Knowledge Management Forum >

2026 , Vol. 11 >Issue 4: 309 - 322

DOI: https://doi.org/10.13266/j.issn.2095-5472.2026.026

An Exploration of Team-Based Interdisciplinary Measurement of Knowledge Outcomes and Its Influencing Factors

  • Li Xinzhe 1 ,
  • Lu Xiao , 2, 3
Expand
  • 1. School of Public Affairs, Nanjing University of Science and Technology, Nanjing 210094
  • 2. Institutes of Science and Development, Chinese Academy of Sciences, Beijing 100190
  • 3. School of Public Policy and Management, University of Chinese Academy of Sciences, Beijing 100149
Lu Xiao, Deputy Director and Senior Research Fellow at the Institutes of Science and Development, Chinese Academy of Sciences, PhD, E-mail: .

Li Xinzhe, Associate Professor, PhD

Received date: 2026-01-24

  Online published: 2026-07-29

Fold

Abstract

[Purpose/Significance] This paper aims to develop a method for measuring the interdisciplinary nature of Chinese scientific research collaborations and to systematically analyze the patterns by which the characteristics of research collaboration organizations influence the interdisciplinary nature of knowledge outputs. Accurate measurement of interdisciplinarity is a prerequisite for evaluating collaborative research quality, optimizing research resource allocation, and advancing interdisciplinary research policies. A framework tailored to Chinese-language literature also helps address the limited applicability of existing approaches, which have primarily been developed for English-language databases. [Method/Process] The study proposed a method for measuring the interdisciplinary nature of Chinese research outputs based on the Chinese Library Classification (CLC) system, which was applicable to large-scale literature datasets and helped mitigate potential endogeneity concerns compared to citation-based measurement methods. Specifically, CLC codes were mapped to disciplinary categories at different levels to identify disciplinary combinations and calculate the interdisciplinarity of individual papers. Using a sample of 124 746 collaborative papers published in 62 CSSCI journals between 2013 and 2022, the study conducted empirical tests with a Tobit model incorporating year and journal fixed effects. [Result/Conclusion] The study finds that, after controlling for year and journal fixed effects, the number of funding grants, internal team size, and the scale of external collaboration all exert significant inverted U-shaped effects on the interdisciplinary nature of research outputs. At moderate levels, larger teams, broader institutional participation, and increased funding support expand access to heterogeneous knowledge, skills, and resources, thereby promoting knowledge recombination. However, once collaboration exceeds an appropriate threshold, rising communication, coordination, and organizational costs inhibit interdisciplinary knowledge integration. These findings remain robust after removing extreme values and using alternative measurement specifications. The proposed method provides a feasible tool for measuring the interdisciplinarity of large-scale Chinese research outputs, while the empirical findings offer practical guidance for configuring research teams, coordinating interorganizational collaboration, and allocating funding support.

Key words： interdisciplinarity; measurement methods; research collaboration; knowledge outcomes; knowledge innovation

Cite this article

Li Xinzhe , Lu Xiao . An Exploration of Team-Based Interdisciplinary Measurement of Knowledge Outcomes and Its Influencing Factors[J]. Knowledge Management Forum, 2026 , 11(4) : 309 -322 . DOI: 10.13266/j.issn.2095-5472.2026.026

知识生产是推动学科领域不断拓展的动力源泉，也是维持社会生产力进步的重要原因。通过对已有学科的深入研究和对新兴学科的发展与探索，学科知识得以不断进步和创新，从而产生有价值的知识成果，促进社会经济发展。传统的知识生产以个人研究为主，指单个科研人员独立开展科学研究的过程。个人研究注重研究中个体的创造力和独立思考能力，研究过程和成果质量主要取决于个人的努力和知识水平。个人研究的优势在于自由度高，可以充分发挥个人的创新思维和灵活性，适用于一些小规模的研究项目或对特定问题的深入研究。现代科学研究的重要趋势之一是以合作形式开展的知识生产，这是由于现代科学问题变得越来越复杂，需要采用多个领域的专业知识和技能进行综合分析，传统的个人研究模式往往无法满足这种需求，因此合作研究成为必然选择。合作的优势在于能够整合不同学科的专家，提供多学科视角，应对跨学科的挑战。然而，个人研究和合作研究并不是相互排斥的，而是可以相互补充和结合的，个人研究可以产生初始想法和研究框架，提供创新性思维，而合作研究可以进一步拓展个人研究的范围和深度。
近年来，随着提升科技创新能力的现实需求日益迫切，跨学科研究受到了科技政策和管理部门以及相关学者的高度关注，这一方面是因为跨学科研究在推动前沿创新和解决复杂问题方面的作用日益凸显，另一方面是因为跨学科研究已在各个学科领域得到了广泛推广，得到了领域学者们的普遍认可。跨学科研究是指跨越学科边界，整合不同学科的理论、方法和工具，共同解决复杂问题的研究方式，能够打破学科之间的壁垒，促进学科之间的交流与合作，有助于发现新的问题，提出新的理论，并为实际应用提供更全面、更有效的解决方案。跨学科研究包括个体层面的跨学科研究以及合作层面的跨学科研究[1]。最开始的跨学科研究体现在个体层面，指一个学者拥有多个学科领域的知识，通过将不同领域的知识和技能进行融合来获得新的洞见，以提高研究效率和质量。但是，由于个体学习能力和认知水平的限制，个体层面的跨学科研究对科研人员的自身水平要求通常较高，产出的知识成果的质量也难以保障。正如上文所述，随着合作研究的日益普遍化，跨学科研究迎来了新的发展契机，基于合作的跨学科研究得到快速发展。由于合作成员之间教育经历和学科背景的差异，他们的知识储备、研究技能、思维方式也各有不同，这自然为跨学科研究创造了条件。与个体层面的跨学科研究相比，在合作中不同学科背景的成员沟通交流或协调分工，可以有效促进学科之间的融合和互补，从而提高研究效率和质量。更进一步，通过合作的跨学科研究深刻影响着不同学科领域的理论突破乃至研究范式变革，为推动科技创新发展提供了重要的动力源泉。
跨学科合作研究是推动国家科技创新发展的重要组成部分。2018年国务院办公厅印发《关于全面加强基础科学研究的若干意见》，提出要“鼓励开展跨学科研究，促进自然科学、人文社会科学等不同学科之间的交叉融合”[2]；2020年国务院学位委员会、教育部将“交叉学科”正式设立为第14个学科门类[3]，这标志着跨学科研究的推进已上升至国家人才培养与学科制度建设的战略层面。
有效测量科研合作成果的跨学科性，是合理评价合作研究质量、优化合作资源配置和推动跨学科政策落地的前提条件。然而，现有测量方法多基于英文文献的引文网络，在中文情境下适用性受限，且存在较为严重的内生性问题，难以大规模推广。针对中文合作成果构建系统性的跨学科测量框架，是推动相关研究本土化的重要基础工作。对合作成果的跨学科性进行有效测量是推动跨学科发展的根本前提，对合作成果跨学科性的影响因素进行深入剖析则能够为合作管理者提供具有实践价值的策略建议。本研究首先基于中文期刊的中图分类号构建了合作成果的跨学科指标测量体系，对合作成果的学科交叉情况进行呈现，进而分析科研合作的组织特征如何对其研究成果的跨学科性产生差异性影响，并提出相应策略建议，为推动跨学科研究的发展提供思路和方法。

1 理论背景与文献综述/Theoretical background and literature review

1.1 科研合作与跨学科研究

跨学科科研合作是现代科学研究的显著特征之一[1]。近年来，随着各个学科领域研究深度和广度的不断拓展，研究问题也在不断地细化和复杂化，越来越多的问题需要跨越学科边界进行综合研究。在此背景下，跨学科、跨机构、跨国家的合作研究数量日益增长。合作带来了学科背景、专业技能的多样化以及更多的基金支持，使得科研合作能够依靠来源广泛的基金支持整合不同学科领域的知识、技能以及设备，呈现出多样化、综合化和虚拟化等特征[4]，加深了不同领域之间的知识交流和合作。
已有研究对科研合作与跨学科研究之间的关系进行了探讨。如B. F. Jones的“知识负担”理论[5]认为，随着学科知识的不断积累，科研人员们产生创新性知识成果所需要积累的知识内容越来越多，由于个体的学习能力有限，越来越大的“知识负担”推动了合作研究的发展，合作成员之间的分工协作也为跨学科研究提供了契机。也有学者指出，跨学科、跨机构合作的增加是由多种因素共同驱动的，其中包括跨学科研究问题自身的重要性、科研工作日益专业化以及由此带来的学术收益、通讯设备的普及以及大规模数据处理的需要等[6-9]。
由此可见，合作研究作为知识创新的主体[10]，从多学科视角和不同研究层面开展协作，保障了复杂工程中多元价值和多重目标的成功实现[11]，在推动跨学科研究发展方面承担着重要的载体角色；与此同时，科学问题的日益复杂化、综合化以及科学研究的专业化，也推动了科研合作成员积极开展跨学科研究。

1.2 跨学科研究与知识创新

跨学科研究在提升原创科研能力和推动科技创新发展方面的潜力已经得到凸显[12]。已有研究指出，跨学科知识组合产生的新颖性是创造性想法的基本特征[13]，从这一视角出发，跨学科是知识创新的重要来源[14]。
跨学科研究所带来的知识创新能够提升科研成果的质量，这体现在跨学科研究能够在平均水平上获得更高的引用数[15]。比如Y. N. Lee等对合作研究成果的跨学科性开展研究[16]，结果发现研究成果的跨学科程度能够显著提升高被引的机会，这与B. Uzzi等在研究知识来源的非常规组合与影响力之间关系时的发现类似[13]，在中位数水平上，非常规的知识组合往往能够带来更大的高被引概率。也有学者指出跨学科能够获得更大的关注度，如跨学科研究能够得到更多媒体的报道[17]。跨学科同样会带来更大的风险与挑战，有学者强调了跨学科研究潜在的沟通成本可能会损害创造力[18]，如廖青云等有关科研团队多样性的研究发现团队跨学科性会显著降低团队论文的发表数量[4]，S. Chai等有关跨学科偏见的研究则指出跨学科成果在获取引用方面面临着更大的风险[19]。尽管跨学科成果平均得到更多的被引次数，但也有更多的跨学科成果从来没有被引用过。这意味着跨学科并不总是好的，尽管跨学科研究推动了创新性想法、知识成果的产出，可能会带来相应的回报，但也可能会受到惩罚，导致研究成果不被认可[20]。过分追求研究成果的跨学科性会导致不以解决实际问题为目的的“伪”跨学科研究的出现[12]。
因此，正确看待跨学科研究对知识创新所带来的利弊至关重要。通过整合已有研究，笔者发现跨学科研究整体上仍然是有益的，它提升了知识成果的质量和创新水平，这体现在经历过同行评审的跨学科研究成果普遍获得更高的被引数，较高的被引频次通常被视为成果创新性和质量的重要表征。但与此同时，跨学科研究也在一定程度上降低了研究成果的产出效率，这体现在跨学科研究更少的发文量以及更难得到认可[21]。在学科领域不断扩展和个体知识领域不断缩小的当下，跨学科成为确保科学交流和社会进步的必要选择[22]。正如T. S. Kuhn在其著名的《科学革命的结构》一书中指出，科学革命源于对常规科学研究范式的突破，跨学科能够为日益深化的领域知识和固化的思维模式引入新的研究思路，从而推动知识创新发展。

1.3 跨学科测量

对科研成果的学科交叉情况（学科多样性）进行有效测量是推动跨学科发展的基础。最早测量学科多样性的指标以考察单一学科维度为主，比如采用香农熵、辛普森系数等计算复杂度的指标[23]，这类方法的优点在于计算方便，只需要了解研究成果中不同学科的分布情况即可。然而此类指标存在两个弊端：一是需要对知识成果的学科真实分布有清晰的了解，这在实操层面较为困难，往往需要知识生产者的亲身参与，导致一手数据收集存在困难，使得该类测量难以大规模推广；二是该类指标实际上衡量的是知识成果中学科分布的均匀程度，这与跨学科的本质特征存在一定差异。
后续学科多样性测量指标在单一学科维度上进行了拓展，其中流传最为广泛的当属A. Stirling构建的多维测量方法，该方法同时考虑了丰富度、均衡度以及差异性3个维度（图1）[24]，该模型后续被拓展为Rao-Stirling Diversity指数[25]，并且得到了相当广泛的应用。但A. Stirling本人及他的后继者们也指出，该指数没有很好地将学科均衡性包括进去。基于此，张琳等进一步提出了TD（True Diversity）指数[26]，可以看作是Rao-Stirling Diversity指数的拓展，在适用性和区分度等方面取得了良好成效。著名文献计量学者L. Leydesdorff后续提出了基于合作网络中介性以及基于双向引用的跨学科测量方法，这些方法也都可以看作是基于Stirling模型的拓展。然而，上述一系列指标的计算都是基于引文网络开展的，这就使得确定引文的学科归属变得十分重要——目前通常采用的方式是根据引文所属期刊来确定其学科，这将带来难以避免的可解释性难题：一方面，很难保障一篇来自物理学领域期刊的论文一定属于物理学，它也很有可能属于复杂网络科学，也可能属于跨学科研究；另一方面，当确定某篇论文或期刊的学科多样性时，需要将引文网络中的其余论文或期刊作为自变量，这使得引文网络中的论文或期刊之间互为因果变量，由此引发了严重的内生性问题。且由此可以推断，引文网络中的论文或期刊数量越多，内生性问题就越严重，这将影响基于引文网络的跨学科测量方法在大规模数据集中的推广。在经济社会研究中，指标模型的计算性和解释性往往难以兼得，尽管上述指标存在一系列可解释性危机，但它们的出现仍然为跨学科研究的发展做出了巨大贡献。
图1 Stirling多样性的三个维度[23]

Figure 1 The three dimensions of stirling diversity

近期，有学者提出采用机器学习算法训练自然语言模型[27]，实现根据文本内容对知识成果学科分布的自动划分。但是在训练集的获取方面仍存在较大困难，导致相关研究大多聚焦于英文文献的文本分类识别[28-29]，或在分类方法上仅采用单标签分类[30]，无法有效体现中文知识成果的多学科特征。此外，李秀霞等采用参考文献的中图分类号对期刊开展跨学科分析[31]，但是这种方法只能得到部分中文参考文献，忽略了参考文献中的英文文献。
综合来看，当前有关跨学科测量的相关研究以论文、期刊的引文网络分析为主，测量方法尚未形成统一标准，研究样本大多源自国外文献数据库。我国当前针对中文知识成果跨学科测量的研究仍然较少，有关科研合作跨学科影响因素的分析也存在明显不足。因此，对我国科研合作成果的跨学科情况进行测量，并对其影响因素开展系统分析具有重要的理论价值和现实意义。

2 研究假设/Research hypotheses

科研合作是开展跨学科研究的重要载体，合作特征对知识成果的产出发挥着重要的作用[6,16]，知识成果的跨学科性也与科研合作的组织特征密切相关。本研究将关注合作组织的3个特征：内部组织规模、外部合作规模以及基金支持数量，考察上述合作组织特征对知识成果跨学科性的影响。

2.1 内部组织规模与跨学科性

合作规模对科研生产力和表现的影响已被广泛研究[16]。一方面，学者们认为较大的合作规模与较强的处理外部不确定性的能力相关[32]，这种规模优势对于科研合作在不确定性环境中处理复杂的跨学科问题至关重要。同时，随着合作规模的增加，合作可获得的信息、知识和技能也在增加，这使得合作更有可能产生新颖性、跨学科的知识成果[33-34]。但另一方面，随着合作人数增加，沟通协调成本会上升[35]，组织层级也可能增多[36]，从而对成果的新颖性产生一定的负面影响。
因而推测，科研合作的组织规模对其成果的跨学科性将产生差异性影响，这意味着当合作规模过小时，跨学科的知识整合是困难的；当合作规模过大时，过高的成本与消耗同样不利于跨学科新颖性想法的产生。本文提出假设H1和H2。
H1：科研合作的内部组织将对其知识成果的跨学科性产生显著影响。
H2：科研合作的内部组织规模将对其知识成果的跨学科性产生倒“U”型影响。

2.2 外部合作规模与跨学科性

不同机构之间的科研合作同样被看作推动知识融合的重要因素[37]。不同科研机构在人员配置、知识储备以及设备支持方面都存在明显差异，这使得跨机构合作能够为科研合作带来更多的可用信息以及技能等资源。适当的跨机构合作能够帮助科研合作占据资源结构洞，从而拓宽研究视野，促进交叉知识成果的产出[38]。但是过量的外部合作将耗费合作成员大量精力去识别资源的有效性，这将对知识融合产生不利影响。
因而推测，科研合作的外部合作规模同样对成果的跨学科性产生差异性影响，据此提出假设H3和H4。
H3：科研合作的外部合作将对其知识成果的跨学科性产生显著影响。
H4：科研合作的外部合作规模将对其知识成果的跨学科性产生倒“U”型影响。

2.3 基金支持数量与跨学科性

基金支持是科学研究得以顺利开展和有效维持的保障，特别是对于合作开展的研究更是如此，因为科研合作需要资金来支付成员的工资和奖励，购买设备和获得技术支持，收集与分析数据，以及开展学术交流和出版活动等。对科研合作来说，充足的基金支持能够为合作成员提供优越的工作环境、先进的技术支持乃至高水平的学术交流机会，这有利于交叉知识成果的产出。但是过多的基金来源也会给合作带来负担，科研合作必须不断提升产出数量以保障基金支持的可持续性[39]，同时也会由于受到基金资助方的限制，不能自由地开展跨学科研究，这将对知识融合产生负面影响[40]。
继而推测，科研合作得到的基金支持将对成果的跨学科性产生差异性影响，据此提出假设H5和H6。
H5：科研合作的基金支持将对其知识成果的跨学科性产生显著影响。
H6：科研合作的基金支持数量将对其知识成果的跨学科性产生倒“U”型影响。

3 数据与方法/Data and method

本文通过对国内经济管理领域合作研究的调查来检验上述假设。该调查基于一组大规模文献数据集，提供了有关科研合作组织特征及其成果跨学科性的信息。文献主要来源于经济学和管理学领域的CSSCI检索期刊，并进行了适当补充，期刊覆盖生命科学、物质科学与工程、社会科学与人文学、医疗保健四大领域，包含了27个一级学科。
在数据采集方面，首先，分别在中国知网（CNKI）、维普和万方数据库中进行高级检索，以期刊名称为检索字段，限定62种样本期刊，并将发表时间设置为2013—2022年。其中，中国知网对应“文献来源”字段，维普对应“刊名”字段，万方对应“期刊名称”字段。其次，合并三个数据库的检索结果，进行去重、数据清洗和结构化处理，最终得到2013—2022年发表于62家期刊的124 746篇文献。
信息采集步骤如下：首先，提取每篇文献的标题、摘要、作者、作者单位、中图分类号等指标，并为每篇文献单独分配一个标识符；其次，利用BibExcel软件对文献的中图分类号进行切片并将其两两成对组合，提取每篇文献中包含的中图分类号和分类号组合，按照其代码依次归类到一级学科和二级学科两个层级，计算合作组织特征，并将其与标识符匹配；最后，依次将中文分类名称与不同层级的中图分类号匹配。由此得到经济学和管理学领域合作研究的组织特征及其知识成果在不同中图分类层级下的学科分布和学科交叉情况，经过跨学科性计算，最终得到的结构化数据样例见表1。
表1 结构化数据示例

Table 1 Examples of structured data

ID 发表年份 期刊名称 基金个数/项 作者人数/人 机构个数/个 跨学科性 关键词个数/个 中图分类号个数/个 期刊影响因子 期刊年发文量/篇
1 2013 管理评论 4 4 1 0.646 5 4 3 6.173 300
2 2013 管理评论 2 4 2 0.353 1 3 2 6.173 300
…… …… …… …… …… …… …… …… …… …… ……
124 746 2022 中国管理科学 2 3 3 0.862 4 4 2 5.529 290

3.1 学科交叉分布与演化

以中文文献的中图分类号作为期刊学科分布的标识，并计算其跨学科性。中图分类号是指采用《中国图书馆分类法》对科技文献进行主题分析，并依照文献内容的学科属性和特征，分门别类地组织文献，所获取的分类代号，是当今国内图书馆使用最广泛的分类法体系，也是最能体现学术论文学科特征的分类号。作为对论文按照学科进行分类的代码，中图分类号包含了5个基本部类、22个大类，以及超过50 000个学科小类。
本文选择中图分类号作为分析学科分布的参考来源有以下几点原因。首先，中图分类号作为我国建国后编制出版的大型综合性分类法，其权威性、代表性得到了普遍认可，采用该分类号作为文献学科归属的参考，可靠性较高。其次，每一篇期刊文献的中图分类号一般都是由作者本人或期刊编辑部人员标注，因此，与传统的访谈调研等方式考察学科分布相比，其优势在于能够对大规模论文数据集进行分析。同时，与近期流行的依据论文作者学术背景、单位或是参考文献等指标分析研究成果跨学科性相比，中图分类号能够更好地排除内生性影响。最后，作为当前普及最为广泛的中文科技期刊学科分类代号，几乎所有发表的中文学术论文都会标注其所属的中图分类号，包括检索得到的120 000余篇期刊文献，这为进一步分析科研合作所属学科以及学科交叉情况带来了极大的便利。需要指出的是，中图分类号体系虽会随知识生产的发展定期修订更新，但面对近年快速涌现的新兴交叉学科，现有分类体系仍可能存在一定程度的标注滞后；本文样本集中于经济学和管理学领域，与高技术领域相比这一问题的影响程度相对有限，但在解读研究结论时仍应予以关注。
笔者基于结构化数据构建了学科交叉矩阵，利用Gephi软件创建了跨学科共现网络。图2展示了近10年来经济和管理研究领域的学科交叉分布情况，其中每个节点代表一个一级学科，节点大小代表学科出现的频次，连线粗细则代表不同学科之间联系的紧密程度。可以发现，经济学和管理学领域跨学科研究中出现频次较高的学科为计算机和自动化技术，经济，文化、科学、教育、体育，政治、法律以及历史、地理等，这体现出这些学科在相关研究领域具有高度的交叉性。值得关注的是，计算机和自动化技术处于学科交叉网络的核心位置，这反映出相关领域的跨学科研究成果普遍结合了计算机与自动化领域的相关知识与技能。从学科发展的视角来看，经济学和管理学领域的研究范式已经开始从传统的定性/定量实证研究向结合计算机自动化技术的大数据前瞻研究过渡。
图2 学科交叉分布网络（2013—2022年）

Figure 2 Interdisciplinary distribution network (2013—2022)

图3展示了经济学和管理学研究领域近10年来的学科交叉演化趋势，结果同样支持上述判断，经济学和管理学领域的跨学科研究与计算机技术、经济、文化等学科联系紧密，表现出了较强的数据驱动特征。
图3 学科交叉分布演化网络

Figure 3 Evolutionary network of interdisciplinary distribution

3.2 被解释变量

已有相关研究利用中图分类号来进行文献学科分布的识别，并取得了良好成效[31,41]。本文所构建的跨学科测量指标是基于B. Uzzi和Y. N. Lee等相关研究的拓展[13,16]，使用以下两步骤来构建跨学科性度量：①计算整个期刊样本中的共同引用学科对的相似性；②基于样本中每篇文献的学科分布来计算合作知识成果的跨学科性。与B. Uzzi等的测量指标相比，该方法的优点在于数据获取简单，且大大减少了模型的复杂度和计算量，同时该方法综合考虑了跨学科多样性中的丰富度和差异度两个维度。本文采用学科对距离的算术平均作为跨学科性的汇总方式，主要基于以下考虑：①该方法形式简洁、定义清晰，能够直接刻画一篇论文内部各学科对之间的平均认知距离，具有良好的可解释性与跨年份可比性，适合本文覆盖2013—2022年的长时段大样本分析；②以学科距离矩阵的平均化方式刻画跨学科程度，与B. Uzzi等在原始设计中的处理方式保持一致，符合该领域的研究传统。同时，本文暂未将Stirling多样性框架中的均衡性（Evenness）维度纳入指标构建，这是方法层面的客观局限，构建加权版本指标留待后续研究改进。
第一步通过以下操作实现：①记录每篇文献包含的中图分类号中的二级学科对；②记录每篇文献的出版年份；③将同一年出版的文献的所有学科对汇总起来，构建每年的学科对集合，称 t年的学科对集合为 U t。 t年中每个学科对的相似性的定义见公式（1）。
S i m i l i t y i j t = o b s e r v e d   n u m b e r   o f   p a i r s i j t e x p e c t e d   n u m b e r   o f   p a i r s i j t = N i j t N i t N t * N j t N t * N t = N i j t * N t N i t * N j t
其中 N i j t是 U t中 i - j学科对的数量， N i t是 U t中包含学科 i的学科对的数量， N t是 U t中所有学科对的数量。因此， N i t N t是学科 i出现在 U t中的概率， N i t N t * N j t N t是学科 i和学科 j同时出现的联合概率， N i t N t * N j t N t * N t是在随机情况下 i - j学科对的期望数量。将 i - j学科对实际出现的数量与随机情况下期望出现的数量的比值作为学科相似性的代理，当相似性大于1时，说明 i - j学科对出现的频数比随机期望下的要高，这说明学科 i和学科 j之间的联系更紧密，相似性也就更高。
第二步是计算知识成果的跨学科性。利用第一步，得到了样本文献中所有学科对的相似度。对于每一篇文献，根据第一步中的步骤①，为每篇文献的所有学科对分配一个学科距离，学科距离的计算见公式（2）。
D i s t a n c e i j t = 1 S i m i l i t y i j t
接着计算每篇文献所有学科对距离的算术均值，由于这个值是高度倾斜的，对其采用自然对数转换，以此来减缓其倾斜程度。最终得到了每篇文献的跨学科性指标计算模型，见公式（3）。
I n t e r d i s c i p l i n a r i t y i j t = l n   ( ∑ 1 n D i s t a n c e i j t n + 1 )

3.3 解释变量

选取科研合作的组织特征作为解释变量。具体来说，将每篇文献视作合作的知识成果产出，每篇文献中所包含的作者可以被视作合作研究的代理[39,42]，由此能够根据文献信息提取科研合作的组织特征。
（1）内部组织规模。以每篇文献中包含的作者数量作为合作内部组织规模的代理。作者数量越多，这说明科研合作的内部组织规模越大。
（2）外部合作规模。以每篇文献中包含的作者单位数量作为外部合作规模的代理。不同的科研单位之间通常存在较为明显的差异，因而单位数量越多，说明科研合作的外部合作规模越大。此外，以单位数量代理外部合作规模，仅能反映合作广度，难以区分高校、科研院所、企业等不同性质机构之间的差异。本文对此进行了补充描述，详见第4.1节。
（3）基金支持数量。以每篇文献中标注的基金资助项数作为基金支持数量的代理。一篇论文标注的资金资助来源越多，这说明该项研究获得的基金支持越多。

3.4 控制变量

在考察科研合作的组织特征对其知识成果的跨学科性的影响时，文献的跨学科性可能会因其自身的某些特征或所属期刊的类型以及水平而产生差异，这将在一定程度上影响对组织特征相关系数估计的准确性。因而，本研究控制了文献所包含的学科数量、关键词数量，以及所属期刊的影响因子与每年的发文量。

3.5 计量模型

综上，为了探究内部组织规模、外部合作规模和资金支持等科研合作组织特征对其知识成果跨学科性的影响，构建如公式（4）所示的计量模型。
I n t e r d i s c i p l i n a r i t y n t = α 0 + α 1 T e a m s i z e n t + α 2 C o o p e r a t e s i z e n t + α 3 F u n d s i z e n t + α 4 T e a m s i z e n t 2 + α 5 C o o p e a r a t e s i z e n t 2 + α 6 F u n d s i z e n t 2 + α 7 C l c n t + α 8 K e y w o r d s n t + α 9 I m p a c t o r n t + α 10 P u b l i c a t i o n s n t + u
I n t e r d i s c i p l i n a r i t y n t表示 t年份文献 n的跨学科性， T e a m s i z e 、 C o o p e r a t e s i z e 、 F u n d s i z e分别为科研合作内部组织规模、外部合作规模和基金支持数量， C l c、 K e y w o r d s分别为文献的学科数量和关键词数量， I m p a c t o r和 P u b l i c a t i o n s为期刊的影响因子和年度发文量。

4 实证分析/ Empirical analysis

4.1 描述性统计

表2对模型中的变量进行了描述性统计和相关性分析，发现科研合作的平均规模为2.1人，标准差为1.426，这表明大部分科研合作由1—4人组成，不同科研合作的成员分布是不均匀的；还发现学科数量的平均值为1.42，标准差为0.624，这说明大部分的科研合作是单学科或仅跨越两个学科的；同时还发现，组织规模、基金数量、机构数量和跨学科性是相互关联的。同样对多元回归模型进行了多重共线性的检验，所有因子的方差膨胀系数（variance inflation factor，VIF）均小于5，这表明不存在多重共线性。在合作结构方面，本文进一步基于作者单位原始文本将机构识别为高校、科研院所、企业、政府及其他4类。结果显示，样本中纯高校合作占比最高（44.12%），其次为政府及其他机构（21.45%）和科研院所（14.93%），包含企业机构的论文仅占5.04%。不同机构性质组合的分布差异表明，单一的单位数量指标难以充分刻画合作结构的全貌；鉴于机构类型扩展面板与主回归面板在样本口径上略有差异，本文将其作为描述性补充，主回归仍沿用原始总面板。
表2 变量描述性统计

Table 2 Descriptive statistics for variables

变量 观测数 平均值 标准差 最小值 最大值 相关性
1 2 3 4 5 6 7 8
1.跨学科性 124 746 0.09 0.233 0 3.103 1.00
2.学科数量 124 746 1.42 0.624 1 5 0.55 1.00
3.期刊影响因子 124 746 3.78 3.995 0.155 21.328 0.14 0.11 1.00
4.期刊年发文量 124 746 325.80 231.150 20 850 -0.11 -0.12 -0.31 1.00
5.关键词数量 124 746 4.37 1.658 1 23 -0.03 -0.02 -0.04 0.08 1.00
6.基金数量 124 746 1.13 1.497 0 27 0.17 0.16 0.29 -0.18 -0.07 1.00
7.合作成员 124 746 2.10 1.426 1 27 0.08 0.11 0.11 -0.07 -0.02 0.34 1.00
8.机构数量 124 746 1.38 0.998 1 26 0.10 0.13 0.20 -0.15 -0.03 0.35 0.55 1.00

注：自相关系数加粗表明 p<0.01。

4.2 回归分析

表3展示了基于计量模型的实证分析结果。由于相当数量的科研合作聚焦于单个学科，它们的跨学科性被计算为0，这意味着数据中的因变量属于左侧受限数据，因而选择Tobit模型进行回归分析。需要强调的是，由于遗漏变量和内生性的问题，本文计量分析的目的在于考察合作组织特征与知识成果跨学科性之间的规律性关联，而非建立严格意义上的因果效应；结论的解读应以相关关系为准，不宜作过强的因果推断。在模型设定方面，本文采用逐步回归策略，依次将合作成员、机构数量、基金数量及其平方项引入模型，并在纳入全部解释变量的模型（5）中同时加入年份固定效应与期刊固定效应，以控制宏观时间趋势及不同期刊在稿件类型和学科偏好上的异质性影响，从而有效缓解潜在的遗漏变量偏误。
表3 跨学科性在组织规模、合作规模和基金数量上的Tobit回归

Table 3 Tobit regression of interdisciplinarity on organizational size，collaboration scale，and number of grants

变量 （1） （2） （3） （4） （5）
系数 系数 边际效应 系数 边际效应 系数 边际效应 系数 边际效应
学科数量 0.201*** 0.545*** 0.152 0.548*** 0.153 0.543*** 0.152 0.518*** 0.146
(0.001) (0.002) (0.002) (0.002) (0.002)
影响因子 0.004*** 0.006*** 0.002 0.006*** 0.002 0.004*** 0.001 0.049*** 0.014
(0.000) (0.000) (0.000) (0.000) (0.005)
期刊年发文量 0.000*** 0.000*** 0.000 0.000*** 0.000 0.000*** 0.000 0.000*** 0.000
(0.000) (0.000) (0.000) (0.000) (0.000)
关键词数量 -0.001*** -0.003*** -0.001 -0.003*** -0.001 -0.002** -0.001 -0.003*** -0.001
(0.000) (0.001) (0.001) (0.001) (0.001)
合作成员 0.039*** 0.005 0.015*** 0.002
(0.002) (0.002)
合作成员×合作成员 -0.005*** -0.002***
(0.000) (0.000)
机构数量 0.036*** 0.006 0.015*** 0.003
(0.003) (0.003)
机构数量×机构数量 -0.005*** -0.002***
(0.001) (0.001)
基金数量 0.033*** 0.007 0.015*** 0.003
(0.002) (0.002)
基金数量×基金数量 -0.002*** -0.002***
(0.000) (0.000)
常数项 -0.191*** -1.060*** -1.048*** -1.035*** -1.061***
(0.002) (0.007) (0.007) (0.007) (0.007)
年份固定效应 否 否 否 否 是
期刊固定效应 否 否 否 否 是
N 124 746 124 746 124 746 124 746 124 746
Pseudo R² 0.562 0.564 0.563 0.566 0.595

注：括号内为稳健标准误；边际效应列为模型（5）的平均边际效应（Average Marginal Effect，AME）；模型（5）同时控制年份固定效应与期刊固定效应，为正文主结果；* p<0.1，** p<0.05，*** p<0.01。

4.3 结果报告

采用逐步回归的方式依次在模型中加入关键解释变量，考察其对知识成果跨学科性的影响。表3中模型（1）为基准回归，展示了控制变量对知识成果跨学科性的显著影响，可以发现文献中包含的学科数量、影响因子都显著正向影响科研成果的跨学科性，这说明知识成果的学科分布越广泛、质量越高，其跨学科性也就越强。同时发现期刊年发文量与知识成果的跨学科性显著负相关，这可以从两个方面进行解释，一方面是年发文量较多的期刊可能更倾向于接收那些比较传统的和单一学科的论文；另一方面是跨学科成果的质量往往更高，因而可能更倾向于投稿到年发文量较少的高质量期刊上。最后，关键词数量与跨学科性显著负相关，这表明文献作者添加的关键词越多，其研究成果的跨学科性反而越低，这可能是因为单一学科的知识成果研究得更加深入，因而需要添加更多的关键词标记才能准确定位。下文图4至图6均基于模型（5）（年份+期刊固定效应）的系数绘制预测曲线，控制变量取样本均值，以准确反映主模型下3个核心变量与跨学科性的非线性关系。
图4 合作规模与跨学科性之间的倒“U”型关系

Figure 4 An inverted U-shaped relationship between the scale of collaboration and interdisciplinarity

图5 外部合作规模（机构数量）与跨学科性之间的倒“U”型关系

Figure 5 An inverted U-shaped relationship between the scale of external collaboration (number of institutions) and interdisciplinarity

图6 基金数量与跨学科性之间的倒“U”型关系

Figure 6 An inverted U-shaped relationship between the number of funds and interdisciplinarity

模型（2）进一步考察了合作内部组织规模对知识成果跨学科性的影响，结果显示合作成员变量的系数显著为正，这说明内部组织规模将显著影响知识成果的跨学科性，假设H1得到了验证；合作成员的平方项系数显著为负，这同样说明内部组织规模与知识成果的跨学科性之间存在非线性关系（图4），假设H2得到了验证。根据拐点公式 - β ₁ 2 β ₂，作者规模对应的拐点约为3.95人，即在合作团队人数约为4人时跨学科性达到最大值；超过这一规模后，沟通协调成本的上升和认知摩擦的累积将对跨学科性产生抑制效应。
模型（3）考察了外部合作规模对知识成果跨学科性的影响，实证结果与前述模型类似，机构数量的系数显著为正，表明外部合作规模同样对跨学科性产生显著影响，假设H3得到验证；而机构数量的平方项系数显著为负，表明外部合作规模与其知识成果的跨学科性之间存在倒U型关系（图5）。对应拐点约为3.66个机构，即跨机构合作规模在3—4个机构时跨学科性达到最优区间；超出后协调成本激增，对跨学科性产生负向影响，假设H4得到验证。
模型（4）进一步考察了基金支持数量对知识成果跨学科性的影响，结果显示基金数量变量的系数显著为正，这说明基金支持数量会显著影响知识成果的跨学科性，假设H5得到了验证；基金数量的平方项的系数显著为负，这说明基金支持与知识成果的跨学科性之间存在非线性关系。具体来说，基金支持数量与知识成果的跨学科性之间存在倒“U”型关系，当基金支持数量过少时，知识成果的跨学科性较低；随着基金支持的增加，跨学科性也随之增长；然而当基金支持超过某个阈值时，跨学科性开始随着基金支持的增加而降低（图6），假设H6得到了验证。对应拐点约为4.20项，即基金资助数量在4项以内时对跨学科性有正向促进作用，超过该阈值后多头资助带来的汇报压力与研究边界约束将产生负向影响。
模型（5）将所有考察的变量纳入了回归模型，回归结果显示，各变量系数的显著性和正负性与其他模型相比均没有变化，这说明总体回归结果同样支持所有的假设。进一步基于模型（5）计算各变量的平均边际效应，基金数量、作者规模和机构数量对跨学科性的边际促进效应分别为0.003、0.002和0.003，均在1%水平上显著。

4.4 稳健性检验

为检验上述结论的可靠性，本文从3个维度开展稳健性检验：去极端值处理、替代口径与样本检验，以及机构类型补充回归。

4.4.1 去极端值稳健性检验

考虑到少数规模极大的合作样本可能对回归结果产生不成比例的影响，本文将样本限定在基金数量不超过6项、合作成员不超过6人、机构数量不超过4个的主分布区间内，共保留121 655篇文献，重新估计主模型。结果如表4所示，基金数量、合作成员、机构数量的一次项系数仍显著为正，二次项系数仍显著为负，3个变量的倒“U”型关系在去极端值样本中完全保持，对应拐点收窄至3.01、2.81和2.21，与主模型方向高度一致。这说明主要结论并非由极端合作规模样本所驱动，核心非线性关系在主分布区间内普遍存在。
表4 去极端值稳健性检验结果

Table 4 Results of the robustness test using outlier removal

变量 系数 标准误 结论
基金数量 0.021*** (0.003) 正向显著
基金数量×基金数量 -0.003*** (0.001) 负向显著，倒U型保持
合作成员 0.048*** (0.004) 正向显著
合作成员×合作成员 -0.008*** (0.001) 负向显著，倒U型保持
机构数量 0.031*** (0.005) 正向显著
机构数量×机构数量 -0.007*** (0.001) 负向显著，倒U型保持
观测值 N 121 655
Pseudo R² 0.601
拐点：基金/成员/机构 3.01/2.81/2.21

注：样本限定为基金数量≤6、合作成员≤6、机构数量≤4；括号内为稳健标准误；* p<0.1，** p<0.05，*** p<0.01。

4.4.2 机构类型补充回归

为回应合作结构异质性问题，本文进一步在机构类型扩展面板（N=120 348）上构建补充Tobit回归，在原有控制变量基础上加入企业参与（ h a s _ e n t e r p r i s e）和科研院所参与（ h a s _ i n s t i t u t e）两个机构类型哑变量，以检验在控制机构性质差异后核心结论是否保持稳健。结果显示， h a s _ e n t e r p r i s e系数为-0.027（ p=0.608）， h a s _ i n s t i t u t e系数为0.038（ p=0.153），两者均未达到常规显著水平，说明企业参与和科研院所参与本身对跨学科性并无显著的独立影响；同时，原有合作规模的部分非线性关系有所弱化，仅机构数量仍保留较弱的非线性特征。上述结果表明，机构性质差异构成合作结构的补充维度，但不改变本文以原始主模型作为核心结论的处理方式。此外，在替代指标口径和不同样本处理方式下，核心倒“U”型关系方向同样保持一致，结论具有较好的稳健性。

5 结论与展望/Conclusion and prospect

5.1 研究结论

本文围绕科研合作情境下知识成果跨学科性的测量与影响因素问题展开研究，基于2013—2022年62家CSSCI期刊的124 746篇合作论文，构建了基于中图分类号的中文知识成果跨学科性测量方法，并在此基础上考察了科研合作组织特征对知识成果跨学科性的影响。与主要依赖英文引文网络的既有测量思路相比，本文的方法更适用于中文文献的大规模结构化分析，同时能够在一定程度上减弱基于参考文献测量所带来的内生性影响，从而为中文情境下跨学科研究的经验分析提供可推广的测量工具。
实证分析表明，在控制年份固定效应与期刊固定效应后，科研合作的内部组织规模、外部合作规模以及基金支持数量均对知识成果跨学科性产生显著影响，说明合作组织特征是理解知识成果跨学科属性的重要切入点。进一步地，三者对跨学科性的影响均呈显著倒“U”型关系，表明合作资源的扩张并不会线性提升知识整合水平，而是存在明显的效率边界。其中，作者规模、机构数量和基金数量对应的拐点分别为3.95人、3.66个机构和4.20项基金，即适度规模的合作更有利于异质性知识的整合与转化，而当合作边界进一步扩张后，沟通协调成本、组织复杂性和任务分散压力将逐渐抵消跨学科整合的收益。
在此基础上，本文还通过去极端值处理、替代口径检验和机构类型补充分析，对主结论进行了进一步检验。结果表明，核心倒“U”型关系在不同检验条件下总体保持稳定，说明“适度最优、过犹不及”并非由特定样本处理方式所导致的偶然现象。同时，补充分析也提示，外部合作规模不仅体现为参与单位数量的变化，还涉及机构性质差异这一重要维度。这意味着，以机构数量作为外部合作规模的代理虽然具有较强的可操作性，但仍难以完全揭示合作结构的复杂性。

5.2 管理启示

本文的管理启示主要在于，跨学科知识生产的组织绩效并不遵循单纯的规模扩张逻辑，而是存在适度最优的边界条件。因此，科研管理实践的重点不应仅停留于扩大合作规模和增加资源投入，而应更加注重在适度范围内提升协同质量和知识整合效率。
首先，在科研资助配置方面，应更加重视资助组合的整合性，而非单纯增加项目数量。研究发现，基金支持数量与知识成果跨学科性之间存在倒“U”型关系，拐点约为4.20项。这说明适度的多元资助有助于为团队提供更丰富的研究资源和问题导向，但当基金来源过多时，不同项目所附带的考核、汇报和任务约束会显著增加团队的组织负担，从而削弱其开展实质性跨学科探索的能力。因此，项目管理部门在支持交叉研究时，不宜将“在研项目越多”简单视为研究能力更强的标志，而应将资助数量达到一定规模后的边际效应递减问题纳入考量，更加重视项目整合、任务归并和长期稳定支持，避免多头资助所引发的资源内耗。
其次，在跨学科团队建设方面，应坚持适度规模、明确分工的组织原则，而非片面推崇“大团队”模式。本文显示，合作成员规模的拐点约为3.95人，这表明在4人左右的团队规模下，不同成员之间更容易形成有效互补并维持较低的沟通成本；而当团队规模进一步扩大后，成员之间的协调难度、认知摩擦和责任模糊将不断上升，进而削弱跨学科整合的实际效果。因此，高校和科研机构在组织跨学科项目时，应更加重视小规模核心团队的构建，将“精干而互补”作为团队配置的重要原则；对于确需较大规模参与的项目，则应通过模块化分工、子团队协同和责任边界划分来降低组织摩擦，避免合作规模扩张演化为效率损失。
再次，在跨机构协同治理方面，应更加关注合作边界的有效性，而非简单扩大参与单位数量。研究结果显示，机构数量与知识成果跨学科性之间也存在显著倒“U”型关系，其拐点为3.66个机构。这表明适度的跨机构合作能够促进不同资源和知识背景之间的连接，但机构过多也会明显提高治理成本和协调复杂性。由此可见，科研管理部门在推动联合攻关、协同创新平台和跨机构合作项目时，不应单纯将“参与单位多”理解为合作水平高，而应更加重视机构之间是否具有真实互补关系，以及是否具备有效的合作治理机制。对于一般性跨学科合作而言，3—4个机构的协作边界可能更具组织效率；对于涉及更多单位的重大项目，则应通过牵头单位负责制、分层协商机制和明确的成果分配安排，防止跨机构合作流于形式扩张。
总体而言，本文的实证结果提示，跨学科科研治理需要从“规模导向”转向“质量导向”。无论是资助配置、团队建设还是机构协同，真正重要的并不是不断做大合作规模，而是在适度范围内提高知识整合质量和协同运行效率。

5.3 研究不足与展望

尽管本文在中文科研合作成果跨学科性测量与影响因素识别方面进行了方法拓展和经验检验，但仍存在若干不足，有待后续研究进一步完善。
一方面，本文的跨学科测量主要依赖中图分类号体系。中图分类号在中文学术论文中具有较高的规范性和普及性，为大规模文献的结构化分析提供了便利，但面对快速演化的新兴交叉领域时，分类体系仍可能存在一定程度的标注滞后。未来研究可进一步将中图分类号与文本语义识别方法相结合，构建兼具规范性与动态识别能力的跨学科测量框架。
另一方面，虽然本文进一步补充了机构类型识别分析，但目前对合作结构的刻画仍主要集中于作者数量、机构数量和基金数量等较为宏观的组织变量。未来研究可在此基础上纳入更细颗粒度的组织信息，如机构层级、区域属性、团队分工模式、作者角色位置以及合作网络结构等，从而更深入地揭示不同合作结构对跨学科知识生产的影响机制。
此外，本文当前揭示的是科研合作组织特征与知识成果跨学科性之间的经验关联规律，其优势在于识别了清晰的非线性边界，但尚不能据此直接作出严格因果判断。未来可结合科研资助制度调整、平台建设政策或重大项目组织模式变化等准自然实验场景，进一步检验合作结构变化是否会引致跨学科性提升，从而为跨学科科研治理提供更强的因果证据支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
曾粤亮, 司莉. 自由探索还是有组织科研: 跨学科科研合作的内涵、类型与特点[J]. 图书情报知识, 2023, 40(4): 81-91, 51.

Zeng Yueliang, Si Li. Free exploration or organized research: connotation, types and characteristics of interdisciplinary research collaboration[J]. Documentation, information & knowledge, 2023, 40(4): 81-91, 51.

[2]
国务院. 国务院关于全面加强基础科学研究的若干意见（国发〔2018〕4号）[EB/OL]. [2026-06-15].

State Council of the People’s Republic of China. Opinions of the State Council on comprehensively strengthening basic scientific research (State Council Document[2018]No. 4)[EB/OL]. [2026-06-15].

[3]
国务院学位委员会, 教育部. 关于设置“交叉学科”门类、“集成电路科学与工程”和“国家安全学”一级学科的通知（学位〔2020〕30号）[EB/OL]. [2026-06-15].

State Council Academic Degrees Committee, Ministry of Education. Notice on the establishment of the “interdisciplinary studies” category and the first-level disciplines of “integrated circuit science and engineering” and “national security studies” (Degree[2020]No. 30) [EB/OL]. [2026-06-15].

[4]
廖青云, 朱东华, 汪雪锋, 等. 科研团队的多样性对团队绩效的影响研究[J]. 科学学研究, 2021, 39(6): 1074-1083.

Liao Qingyun, Zhu Donghua, Wang Xuefeng, et al. A study of the impact of diversity in research teams on team performance[J]. Studies in Science of Science, 2021, 39(6): 1074-1083.

[5]
Jones B F. The burden of knowledge and the “Death of the Renaissance Man”: is innovation getting harder?[J]. The review of economic studies, 2009, 76(1): 283-317.

[6]
Wuchty S, Jones B F, Uzzi B. The increasing dominance of teams in production of knowledge[J]. Science, 2007, 316(5827): 1036-1039.

[7]
Price D J. Little science, big science... and beyond[M]. New York: Columbia University Press, 1986.

[8]
Katz J S, Martin B R. What is research collaboration?[J]. Research policy, 1997, 26(1): 1-18.

[9]
Stephan P. How economics shapes science[M]. Cambridge, MA: Harvard University Press, 2015.

[10]
唐旭丽, 李信. 科研团队多样性对学术颠覆性创新的影响研究——以人工智能领域为例[J]. 情报学报, 2023, 42(1): 43-58.

Tang Xuli, Li Xin. Effect of the diversity of scientific teams on disruptive innovation in academia: a case study in the field of artificial intelligence[J]. Journal of the China Society for Scientific and Technical Information, 2023, 42(1): 43-58.

[11]
王晓红, 金子祺, 姜华. 跨学科团队的知识创新及其演化特征——基于创新单元和创新个体的双重视角[J]. 科学学研究, 2013, 31(5): 732-741.

Wang Xiaohong, Jin Ziqi, Jiang Hua. Knowledge innovation of interdisciplinary research team and evolving features: based on innovation unit and innovation individual views[J]. Studies in Science of Science, 2013, 31(5): 732-741.

[12]
张琳, 孙梦婷, 黄颖. “跨学科悖论”: 概念界定、内涵分析及应对策略[J]. 科学学与科学技术管理, 2023, 44(2): 3-18.

Zhang Lin, Sun Mengting, Huang Ying. The "paradox of interdisciplinary": concept definition, connotation analysis and coping strategy[J]. Science of science and management of S.& T, 2023, 44(2): 3-18.

[13]
Uzzi B, Mukherjee S, Stringer M, et al. Atypical combinations and scientific impact[J]. Science, 2013, 342(6157): 468-472.

[14]
张琳, 孙梦婷, 顾秀丽, 等. 交叉学科设置与评价探讨[J]. 大学与学科, 2020, 1(2): 86-101.

Zhang Lin, Sun Mengting, Gu Xiuli, et al. A study on the establishment and assessment of inter-disciplines[J]. Universities and disciplines, 2020, 1(2): 86-101.

[15]
Chai S, Menon A. Breakthrough recognition: bias against novelty and competition for attention[J]. Research policy, 2019, 48(3): 733-747.

[16]
Lee Y-N, Walsh J P, Wang J. Creativity in scientific teams: unpacking novelty and impact[J]. Research policy, 2015, 44(3): 684-697.

[17]
D’Este P, Robinson-García N. Interdisciplinary research and the societal visibility of science: the advantages of spanning multiple and distant scientific fields[J]. Research policy, 2023, 52(2): 104609.

[18]
Nooteboom B. Learning and innovation in inter-organizational relationships[M]//Cropper S, Ebers M, Huxham C, et al. The Oxford handbook of inter-organizational relations. Oxford: Oxford University Press, 2008: 607-634.

[19]
Y-C Lo J, Kennedy M T. Approval in nanotechnology patents: micro and macro factors that affect reactions to category blending[J]. Organization science, 2015, 26(1): 119-139.

[20]
Hsu G, Hannan M T, Koçak Ö. Multiple category memberships in markets: an integrative theory and two empirical tests[J]. American sociological review, 2009, 74(1): 150-169.

[21]
Leahey E, Beckman C M, Stanko T L. Prominent but Less Productive: the impact of interdisciplinarity on scientists’ research[J]. Administrative science quarterly, 2017, 62(1): 105-139.

[22]
Fontana M, Iori M, Leone Sciabolazza V, et al. The interdisciplinarity dilemma: public versus private interests[J]. Research policy, 2022, 51(7): 104553.

[23]
张琬笛.高校学科结构的多样性及其演变研究[D]. 大连: 大连理工大学,2021.

Zhang Wandi. The diversity and evolution of the subject distribution in China and foreign top universities[D]. Dalian: Dalian University of Technology, 2021.

[24]
Stirling A. On the economics and measurement of diversity[R]. Brighton: Science Policy Research Unit, University of Sussex, 1998. (SPRU Electronic Working Paper No. 28).

[25]
Stirling A. A general framework for analysing diversity in science, technology and society[J]. Journal of the Royal Society interface, 2007, 4(15): 707-719.

[26]
Zhang Lin, Rousseau R, Glänzel W. Diversity of references as an indicator of the interdisciplinarity of journals: taking similarity between subject fields into account[J]. Journal of the Association for Information Science and Technology, 2016, 67(5): 1257-1265.

[27]
Liu Xiao, Yin Da, Zheng Jingnan, et al. Oag-bert: towards a unified backbone language model for academic knowledge services[C]// Proceedings of the 28th ACM SIGKDD conference on knowledge discovery and data mining. New York: Association for Computing Machinery, 2022: 3418-3428.

[28]
黄伟, 刘贵全. MSML-BERT模型的层级多标签文本分类方法研究[J]. 计算机工程与应用, 2022, 58(15): 191-201.

Huang Wei, Liu Guiquan. Study on hierarchical multi-label text classification method of MSML-BERT model[J]. Computer engineering and applications, 2022, 58(15): 191-201.

[29]
Zhang Yu, Jin Bowen, Zhu Qi, et al. The effect of metadata on scientific literature tagging: a cross-field cross-model study[C]// Proceedings of the ACM Web conference 2023. New York: Association for Computing Machinery, 2023: 1626-1637.

[30]
吕琦, 上官燕红, 张琳, 等.基于文本内容自动分类的跨学科测度研究[J]. 数据分析与知识发现, 2023, 7(4): 56-67.

Qi Lü, Shangguan Yanhong, Zhang Lin, et al. Interdisciplinary measurement based on automatic classification of text content[J]. Data analysis and knowledge discovery, 2023, 7(4): 56-67.

[31]
李秀霞, 邵作运. 基于参考文献中图分类号的学术期刊跨学科特征分析[J]. 中国科技期刊研究, 2023, 34(3): 364-372.

Li Xiuxia, Shao Zuoyun. Interdisciplinary characteristics of academic journals based on references' Chinese library classification number[J]. Chinese journal of scientific and technical periodicals, 2023, 34(3): 364-372.

[32]
Aldrich H E, Pfeffer J. Environments of organizations[J]. Annual review of sociology, 1976, 2(1): 79-105.

[33]
Hülsheger U R, Anderson N, Salgado J F. Team-level predictors of innovation at work: a comprehensive meta-analysis spanning three decades of research[J]. Journal of applied psychology, 2009, 94(5): 1128-1145.

[34]
Taylor A, Greve H R. Superman or the fantastic four? knowledge combination and experience in innovative teams[J]. Academy of management journal, 2006, 49(4): 723-740.

[35]
Cummings J N, Kiesler S. Collaborative research across disciplinary and organizational boundaries[J]. Social studies of science, 2005, 35(5): 703-722.

[36]
Jordan G B. Factors influencing advances in basic and applied research: variation due to diversity in research profiles[M]//Hage J, Meeus M. Innovation, science, and institutional change: A research handbook. Oxford: Oxford University Press, 2006: 173-195.

[37]
Jones B F, Wuchty S, Uzzi B. Multi-university research teams: shifting impact, geography, and stratification in science[J]. Science, 2008, 322(5905): 1259-1262.

[38]
张琳, 孙蓓蓓, 黄颖. 跨学科合作模式下的交叉科学测度研究——以ESI社会科学领域高被引学者为例[J]. 情报学报, 2018, 37(3): 231-242.

Zhang Lin, Sun Beibei, Huang Ying. Interdisciplinarity measurement based on interdisciplinary collaborations: a case study on highly cited researchers of ESI social sciences[J]. Journal of the China Society for Scientific and Technical Information, 2018, 37(3): 231-242.

[39]
Wu Lingfei, Wang Dashun, Evans J A. Large teams develop and small teams disrupt science and technology[J]. Nature, 2019, 566(7744): 378-382.

[40]
Chu J S G, Evans J A. Slowed canonical progress in large fields of science[J]. Proceedings of the National Academy of Sciences of the United States of America, 2021, 118(41): e2021636118.

[41]
周贞云, 邱均平. 中图分类号的学科应用及其可视化——以我国知识图谱研究为例[J]. 现代情报, 2022, 42(5): 3-12, 68.

Zhou Zhenyun, Qiu Junping. Discipline application and visualization of Chinese library classification number: a case study of knowledge graph in China[J]. Journal of modern information, 2022, 42(5): 3-12, 68.

[42]
Xu Fengli, Wu Lingfei, Evans J. Flat teams drive scientific innovation[J]. Proceedings of the National Academy of Sciences of the United States of America, 2022, 119(23): e2200927119.

Options
Outlines

/

〈 〉