影响力演化路径提供更科学地依据。
本节以引文年代为横轴，各年度引文量为纵轴，运用引文分析方法绘制科学发现代表作的引文分布曲线（图9），同时使用Origin 8工具进行曲线拟合。其中，曲线拟合是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。曲线拟合的效果通常以 R 2值给出，该值越趋近于1，则拟合效果越好。本研究中要求曲线拟合结果中 R 2 > 0.8，若不满足该条件，则认为拟合效果较差或拟合失败。部分拟合结果见图10。
图9 T科学发现代表作的引文曲线

Figure 9 Citation curve of T prize-winning works

图10 引文曲线拟合结果（部分）

Figure 10 Fitting results of part of citation curves

基于引文分布曲线和曲线拟合，本研究识别出6种具有显著统计学差异的引文演化模式。从引文曲线的长序列分布上看，引文曲线的演化模式主要呈现“指数增长”模式、“正态分布”模式、“双峰波动”模式、“低空波动”模式、“瞬时增长”模式、“睡美人”模式等几种类型。其中，“指数增长”模式在引文曲线中表现为随着时间的推移，引文数量呈指数级上升，这种模式通常出现在某一领域快速发展的时期，反映了学术界对某一主题兴趣的急剧增加和研究的深入。“正态分布”模式在引文曲线中表现为引文数量随时间呈现钟形分布，即初期逐渐增加至峰值后开始下降，这种模式常见于成熟学科领域，表明某一主题经历了从兴起到顶峰再到衰退的完整周期。“双峰波动”模式在引文曲线中表现为两个明显的高峰期，中间间隔一段时间的低谷，这种模式可能反映了研究领域内的重大突破或理论变革，导致研究兴趣的两次集中爆发。“睡美人”模式在引文曲线中表现为科学发现代表作在发表后相当长一段时期内被引次数为零或被引极少，仿佛是在“沉睡”，而在突然引起大量关注成为高被引，这种模式可能反映了学术思想由于过于超前而不被同期学术界所认可、科学共同体意识不到其潜在知识价值，特别是在自然科学领域，需要经历较长时间睡眠以后其价值才能显现。

5 研究总结与展望/Conclusions and prospects

分析和应用学科信息学的理念与研究方法，本文引申出“奖项信息学”的学科概念，并论述了开展科技领域国际权威奖项大数据分析的价值意义与具备条件。国际科学奖项已成为科学学、文献计量与科学计量、科技情报学以及相关科技领域等多个领域关注和研究的对象，科技奖励及其授予的科学发现成果可以成为研究科学自身发展基本规律和特点、杰出科学人才成长和演化规律等的主要观察视角。
奖项信息学的相关研究作为新型专门领域学科信息学的一种应用，成为揭示现代科学发展和科学活动规律的一种典型手段。本文在梳理主要科技领域的国际权威科学奖项的基础上，选择数学领域的菲尔兹奖、生理医学领域的拉斯克奖和信息领域的图灵奖3项国际权威奖项作为领域代表性奖项，进行系统地定量大数据挖掘与科学规律的知识发现揭示，测度了科学奖项大数据所表征的一系列科学学现象或规律：获奖国家机构集中化、获奖者老龄化、获奖时滞规律、创新峰值年龄中青年化、获奖者合作网络多样化、科学发现影响力演化模式等。这些规律对于科技政策决策、科技人才培养具有重要意义。例如，获奖老龄化规律可以引发关于科研生态、资源分配及创新速度等问题的讨论，提示科学家们需要更加关注科研成果的质量而非仅仅追求新颖性，因为长时间的研究积累有助于产出更具深度和影响力的成果。这种老龄化趋势不仅是社会现象，同样是科学界不可忽视的重要趋势之一。获奖时滞规律体现出显著的学科差异，科技成果不断涌现的同时也对“有限的”科学奖项如何遴选获奖成果带来了挑战。在现代科学发展的范式下，数学作为基础学科，其理论体系相对稳定，评审标准变化较小，故获奖时滞波动有限。生命科学因其与人类健康直接相关，呈现出社会关注度持续攀升、实验可重复性显著提高以及临床转化效率提升等特点，这些特征共同作用，缩短了从发现到认可的周期。计算机科学领域自20世纪以来快速发展，计算机科学的快速迭代导致早期成果可能因技术过时而被低估，而近期成果需更长时间验证其长期价值，并且跨学科研究的增加、计算机科学的伦理争议（如AI的社会影响）等现实问题可能促使评审更谨慎，从而延长考察期。
同时，科学奖项大数据分析与科学规律发现已成为科学学研究的主要内容，可以揭示并预测科学活动的规律与趋势，进而有效支撑相关科学发展战略的制定。国际上大部分科技领域奖项经过多年的发展传承，已经积累了大量、全面且真实的数据，并具有了特殊的研究价值，这类科学奖项的“大数据体系化”就使得进行科学奖项大数据挖掘与知识发现成为可能。需要注意的是，国际权威奖项本身就是科学评价的对象、手段与结果，是关于科学突破性发展的最主要的同行评价方法和评价指标，是科学家及其科学成就获得国际学术共同体承认的直接证明。但科技奖励相关的科学评价也存有争议，获得权威奖项的毕竟是极少数科学家，面对不同对象和不同目标的评价需求，如何建立科学合理、具有适用性的科研评价体系仍需进一步探索。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张志强, 范少萍. 论学科信息学的兴起与发展[J]. 情报学报, 2015, 34(10): 1011-1023.

ZHANG Z Q, FAN S P. On the emergence and development of Subject Informatics[J]. Journal of the China Society for Scientific and Technical Information, 2015, 34(10): 1011-1023.

[2]
张雪, 张志强. 再论学科信息学发展与趋向[J]. 图书情报工作, 2023, 67(19): 3-17.

ZHANG X, ZHANG Z Q. Further discussion on the development and prospect of Subject Informatics[J]. Library and information service, 2023, 67(19): 3-17.

[3]
张志强, 等. 面向领域知识发现的学科信息学理论与应用研究[M]. 北京:科学出版社, 2023.

ZHANG Z Q. Subject Informatics and subject knowledge discovery[M]. Beijing: Science Press, 2023.

[4]
MERTON R K. Science, technology and society in seventeenth century England[J]. Osiris, 1938, 4:360-632.

[5]
MERTON R K. The Matthew effect in science[J]. Science, 1968, 159(3810): 56-63.

[6]
ZUCKERMAN H. The proliferation of prizes: Nobel complements and Nobel surrogates in the reward system of science[J]. Theoretical medicine, 1992, 13(2): 217-231.

[7]
CHARLTON B G. Scientometric identification of elite 'revolutionary science' research institutions by analysis of trends in Nobel Prizes 1947-2006[J]. Medical hypotheses, 2007, 68(5): 931-934.

[8]
CHARLTON B G. Which are the best nations and institutions for revolutionary science 1987-2006? analysis using a combined metric of Nobel Prizes, Fields Medals, Lasker Awards and Turing Awards (NFLT metric)[J]. Medical hypotheses, 2007, 68(6): 1191-1194.

[9]
姚昆仑. 20世纪全球科技奖励的发展及特点分析[J]. 中国科技奖励, 2008, (2): 30-33.

YAO K L. Analysis of the development and characteristics of global science and technology awards in the 20th century[J]. China awards for science and technology, 2008, (2): 30-33.

[10]
MA Y F, UZZI B. Scientific prize network predicts who pushes the boundaries of science[J]. Proceedings of the National Academy of Sciences, 2018, 115(50): 12608-12615.

[11]
王双, 赵筱媛, 潘云涛, 等.学术谱系视角下的科技人才成长研究——以图灵奖人工智能领域获奖者为例[J]. 情报学报, 2018, 37(12): 1232-1240.

WANG S, ZHAO X Y, PAN Y T, et al. Growth of talent from the perspective of academic genealogy: taking the laureates of Turing award artificial intelligence field for example[J]. Journal of the China Society for Scientific and Technical Information, 2018, 37(12): 1232-1240.

[12]
张志强, 任晓亚, 门伟莉.诺贝尔科学奖的科学学规律及其对建设科技强国的启示[J]. 中国科技人才, 2024(5): 45-56.

ZHANG Z Q, REN X Y, MEN W L. The scientific laws of the Nobel Prize in science and its implications for building a strong country in science and technology[J]. Scientific and technological talents of China, 2024(5): 45-56.

[13]
任晓亚, 张志强, 陈云伟. 杰出科学家的科研产出规律——以拉斯克医学研究奖得主为例[J]. 情报学报, 2019, 38(9): 894-906.

REN X Y, ZHANG Z Q, CHEN Y W. Laws governing outstanding scientists research output: the example of Lasker Award Winners[J]. Journal of the China Society for Scientific and Technical Information, 2019, 38(9): 894-906.

[14]
门伟莉, 张志强. 机构属性的诺贝尔科学奖分布规律研究[J]. 情报学报, 2019, 38(9): 907-920.

MEN W L, ZHANG Z Q. Research on the Nobel Prize in science based on institutional attributes[J]. Journal of the China Society for Scientific and Technical Information, 2019, 38(9): 907-920.

[15]
门伟莉, 张志强.科研创造峰值年龄变化规律研究——以自然科学领域诺奖得主为例[J]. 科学学研究, 2013, 31(8): 1152-1159.

MEN W L, ZHANG Z Q. On the trend of most creativity age for Nobel winners in natural science[J]. Studies in science of science, 2013, 31(8): 1152-1159

[16]
张洋, 朱嘉麒, 邵苏晨, 等.社会科学国际权威奖项得主的成果特征[J]. 图书馆论坛, 2023, 43(1): 49-59.

ZHANG Y, ZHU J Q, SHAO S C, et al. Research on the characteristics of international honorary award winners’ achievements in the field of social sciences[J]. Library tribune, 2023, 43(1): 49-59.

[17]
BHATTACHARYA J, BOLLYKY P, GOLDHABER-FIEBERT J D, et al. Resting on their laureates? research productivity among winners of the Nobel Prize in physiology or medicine[EB/OL]. [2025-03-28].

[18]
LI J, YIN Y, FORTUNATO S, et al. Nobel laureates are almost the same as us[J]. Nature reviews physics, 2019, 1: 301-303.

[19]
LI J, YIN Y, FORTUNATO S, et al. Scientific elite revisited: patterns of productivity, collaboration, authorship and impact[J]. Journal of the Royal Society Interface, 2020, 17(165): 20200135.

[20]
李淑敏, 王永伟.STS领域杰出人才的特征分析——以贝尔纳奖获得者为例[J]. 自然辩证法通讯, 2021, 43(7): 100-107.

LI S M, WANG Y W. An analysis of the characteristics of outstanding individuals in the field of STS: a case study of the Bernal Prize recipients[J]. Journal of dialectics of nature, 2021, 43(7): 100-107.

[21]
CHAN H F, TORGLER B. Time-lapsed awards for excellence[J]. Nature, 2013, 500(7460): 29.

[22]
HEIBERGER R H, WIECZOREK O J. Choosing collaboration partners. how scientific success in physics depends on network positions[DB/OL]. [2025-03-21].

[23]
RICHARD S J T. The Nobel family[J]. Scientometrics, 2024, 129 (3): 1329-1346.

[24]
The International Center for Data on Awards (ICDA)[EB/OL]. [2025-03-21].

[25]
IREG List of International Academic Award [EB/OL]. [2025-03-21].

[26]
OSTRIKER J P, KUH C V. National Research Council (US) Committee to examine the methodology for the assessment of research-doctorate programs. Assessing Research-Doctorate Programs: a methodology study[M]. Washington (DC): National Academies Press (US), 2023.

[27]
任晓亚, 张志强. 主要科技领域国际权威奖项规律及其驱动因素分析[J]. 情报学报, 2019, 38(9): 881-893.

REN X Y, ZHANG Z Q. Analysis of the Laws of international authoritative awards in main science and technology fields and their driving factors[J]. Journal of the China Society for Scientific and Technical Information, 2019, 38(9): 881-893.

[28]
Fields Medal[EB/OL]. [2025-03-28].

[29]
Laker Award[EB/OL]. [2025-03-28].

[30]
A.M. Turing Award[EB/OL]. [2025-03-28].

[31]
MITSIS P. The Nobel Prize time gap[J]. Humanities & social sciences communications, 2022, 9(1): 1-11.

[32]
张志强, 门伟莉. 诺贝尔物理学奖获得者中师承效应量化研究[J]. 情报学报, 2014, 33(9): 926-935.

ZHANG Z Q, MEN W L. Quantitative research on the effects of accomplished teachers on Nobel Prize winners in physics[J]. Journal of the China Society for Scientific and Technical Information, 2019, 38(9): 894-906.

[33]
WATTS D J, STROGATZ S H. Collective dynamics of “small-world” networks[J]. Nature, 1998, 393:440-442.

Options
Outlines

/

〈 〉