Долгое время оценка эффективности науки выстраивалась на привычных наукометрических показателях, но сегодня этот подход вызывает вопросы. Цитирование статей, написанных нейросетью, не может служить показателем результативности исследования, а реальному сектору важнее оценка перспективности внедрения научной идеи в производство, нежели то, сколько ученых её обсудили. Возникают претензии к точности классификации периодических изданий по отраслям науки. Кроме того, появляются исследования на стыке областей знания или в таких сферах, у которых пока нет даже названий, не то что журналов. Все эти вызовы приводят к поиску новых подходов к оценке научной результативности.

Как отметил академик РАН Алексей ХОХЛОВ, традиционные наукометрические методы продолжают использоваться для оценки эффективности науки, но в современных условиях, особенно в связи с широким проникновением искусственного интеллекта (ИИ) в науку и, в частности, в написание статей, подходы должны меняться:

— Нельзя слепо следовать наукометрическому подходу. Нужно более внимательно анализировать то, что делает исследователь, подключать интерактивные формы оценки. Прежде чем выдавать крупный грант, необходимо встретиться с человеком, пообщаться с ним, фактически провести собеседование.

В научном мире распространено мнение: в ближайшем будущем наличие большого количества статей перестанет быть приоритетом и начнёт считаться недостатком.

Алексей Хохлов полагает, что всё зависит от того, за какое время выпущены эти публикации.

— Обычно если у человека много статей, то у него длинная карьера, он выступает на разных конференциях, его знает профессиональное сообщество. А вот когда кто-то за два года выходит в топ-1% мировых исследователей по цитированиям, это заставляет задуматься. Уже появляются метрики, которые пытаются вычислить таких неожиданных «выскочек» и оценить, что они из себя представляют, — подчеркнул академик.

Научный руководитель АО «Антиплагиат» Борис ТХОРИКОВ обозначил новые вызовы, с которыми сталкивается информационная сфера. Объём контента растёт, уже невозможно обрабатывать этот поток и сопоставлять данные с результатами прошлых лет вручную. Нейросети способны генерировать практически безграничный наукообразный контент достаточно легко и недорого. Кроме того, существует риск ошибочных интерпретаций: исследователь может принять вывод ИИ за проверенный результат.

— Любая единица научного контента, будь то статья или отчёт по НИОКР, является скомпрометированной: там может содержаться или умышленная ошибка, или случайная. Практическое использование научных результатов требует доступа не только к их описанию и индикаторам, но и к данным, на которых они основаны, — отметил эксперт.

Следующий шаг научной аналитики — переход от анализа текстов и показателей к анализу исследовательских данных, считает он. Необходимо работать с содержанием исследования, а не с его формальными проявлениями. Задача ИИ будет состоять в том, чтобы обобщить, систематизировать, распределить по межотраслевому признаку первичные исследовательские данные. Это даст новый практический эффект: бизнес получит не разрозненные сведения о том, что происходит в интересующей его сфере, а достоверные данные, которые могут быть интегрированы в технологические решения. Если первичные данные будут распределённо храниться в университетах, а нейросеть получит к ним доступ, то качество и результативность исследований станут выше.

Ещё одно перспективное направление, по мнению эксперта, — студенческие дипломы. Ежегодно защищаются тысячи ВКР, среди которых есть новые темы, локальные эмпирические массивы и оригинальные постановки задач на базе конкретных предприятий.

— Студенческие работы — большой массив материалов, который почти не подвергается аналитической обработке. Если согласиться с тезисом, что 10% патентов определяют 90% рынка, то в этом году 10% выпускников определят будущее науки на десятилетия вперёд. Чем раньше обнаружить этих «звёзд», помимо конкурсов ВКР, тем быстрее можно способствовать развитию перспективных направлений, — подчеркнул Борис Тхориков.