专业化策略在社会学职业生涯中的回报

原创 李悦 韩思齐 定量群学

原文链接

https://journals.sagepub.com/doi/10.1177/00031224211056267#bibr43-00031224211056267

导读

为了研究美国社会学博士生如何通过专业化策略获得学术界认可、促进职业发展，本研究收集了80,000多篇来自美国大学的社会学有关的博士论文，以及毕业生的出版物数据。本研究采用了结构主题建模分析了学生专业化的不同方面——主题选择、集中性、新颖性和一致性，将职业生涯早期阶段使用的专业化策略与学术职业成功——以成为一名导师为指标——联系起来。事件史模型显示，特定的研究主题选择和新颖主题的组合对成为导师有积极的影响，而主题的集中性则没有显著影响。与文化转向、方法或种族有关的论文与导师资格具有联系。学生的博士论文和出版物的主题一致性对成为导师的机会也有很大的积极影响。然而，对于高产的学者来说，一致性的回报是递减的，这个发现为学术生涯中众所周知的“不发表就出局”论调增添了复杂性。

问题的提出

社会学有着多元的研究范式、流派和观点。在20世纪，尽管社会学未能统一范式，但仍有许多学生选择了这门学科。事实上，20世纪90年代以来，美国社会学博士数量稳步增长，接近了前所未有的高峰。为了适应拥挤的学术市场，年轻社会学者采取高度专业化的写作策略，他们的研究兴趣越来越狭隘，加剧社会学的碎片化。博士学位论文是学者一生中最具决定性的文本之一，它标志了学者的职业生涯的方向和感兴趣的研究领域，是年轻学者采取专业化策略的场域，却较少得到研究者的关注。成为导师是专业化策略成功的重要方面，正是通过导师的聘任，学者们招募盟友加入自己所处的研究领域，或赋予某个新兴研究领域以合法性。然而，在科学社会学研究中，许多学者将高水平奖项、更高薪水、高影响力的论文发表作为学术职业成就的关键点，成为导师作为一种职业成就在文献中却不受关注。为了分析社会学博士生的专业化过程，本研究通过使用结构主题模型（STM）分析了1980年至2015年美国社会学的博士论文中的专业化策略，即博士论文的主题选择、集中性、新颖性和学术发表的一致性，与成为社会学导师之间的关系。

数据和方法

（一）数据

该研究基于ProQuest博士论文数据库，收集了从1980年到2015年的八万多篇与社会学相关的美国博士论文，即标题、摘要、关键词或部门中含有词干“sociol”的所有论文（N = 82,363）。这些数据包括每篇论文的摘要、标题、研究生姓名、导师姓名、机构隶属关系和学科，涵盖了12个学科、275个美国大学机构。该研究还在Web of Science数据库匹配了每个博士的出版物数据，共计18,548名学生的140,746篇文章。此外，该研究通过将名字与社会保障局和美国人口普查数据相匹配来预测学生的性别和种族。

（二）分析方法

该研究采用结构主题模型（STM）分析论文摘要的主题结构。在进行基本的文本数据清洗后（词干化处理、去除停顿词），研究人员通过三步法（three-step approach）确定了模型合适的主题数量（k）。随后，作者将主题比例建模为时间协变量的函数，从而描述了平均主题比例随时间变化的趋势。作者构建了自变量专业化策略的四个指标（主题选择、集中性、新颖性、一致性），并使用事件史分析（EHA）来模拟从博士毕业到第一次成为导师的时间，以及这个过程如何受到专业化策略的影响，并控制社会属性和绩效（性别、种族、母校声望、出版物）的影响。为了说明随时间变化的风险率（hazard rate），作者比较了事件史分析中最常用的五种分布形式，结果发现Weibull分布提供了最佳的模型拟合。最后，作者进行了多项稳健性检验，确保结果不依赖于构建指标或配置回归时的具体选择。

研究发现

（一）社会学论文中的热门话题

为了判断合适主题数量（k），作者计算了语义连贯性和排他性（Mimno et al. 2011; Roberts et al. 2016）[1]，并采用了Mark Newman (2003)[2]的网络同配性（network assortativity）的方法，将主题数量确定为60；最后，作者通过TopicCheck（Chuang et al., 2015）的方法检验了主题的稳健性[3]，发现大多数主题都是稳健的，k的选择不会改变整个语义空间。在确定主题数量后，STM提供了两个输出列表矩阵：第一个是主题列表，每个主题包含了与之关联单词，这些单词按照FREX值进行排序，即一个词的权重是它在一个主题的频率（FR）和排他性（EX）方面的排名的谐波均值（harmonic mean）。第二个是文档-主题矩阵θ，它将文档总结为多个主题比例的向量，这些主题比例代表了每个主题与给定论文之间的关联强度。

由于一些主题组合在许多论文中频繁出现，作者将其可视化为主题关系网络（见图1）。该网络表明，“方法论”是学生组合主题的结构原则。例如，定量方法（T40）往往和教育主题（学校，学生，职业生涯，高等教育，知识）联系在一起。意见（T36）和量表（T4）也被发现有紧密的联系。“建模”（modeling，T50）及其相关词汇（model, contextual, theoretical_model, causal, explanation）在这个主题网络中占据着桥接（bridging）位置。

图1. 1980年至2015年社会学论文中的主题共同使用网络

随后，作者使用每个主题曲线的线性回归的斜率来捕获主题流行率，并描绘了1980年至2015年美国社会学最热门和下降最明显的20个主题（见图2）。在35年间，学生们对与文化转向（T2身份，T40定性方法，T58种族）相关的话题越来越感兴趣，然而，与理论（T25）和调查方法（T14和T36）相关的主题普遍呈下降趋势。理论在如今似乎已经成为研究生进行实证研究的辅助工具，而不是一种独立的认知方式。

图2. 1980年至2015年社会学主题的明显趋势

（二）选题与成为社会学导师的关系

博士生在学位论文中采用不同的理论、主题和方法是进入学术社群和争取同行认可的方式，不同主题往往具有不同的专业回报和职业前景。作者分析了论文的特定主题，亦即一篇学位论文中最有特色的主题，标准为其主题荷载应该大于其他大多数文章中该主题的荷载。作者采用了基于阈值的衡量标准：如果文献d中某一主题i的主题荷载（θdi,t）大于该主题在前一年所有论文中的75%到90%（

），那么该主题就是该文章的特定主题选择。经过事件史分析，研究发现有五个特定主题选择在75%到90%的阈值上显著地影响成为导师的职业机会（p < .001），包括身份、方法（建模）、种族（非裔美国人）、方法（调查/量表）、健康，其中前三种主题显著增加成为导师的机会，后两个则会显著减少职业机会。

（三）论文主题集中性、新颖性和一致性与成为社会学导师的关系

作者试图通过分析论文主题的集中度和广度，来探究专家还是通才拥有更加成功的职业生涯。论文主题的集中度是通过计算某篇文章的θ矩阵上的离散概率分布的赫芬达尔（Herfindahl）指数来衡量的。赫芬达尔指数的计算方法是将学位论文中所有主题k所占比例的平方相加，即

这个指标的范围是0到1；数值越大，说明一篇学位论文越集中于较窄的主题。然而，事件史分析并没有发现论文的集中性会显著影响成为导师的机会（p< .05）。

论文的新颖性是指论文在多大程度上引入了与先前论文相比更为罕见或独特的主题组合。为了衡量主题组合的新颖性，首先将每篇文章中主题比例最高的两个主题赋值为1，其他为0，窗口为前三年的数据（数量为n），包含主题A和主题B的文章数量分别为a和b，这两个主题结合的预期比率为r=ab/n，论文新颖性为1-r。新颖性越接近1，说明新颖性越高。研究发现在所有模型中，博士论文包含新颖主题的学生成为社会学导师的机会要高出近10%（p< .001）。

一致性指标反映了博士对学位论文研究主题的持续关注，以及研究身份和兴趣的连贯性。作者采用自然语言处理的余弦相似性（cosine similarity）来衡量博士论文和出版物的主题一致性。本文发现具有研究一致性的学者更有可能成为导师（p< .001）。此外，一致性与生产力有显著的交互效应（p< .001）。在一致性水平较低的情况下，高生产率会降低导师的可能性；换句话说，急剧转变研究身份并不会得到职业回报。相比之下，只有发表少量主题角度一致的论文，才更有可能获得导师职位。

研究讨论

科学社会学和科学学（science of science）为学术界提供了一个更全面的鸟瞰图。这些领域的关键问题是：学者如何推动科学进步，实现学术职业发展？虽然社会科学并非是科学社会学最受关注的领域，但社会学领域长期存在着关于专业化的争论。一方面，专业化是应对高度竞争的学术市场的必要策略。另一方面，专业化也是造成学科分裂的原因。这篇文章将专业化策略分解为不同方面（特定主题、集中性、新颖性和一致性），通过结构主题建模来衡量他们，并捕捉在博士生在职业早期阶段的专业化策略与学术界的长期成功之间的关系，从而提供了一个适用于不同学科领域的“专业化”分析框架。

关于学术专业化的研究有诸多值得关注的前景。研究者可以继续探索不同学科领域的专业化策略对职业前景的影响，以及其他学科领域是否也存在“文化转向”的知识运动。除了关注专业化和学科领域再生产以外，研究者还可以探索学者获得跨学科教职的过程，从而了解学术体系的流动模式。政府和产业界对学者的需求和影响，可能导致学者寻求不同的专业化形式。最后，作者也呼吁将专业化嵌入到更加广泛的时空中，本科教育、家庭生活、行政职务和社会活动都将对长期职业成果产生影响。

参考文献

[1] Mimno, D., H. M. Wallach, E. Talley, M. Leenders, and A. McCallum. 2011. “Optimizing Semantic Coherence in Topic Models.” Pp. 262–72 in Proceedings of the Conference on Empirical Methods in Natural Language Processing. Edinburgh, UK.

Roberts, Margaret E., Brandon M. Stewart, and Edoardo M. Airoldi. 2016. “A Model of Text for Experimentation in the Social Sciences.” Journal of the American Statistical Association 111(515):988– 1003

[2] Newman, Mark E. 2003. “Mixing Patterns in Networks.” Physical Review E 67(2):026126.

[3] Chuang, Jason, Margaret E. Roberts, Brandon M. Stewart, Rebecca Weiss, Dustin Tingley, Justin Grimmer, and Jeffrey Heer. 2015. “TopicCheck: Interactive alignment for assessing topic model stability.” Pp. 175–84 in Proceedings of the 2015 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies.

导读人丨李悦 韩思齐

编辑丨魏言伊

原标题：《专业化策略在社会学职业生涯中的回报》

阅读原文