1 引言
现代社会与科学面临气候变化、流行病、极端不平等等复杂挑战，克服这些难题需要协同、集体的努力。科学合作已成为一幅丰富的织锦，由来自不同机构、国家和专业领域的个体贡献的多样化思想线索交织而成。其中，学科多样性（Disciplinary Diversity）是复杂现代科学合作的关键方面，引发了关于团队构成的基本问题：科学团队内的认知多样性水平如何？如何测量？多样性与科学团队的绩效（如科学声望和轨迹）之间是否存在关系？这些问题催生了广泛的跨组织情境研究，尤其是在团队科学（Science of Team Science, SciTS）领域，该领域考察了科学团队的组成、动态、不同学科在团队效能中的作用，以及如何评估科学团队。
然而，现有文献存在局限性，即研究高度集中于高收入国家，且定量研究方法依赖于Scopus或Web of Science等权威文献数据库，这些数据库对中低收入国家学术成果的覆盖不够全面，从而忽视这些科学系统的独特挑战。为填补此空白，本研究旨在利用哥伦比亚官方公开的政府开放获取数据，量化哥伦比亚所有研究组的学科多样性，并分析其与科学声望和轨迹的关系。为此，研究做出四项主要贡献：一是深化对中低收入国家科学体系下团队多样性和绩效的理解；二是提供涵盖社会科学、人文学科等常被忽视领域的全国性评估；三是超越描述性案例研究，对科学团队学科多样性构成进行系统的纵向评估；四是通过使用国家规模的开源数据集，对研究组的学科多样性及其科学声誉进行全面评估。
2 相关文献
要量化学科多样性，需要一个稳健的概念框架。在团队情境中，学科多样性可定义为团队成员在技能、能力和专业知识方面的差异。关于测量的争论源于三大问题：定义缺乏共识、不同数据集结果不一致以及当代科学研究固有的复杂性。尽管如此，存在共识认为多样性可以通过三个基本特征来界定：多样性（Variety）、平衡性（Balance）和差异性（Disparity） 。多样性指在一个更广泛领域中存在的不同学科数量；平衡性指这些学科间的均衡代表程度；差异性则指各领域间的智力、认知或方法论距离。
在量化多样性指标中，DIV指标 提供了稳健的方法。该指标基于Rao-Stirling多样性指数，引入了方法论改进，其核心特点是独立评估多样性、平衡性和差异性三个组成部分，再进行整合。这种方法分离确保指标满足单调性原理，从而增强了可解释性，并解决了“双重概念”问题。DIV指标已被应用于分析中国大学的跨学科研究组合、社会科学领域的跨学科程度等方面，但其在评估科学团队和研究组内部学科多样性方面的应用仍有待探索。
此外，探讨学科多样性与团队绩效轨迹的关系，是对“多样性必然提升团队效能”假设的检验。实际上，实现有效的学科多样性是一个复杂过程，涉及成员间的深度知识整合、团队规模过大、目标错位、成员边界渗透、地理分散和高任务相互依存性等挑战。一项对615项研究的元分析发现，多样性对团队绩效方差的解释度低于1%。情境因素（如知识密集型任务）是关键调节变量。综合研究表明，尽管学术多样性有所增加，但更高的学术多样性与产生更多颠覆性创新的团队之间并无明确关联。总之，证据表明，多样性可能仅在特定的、认知要求高的情境中带来益处，并非通用的绩效增强器。
3 方法论
3.1 方法与数据
本研究采用哥伦比亚科学、技术与创新部（MinCiencias）维护的开放获取数据集，涵盖2013、2014、2015、2017、2019和2021年进行的全国评估数据，无评估年份为2016、2018和2020年。最终分析子样本包括3,575个研究组，这些组在评估期内保持了稳定的学科领域分类，且拥有至少3名来自至少2个不同学科的成员。研究组成员规模分为小型（2-5人）、中型（6-10人）和大型（11人以上）。
3.2 变量
• 科学声望与科学绩效 ：采用哥伦比亚的国家分类系统，该系统将研究组划分为A1、A、B、C和Reconocido五个等级，其中A1为最高声望等级。此等级基于研究成果产出、合作网络、对研究者培训的贡献和创新等标准，是科学绩效的代理变量。
• 轨迹 ：基于研究组等级的年际变化，定义其纵向轨迹类别。分为进步（Advancement）、衰退（Decline）、停滞（Stagnation）和波动（Volatile）。波动指没有单一主导状态，表现出不稳定性。
• 学科多样性（DIV）计算 ：DIV指标是评估研究组学科多样性的核心，由三个组件构成：
1. 多样性（Variety, VAR） ：测量研究组内不同学科的数量，相对于总样本中出现的所有独特学科的比例。
2. 平衡性（Balance, BAL） ：测量研究人员在各学科间分布的均匀度，通过计算每个学科研究人员数量的变异系数（Coefficient of Variation, CV）的倒数得到。均匀分布对应高平衡性。
3. 差异性（Disparity, DIS） ：测量组内各学科间的概念距离。计算过程包括：首先构建“组-学科”矩阵，然后计算学科间的余弦相似度，最后将相似度转换为差异性度量（1-余弦相似度）。组的汇总差异性（）是组内所有学科对间差异性的平均值。
最终，。高DIV值表示组内包含更多不同学科、研究人员分布更均衡、且学科间概念距离更大。低DIV值则相反。
4 结果
4.1 多样性趋势、等级与规模
2013至2021年间，学科多样性趋势因领域而异。医学与健康科学、工程与技术、自然科学和人文学科的中位数DIV在2021年相比2013年有所下降，而农业科学和社会科学则略有上升。按研究组等级分析，更高等级（A1和A）的组规模更大，其多样性随时间呈上升趋势，而B级和C级组的多样性则普遍下降。
然而，研究组学科多样性与国家等级的关系是非线性的，并受科学领域和团队规模调节。虽然高等级组呈上升趋势，但总体上B级组的中位数DIV最高，其次是A级和C级。因此，汇总数据并不支持更大的学科多样性必然导致更高科学声望的简单直接关联。具体模式因领域而异：在人文学科和医学与健康科学中，多样性与声望呈正相关；而在社会科学、自然科学、农业科学以及工程与技术领域，表现出更高多样性的组反而更多地出现在较低的等级中。
4.2 团队规模的作用
大型研究组在最高学术绩效等级中比例过高，这一趋势在工程与技术、医学与健康科学以及社会科学领域最为明显。尽管大型组占总数的比例较小，但它们在这些领域的A1等级中占据了显著比例。相反，小型组在数量上占多数，但集中在较低绩效等级，人文学科例外，其小型组分布在所有等级中。这反映出，规模带来的关键质量效益（如聚集社会与财务资本、专业知识以产生更多可量化成果）是声望的重要驱动力，而学科多样性在某种程度上是规模扩张的结构性产物。
4.3 轨迹与多样性
超过一半的研究组（约54%）表现为停滞轨迹，其次是波动（约22%）和进步（约18%），衰退组最少（约5%）。停滞组中包括许多成功保持高等级的研究组，体现了科学中的“马太效应”。
研究发现，处于衰退轨迹的研究组一致呈现出所有轨迹类别中最低的中位数多样性。克鲁斯卡尔-沃利斯H检验显示，不同轨迹组间的中位数DIV存在统计学显著差异。事后分析（邓恩检验）进一步揭示，进步轨迹组的DIV与波动轨迹组在统计上相似。这表明，取得重大科学声望的过程与一种不稳定的多样性结构相关。相反，停滞或衰退状态则与更具刚性或特定的多样性结构相关。尽管如此，轨迹对DIV分数方差的解释度小于1%，效应量很小。
5 讨论与结论
本研究对哥伦比亚研究组学科多样性与科学声望的关系进行了全国性、纵向分析。主要发现挑战了“多样性越高，绩效越好”的简单假设，表明两者的关系是非单调的，且受到团队规模和广大学科领域的共同调节。
在政策层面，鉴于低多样性始终与等级衰退的研究组相关，哥伦比亚决策者应考虑在评估标准中纳入学科多样性指标。然而，必须谨慎解读。多样性与声望的关系效应量小，且非单调，意味着“多多益善”的简单政策是误导性的。更细致的做法应是激励特定于领域的最优 多样性水平，以降低衰退风险，并鼓励跨学科合作，从而帮助国家研究格局从当前的增量式焦点转向更具变革性、高风险的事业。
从团队科学（SciTS）的角度，研究揭示了在资源受限的新兴经济体环境中，规模带来的资源缓冲对于发挥认知异质性优势至关重要，而小型组可能面临“协调惩罚”。此外，进步组与波动组共享相似的多样性结构，表明科学声望的获取过程本身伴随着不稳定性，这背后的深层机制（如沟通、冲突管理、领导力、资助压力等）值得未来研究深入探索。未来的研究方向可包括：考察驱动高多样性研究组动态的潜在机制；对进步与波动组进行长期追踪，以识别导致持续成功与不稳定性的因素；以及更精确地模拟多样性与声望间的非线性关系，以识别“临界点”。
局限性 ：研究依赖哥伦比亚的官方分类数据，可能无法完全捕获研究质量的所有维度。DIV计算基于研究人员的学科分类，而非实际的知识整合过程。此外，研究未考察团队内部动态（如领导力、沟通）等对多样性效应的重要调节因素。尽管如此，这项全国性研究为理解新兴经济体背景下学科多样性的功能角色提供了宝贵的实证基础，强调了背景敏感、领域特定的科学政策对于构建整合性与变革性研究体系的重要性。
打赏
