在計算機科學(xué)領(lǐng)域， CSRankings 曾被視為一次劃時代的改進(jìn)。它摒棄了早期諸如 USNews 那樣依賴調(diào)查問卷的主觀排名體系，轉(zhuǎn)而以論文發(fā)表數(shù)量這一客觀指標(biāo)來評估各大學(xué)的科研實力。

然而，理想往往伴隨著隱憂——當(dāng)論文發(fā)表數(shù)量成為唯一的標(biāo)準(zhǔn)，學(xué)術(shù)評價異化為一場比拼篇數(shù)的競賽。論文越多，排名越高；但數(shù)量的增長，真的代表質(zhì)量的提升嗎？近年來，有越來越多的個人和機構(gòu)視論文為數(shù)字游戲，動輒一年發(fā)表數(shù)十篇論文并廣為宣傳。然而，發(fā)表的論文數(shù)量真的可以代表個人或者機構(gòu)的學(xué)術(shù)影響力嗎？

從「發(fā)得多」到「影響深」

科研領(lǐng)域多年以來一直希望評價學(xué)術(shù)影響力。因此，我們有了影響因子，有了 Google Scholar。然而，只數(shù)論文引用的數(shù)量帶來了其它的問題，例如，論文中經(jīng)常會有很多并非對當(dāng)前工作很重要的引用。

同時，有些類型的論文會有較高的引用數(shù)量，但是并不一定代表其學(xué)術(shù)價值。比如，綜述文章經(jīng)常被引用，但并不總意味著此綜述是本論文的必要基石。或許某個前置工作（算法，模型， codebase， etc）才是本論文能完成的前提。

一個關(guān)鍵問題是：如何拋開發(fā)表數(shù)量和引用數(shù)量，來真正衡量科研的「質(zhì)量」？

我們認(rèn)為答案可能來自兩個方向：

• 真正懂的人——同領(lǐng)域研究者的集體判斷；
• 足夠聰明的算法——能夠從海量論文中提取這些判斷。

其實，真正在每一個領(lǐng)域中的研究者，寫論文的時候已經(jīng)在他們的論文里或明確或暗含地揭示了哪些論文是領(lǐng)域中真正重要的文獻(xiàn)。

但這種「重要」往往是雙重的：它既包含作者在寫作時主觀認(rèn)可和強調(diào)的前置工作（比如綜述幫助了信息獲?。?，也包含那些在技術(shù)上或思想上奠定了客觀基石的工作。前者蘊含在寫作中，而后者更是要結(jié)合技術(shù)背景來捕捉。

然而，這些信息隱含在海量的論文中，光靠人力是無法讀完所有文獻(xiàn)，將這些信息提取出來的。

基于這一思路，俄勒岡州立大學(xué) (Oregon State University) 和加州大學(xué)圣 CRUZ 分校 (University of California Santa Cruz) 的學(xué)者構(gòu)建了一個全新的學(xué)術(shù)排名系統(tǒng)：讓大語言模型讀出學(xué)者們心中對論文影響力的評價。

網(wǎng)頁：https://impactrank.org/

用 LLM 追蹤「被引用的靈魂」

學(xué)者們選用了 DeepSeek-R1-Distill-Llama-8B 大語言模型，讓它閱讀來自 2020-2025 年頂級 AI 會議的論文，并提出一個簡單的問題：

「這篇論文認(rèn)為對它最重要的 5 篇參考文獻(xiàn)是什么？」

換句話說，讓 AI 來幫我們閱讀參考文獻(xiàn)，找出哪些研究是當(dāng)今學(xué)術(shù)論文背后的靈魂。

通過反復(fù)分析數(shù)萬篇論文，我們就能描繪出整個 AI 研究版圖中，哪些作者、哪些論文、哪些機構(gòu)最常被視為創(chuàng)新的根基。

從論文到機構(gòu)：影響力的鏈路

接下來，學(xué)者將所有論文找到其在 DBLP 中匹配的論文和作者，防止 AI 產(chǎn)生幻覺生成不存在的參考文獻(xiàn)。然后再將這些「Top 5 關(guān)鍵參考文獻(xiàn)」的作者映射回其所在的大學(xué)。

每當(dāng)一篇論文被另一篇新論文選為「Top 5 關(guān)鍵參考文獻(xiàn)」，該論文的作者及其機構(gòu)便會獲得相應(yīng)的學(xué)術(shù)影響力積分。為了公平起見，積分會平均的分配給每個作者。

一種全新的科研排行榜

最終，學(xué)者們得到了一個不以數(shù)量取勝，而以影響力見長的排名體系。

它獎勵那些激發(fā)新發(fā)現(xiàn)、奠定研究基石、推動學(xué)科前行的研究機構(gòu)。

這種方式，讓我們看到的不再是「誰發(fā)得最多」，而是——

「哪些論文真正的影響了領(lǐng)域的發(fā)展。」

檢視 CSRanking 和 Research Impact Ranking，我們發(fā)現(xiàn)，他們有非常大的區(qū)別。如 Computer Vision 領(lǐng)域：

AI Research Impact Rankings:

自然語言處理領(lǐng)域：

AI Research Impact Ranking:

是否該讓 AI 幫助我們，重新定義科研的「質(zhì)量」？專業(yè)讀者們覺得哪個排名更符合您心中的觀點？