基金项目计划学部交叉及对前沿分布的影响研究——以美国NSF数据中AI领域为例

范丽鹏 ，王曰芬 ，，岑咏华 ，杨 洁

（1.南京理工大学经济管理学院，南京 210094；2.天津师范大学管理学院，天津 300387；3.天津师范大学大数据科学研究院，天津 300387）

1 引 言

政府基金资助是国家对科学基础研究的重要支撑力量，代表着国家对科学发展的政策引导[1]。国家基金项目中的研究内容往往具有前瞻性、先导性和探索性等特点，蕴含着大量的研究前沿信息[2]。基金中的项目计划是国家对科研工作的宏观部署，代表着学科领域研究的重点与方向，在一定程度上能够更早地指引科研工作者对特定学科领域前沿进行探索[3-4]。因此，研究世界科技强国通过基金对学科领域项目计划的资助情况，有助于了解学科领域发展的世界潮流，同时把握领域研究的热点与趋势，对于国家政府科技政策的制定和领域发展的部署具有指导性意义。

另外，随着社会经济的发展，传统学科不断分化出新的分支，在单一学科继续深化的同时，面对复杂社会问题和技术创新，往往需要学科间的交叉融合来共同解决。学科交叉研究通常意味着创新与进步，在促进社会经济和科学技术发展中发挥着重要的作用。测度学科交叉并识别学科交叉领域研究的前沿热点，有助于科研工作者和相关部门把握学科交叉领域发展的研究方向与演化趋势，进而为制定与调整学科领域重点、布置与优化科技发展规划等提供决策参考。目前，世界各国已将资助学科交叉研究放在重要的战略位置上[5-6]，例如，在美国国家科学基金会（National Science Foundation，NSF）资助的项目中，学科交叉性项目的研究具有一定的优先权，并且该机构鼓励跨学部项目的发展[7]。

美国NSF 共设有7 个科学部和若干办公室，每个学部及办公室均下设分部，同时每个分部又资助和管理着若干项目计划，这些项目计划的资助实施划分为所有部门可参与、两个或以上学部可参与，以及单一学部可参与，且所有项目计划均由国家根据社会发展的需求随着时间进行战略调整，以引领特定领域的前沿研究。那么，各学部不同程度参与的项目计划与单一学部参与的项目计划之间有着怎样的差异性？是否学部交叉程度越高的项目计划国家资助力度越大，学者参与度越高？前沿型的项目计划与学部交叉程度之间又有着怎样的关联？这些是对美国NSF 基金项目进行深入研究中值得探索的问题。

在交叉融合研究领域，学者多以学科为研究对象，且已提出较为成熟的学科交叉测量指标。基于此，本文在融合学部多样性与学者参与均衡性的基础上，将学科交叉指标引入项目计划的学部交叉度测量中，并结合符合基金数据特征的前沿识别指标，通过分析项目计划的学部交叉程度及其对前沿型项目计划分布的影响，探究国家项目计划的战略布局与资助强度趋势及学者参与程度之间的差异性，有利于基金会从宏观角度把控资金的投入，同时为其他国家基金投入的战略布局提供借鉴。

2 相关研究工作

2.1 学科交叉

学科交叉研究一直是科学计量关注的研究内容，而今正在成为学术研究的热点，其中根据什么属性与采用哪些指标测度学科交叉是进行相关研究的关键。在现有研究中，许海云等[8]对现有的学科交叉计量指标进行了归纳分析，将现有的学科交叉性测度属性分为两种：学科多样性和学科聚合性；其中，学科多样性描述了多学科的统计特征，学科聚合性描述了多学科的网络特征。在学科多样性测量指标上主要采用的是布里渊指数[9]、citations outside category （COC） 指 数[10]、 Rao-Stirling 指 数[11]等。其中，布里渊指数考虑的是学科类别数目和学科分布的均匀程度；COC 指数考虑的是学科的平衡性；Rao-Stirling 指数则在布里渊指数的基础上，增加了学科间距离的度量指标，综合考虑了学科类别数目、学科分布均匀度和学科间的差异性。由此，Rao-Stirling 指标被广泛应用于测量学科交叉度的多样性属性。例如，Leydesdorff 等[12]基于Rao-Stirling指数针对专利数据开展技术成长过程中的技术多样性研究；韩正琪等[13]基于Rao-Stirling 指数针对文献数据开展基于单篇文献的学科交叉程度研究，并通过文献的学科多样性程度识别特定领域的高交叉类文献。

目前，针对学科交叉的多样性研究多集中于专利数据和科技文献，面向基金数据的研究较少，原因之一可能是基金数据中没有明确的学科信息。在基金数据中，单一学部往往管理着多个学科，项目计划的多学科信息被隐含在数据中。因此，如何计算基金项目计划的学部交叉度是本文解决相关问题的前提。基于项目计划特征的信息表达，本文拟采用学科交叉度计量指标来衡量项目计划的学部交叉水平，并运用Rao-Stirling 指数从学科多样性角度来测度。

2.2 前沿识别

近年来，学者们对学科领域前沿研究已提出一些有效的识别方法，并以应用于科技论文和专利数据源中为主，如社会网络分析法、突变词检测法、构建前沿判别指标等。例如，Liu 等[14]基于引文分析方法对500 篇高被引论文构建共引网络，然后结合时间序列聚类识别研究前沿；Li 等[15]将突变检测术语与共词分析法相结合，对其进行关联规则挖掘以探测学科领域的研究前沿；Wang 等[16]提出通过增长性、新颖性、科学影响力、连贯性等指标识别新兴研究前沿。

在面对基金项目数据源时，学者们将基金项目数据自身的特征与前沿判别的指标方法相结合进行研究。例如，徐路路等[17]基于DTM 模型（dynamic topic models）对NSF 基金项目数据进行主题抽取，将主题强度、资助时长、资助强度等指标应用到主题的时序变化中，并根据发展周期将主题划分为新兴主题、热门主题、衰老主题以及潜在新兴主题等；王效岳等[2]基于PLDA （parallel latent Dirichlet allocation）模型提取基金项目主题，并结合主题资助时间、资助强度和中心性指标识别基金数据中的前沿型主题；刘博文等[18]综合基金数据和论文数据的特征，提出主题强度、主题新颖度和主题相似度指标来识别判定前沿型主题；刘自强等[19]借鉴目前针对科技论文的前沿判别指标，构建基金数据和论文数据共同适用的前沿型主题判别指标，即新兴度和关注度指标。

在现有的前沿识别指标中，面向的对象常为项目标题和摘要中的关键词。基金的项目计划作为国家对学科领域研究主题的总体部署，是项目申请的主要指导方向，代表着对特定领域的专题性研究方向。因此，本文将借鉴已有的关键词前沿识别指标，以项目计划为研究对象，结合其自身的外在属性特征，构建适用于项目计划的前沿识别指标。

3 研究设计与方法

3.1 研究分析框架

为分析基金项目计划的学部交叉程度对其资助及前沿型项目计划分布的影响，本文的研究设计框架如图1 所示。一方面，通过不同学部交叉程度的项目计划的资助强度和资助趋势的对比分析，探究国家对不同交叉程度项目计划的重视程度及学者的参与程度；另一方面，通过对比不同交叉程度的项目计划的前沿分布差异性，探究学部交叉程度对前沿的影响。

在基金数据中，学部与项目计划的关系如表1所示[20]。由表1 可知，一个项目由单一学部资助，但同时涉及一个或多个项目计划，学部与项目计划为多对多关系，即一个学部可资助多个项目计划，同时一个项目计划可由多个学部共同资助。项目计划为基金项目申请的具体方向，能够从宏观角度探究美国在学科领域的政策布局和方向部署。学部作为学科的管理层，蕴含着对差异较大的不同学科的侧重。学部交叉度越高的项目计划，预示着该项目计划为更基础的或更复杂的研究。

表1 基金学部与项目计划数据解析[20]

3.2 研究方法

3.2.1 学部交叉度及其计量指标

本文将项目计划的学科交叉度界定为项目计划学部交叉的多样性程度，并借助多样性（Variety）、平衡性 （Balance） 和差异性 （Disparity） 3 种属性来测度[21]。本文将多样性界定为单个项目计划涉及的学部个数，平衡性界定为项目计划在各学部之间项目数目的均匀程度，差异性界定为学部在各项目计划之间项目数目分布的差异程度。Rao-Stirling 指数综合了上述3 种属性，不但能度量某个学科领域项目计划的学部分布特征，同时也能考量学部之间的差异性，还能通过项目计划申请的项目数目体现一定程度上学者在不同学部参与的均衡性。因此，本文采用该指数，并将测量的公式表示为

其中，v表示项目计划涉及的学部数目；pi表示项目计划在学部i中涉及的项目数目；dij表示学部i和学部j之间基于项目计划涉及的项目数目的余弦距离。具体地，Variety 为项目计划涉及的学部数目，该指标越大，表示项目计划涉及的学部数目越多，其学部交叉性越强；Balance 为各学部资助该项目计划项目数目的均匀程度，在指标中融入项目数目的计算，体现了不同学者在同一项目计划中各学部参与的均衡程度（项目数目与学者参与度成正比），该指标越大，表示项目计划的项目数目在各学部中分布越均衡，其学部交叉性越强，学者在不同学部之间的参与也越均衡；Disparity 为学部之间的差异性，该指标越大，表示学部间的差异度越大，涉及该学部的项目计划学部交叉性越强。Rao-Stirling 指数综合表示了项目计划涉及的各学部的差异，其值越高，表明交叉性越强。

3.2.2 前沿型项目计划识别指标

在基金数据中，不同项目计划有着不同的资助时长，且部分项目计划的资助金额随时间呈递增趋势，而部分项目计划却呈现递减趋势。因此，本文基于现有前沿型主题的探测方法并结合基金项目计划的特性，将资助趋势融入前沿识别指标中，并提出结合资助强度和资助趋势两种指标来判别前沿型项目计划。

（1）资助强度指标：项目计划投入的资助金额越高，表明政府对该项目计划越重视，其前沿价值越高。为消除资助时长和年份的影响，取年平均资助金额作为资助强度指标。

（2）资助趋势指标：项目计划的资助金额若随时间呈现递增趋势，则表明政府在某个学科领域对该项目计划保持持续高涨的热度；若呈现递减趋势，则表明该项目计划在学科领域的关注研究热度呈现衰退趋势。为更好地表示增减趋势，本文采用线性回归模型，将项目计划的资助金额与年份之间的回归系数作为资助趋势指标。

资助强度和资助趋势两种指标的相互结合，不仅能够表明项目计划的受重视程度，还能预测其未来的资助走势。为了辅助前沿型项目计划的判别，将资助强度和资助趋势两种指标进行交叉组合，构建战略坐标图（图2），其中，x轴表示资助强度，y轴表示资助趋势，坐标轴交点表示判别阈值。由此，将项目计划划分为潜在型、前沿型、热点型和衰退型4 种类型。

由图2 可见，潜在型项目计划资助强度较低，资助趋势呈上升态势，表明该类项目计划处于萌芽阶段，受重视程度较低，但蕴含发展趋势；前沿型项目计划资助强度较高，资助趋势呈上升态势，表明该类项目计划处于成长阶段，受重视程度较高，上升发展趋势显著；热点型项目计划资助强度较高，资助趋势有下降态势，表明该类项目计划将逐步走向成熟阶段，同时会在一段时间内持续受到关注；衰退型项目计划资助强度较低，资助趋势呈下降态势，表明该类项目计划受重视程度较低，处于衰退阶段。

4 实证分析

4.1 数据来源与处理

截至2020 年，NSF 资助金额已达到830 亿美元，占联邦支持美国大学进行基础研究预算资金总额的27%[20]。其中，NSF 提供的1959 年至今的XML 数据显示，在2008—2018 年其资助总金额约631.7 亿美元，项目总数为127253 项。

本文以人工智能领域（artificial intelligence，AI）为例，采用关键词组合检索的策略，根据前期综合研究确定的418 个关键词[22]，构造检索式“"semantic analysis" or "neural network" or "support vector machine" or "machine learning"…”，在 NSF 官网上检索相关基金项目，限定基金资助时段为2008.01.01—2018.12.31（检索时间为2020 年2 月）。去重处理后，共获取42126 条基金项目数据，经人工筛选与研判后，最终得到人工智能领域基金项目数据20524 条，约占NSF 在这一时段资助项目总数的16.1%；资助金额约142.3 亿美元，约占NSF 在这一时段资助总金额的22.5%。

由于检索得到的数据与NSF 提供的XML 数据相比，缺失部分字段，本文将检索得到的项目ID与NSF 提供的XML 数据进行匹配，得到各项目详细的字段信息。每条基金数据为一个项目，本文选取的字段有AwardID（项目ID）、StartDate（生效日期）、NSFDirectorate（学部）、Program（所属项目计划）、Country（所在国家）、AwardAmount（资助金额）等。为更加准确地研究美国基金资助的项目计划的学部交叉分布情况，本文依据项目所在国家字段，删除美国以外的其他国家在NSF 申请的项目，并去除学部和项目计划字段为空的数据，最终获得数据19937 条。

4.2 学部交叉度测量与分析

根据上文设计的学部交叉度测量公式（公式(1)～公式(5)）计算基金项目计划的学部交叉状况，并分析是否学部交叉度越高的项目计划其资助越高，研究者是否更倾向于申请学部高交叉度的项目，以探究不同学部交叉水平对项目计划资助金额和申请项目数目的影响。

4.2.1 项目计划的学部交叉度测量

经统计发现，检索得到的基金数据共涉及学部数目8 个，项目计划558 项，各学部项目计划数目分布如表2 所示。其中主任办公室（Office of the Director）容纳了基金会的最高领导，可监督基金会的所有活动，决定政策优先事项的发展，制定行政和管理准则以及长期规划，该部门下的综合活动办公室和国际科学工程办公室均管理着部分综合性项目计划，因此将该部门也纳入考量。由表2 可知，美国基金在人工智能领域布局的项目计划多数由数学与物理科学学部（MPS）、计算机信息科学与工程学部（CISE）以及工程科学学部（ENG）资助，这3 个学部资助的项目计划数目去重后，共379 项，占项目计划总数的67.92%，进一步证实了数据的有效性。

表2 学部的项目计划数目分布

由表1 中的基金数据特征可知，学部与项目计划之间为多对多对应关系。因此，本文利用Python编程，构建项目计划与学部、学部与学部之间的共现矩阵，其中项目计划与学部的共现矩阵值为学部资助项目计划的项目数目，学部与学部的共现矩阵值为学部间相同项目计划的数目。进而，根据学科交叉度测量公式计算Rao-Stirling 指数值，并依据计算得出的密度分布划分项目计划的类型。最后，根据公式(1)～公式(3)分别计算每个项目计划的多样性、平衡性、差异性和Rao-Stirling 指数。

通过计算得到图3 所示的NSF 资助的人工智能领域2008—2018 年项目计划Rao-Stirling 值的核密度分布。从图3 可以看出，人工智能领域项目计划的学部交叉度大多集中于0～0.15，其中不交叉项目计划Rao-Stirling 值为0，共计292 项，占52.3%，表明美国在人工智能领域的资助各学部均有不同的侧重，且学部交叉和不交叉的项目计划分布较为均衡。根据核密度分布可将人工智能领域学部交叉的项目计划划分为三类交叉水平：(0, 0.15]为低交叉类，共167 项；(0.15, 0.30]为中交叉类，共78 项；大于0.3 为高交叉类，共21 项。

对交叉类项目进一步分析可知（部分交叉类项目计划如表3 所示），高交叉类项目计划平均涉及5.35 个学部，中交叉类平均涉及3.09 个学部，低交叉类平均涉及2.95 个学部。为进一步分析方法的有效性，分别对高交叉类的Collaborative Research、中交叉类的STCs-2016 以及低交叉类的Special Programs in Astronomy 进行追溯分析，发现Collaborative Research 共涉及除教育与人力资源学部（EHR）之外的7 个学部，且在各学部之间的项目数目分布较为均衡，Special Programs in Astronomy 虽然在涉及的学部数目上多于STCs-2016，但其涉及的项目更倾向于MPS 学部，学部之间项目数目的分布具有明显的倾向性，因此该项目计划的学部交叉度低于STCs-2016。

表3 交叉项目计划（部分）

4.2.2 不同学部交叉水平的项目计划分析

对划分出来的四类项目计划进行特征统计，当一个项目隶属于多个项目计划时，项目计划对该项目的资助金额按均分法计算，项目个数按统一法计算。对相关指标进行测算，得到如表4 所示的不同交叉水平项目计划的特征分布情况。首先，从项目计划数、项目数与资助金额总数可看出，NSF 资助的项目多为低交叉或不交叉类型，表明美国基础研究推行的项目计划具有学部针对性，即学部间分工较为明确；其次，从单个项目计划平均资助金额可看出，学部交叉性项目计划平均资助金额远高于单个学部资助的项目计划，表明美国基础研究对学部交叉性项目计划重视度较高；最后，从项目计划平均申请的项目数来看，研究人员较倾向于研究低交叉和高交叉类项目计划，表明在人工智能领域美国鼓励少数核心学部与多学部的研究人员共同参与。

表4 不同交叉水平项目计划的特征分布

对不同交叉水平项目计划的平均资助金额按照时间进行测算，得到如图4 所示的分布状态。总体而言，交叉类项目计划平均资助金额随时间呈增长趋势，不交叉类项目计划在2014 年之后呈动荡式下降趋势，且年均资助金额均小于交叉类项目计划。这表明美国基金在人工智能领域资助的项目计划越来越倾向于各学部均有涉及的基础性研究。

此外，在2010 年，不交叉类和高交叉项目计划平均资助金额远高于其他年份。通过追溯原始数据发现，在不交叉类项目计划中，2010 年资助金额最高的项目计划为Advanced Technology Solar Telescope(ATST) Construction（先进技术太阳望远镜的构造）和Daniel K. Inouye Solar Telescope (DKIST) Construction（Daniel K. Inouye 太阳望远镜构造），这两个项目计划在2010 年的资助金额共为1.78 亿美元，涉及项目申请单位为天文学研究大学协会，该项目计划的管理学部为数学与物理科学学部。在高交叉类项目中，STCs（科学技术中心）项目计划于2010 年资助人工智能相关项目5 项，资助金额约为0.73 亿美元。STCs 项目计划由NSF 于1987 年设立，目的是促进科研机构、国家实验室、其他公立或私立团体通过国际或国内合作来进行世界级科学研究，该计划支持需大规模长期资助的具有创新性、潜在变革性的研究和教育中心的建立，是基础研究重要领域发起的一场创新的、跨学科的运动[23]。近10 年已启动了3 届，分别于2010、2013 和2016 年，共资助建立了12 个研究中心，在本文的研究数据中检索到11 个，共计约3.35 亿美元，具体如表5 所示。这11 个研究中心研究领域包括信息科学、量子材料、智能科学、功能成像以及生物学等，其中6 个涉及生物学领域，这一方面体现出美国对人工智能在生物学方面的应用较为重视，另一方面也体现出美国基金不仅为科学研究内容提供资助，也倡导培养人才力量，使科学研究和人才培养相互促进。

表5 人工智能领域相关科学技术中心

4.3 前沿型项目计划识别与分析

由上文分析可知，交叉类项目计划的平均资助金额远高于不交叉类，且其资助金额随年份呈现递增的趋势，证实NSF 对学部交叉类项目计划的重视程度。下文将识别前沿型项目计划，并分析是否学部交叉水平越高的项目计划越倾向于前沿型，以探究学部的交叉程度对前沿型项目计划分布的影响。

4.3.1 前沿型项目计划识别

利用本文设计的前沿判别指标，计算各个项目计划的资助强度与资助趋势，构建前沿型项目计划判别战略图。为便于呈现，将指标进行归一化处理，如图5 所示。在图5 中，横坐标表示资助强度，纵坐标表示资助趋势。其中，资助强度的阈值为项目计划资助强度的平均值，资助趋势的阈值为0，即负值表示下降趋势，正值表示上升趋势。

由图5 可知，2008—2018 年人工智能领域NSF资助的多数项目计划属于潜在发展的不交叉类型，即这些项目计划资助强度较低，但均呈现增长趋势，且由单一学部资助；前沿型项目计划多为低交叉类型，即这些项目计划资助强度较高，且资助金额处于迅速增长期。此外，热点型项目计划中除了中交叉外，其他三类均有涉及，且没有呈现出明显的类别差异；而衰退型项目计划多为不交叉类型。由此可看出，美国基金对于交叉类项目计划的资金投入更具有持续长期增高趋势，而对不交叉类项目计划多倾向于低强度短期投入。

4.3.2 前沿型项目计划分析

由前沿判别指标识别出的前沿型项目计划共204 项。其中，高交叉类9 项，占高交叉类项目计划总数的42.9%；中交叉类27 项，占中交叉类项目计划总数的34.6%；低交叉类106 项，占低交叉类项目计划总数的63.9%；不交叉类62 项，占不交叉类项目计划总数的21.2%。由此可见，高交叉和低交叉类型的项目计划呈现出较高的前沿型占比。

不同交叉水平的前沿型项目计划年均资助金额随时间的变化如图6 所示。从图6 可知，不交叉类前沿型项目计划资助金额在2014 年之后呈现动荡式下降趋势，且资助金额也有略低于交叉类前沿型项目计划的趋势；交叉类前沿型项目计划资助金额随年份呈递增趋势，且高交叉类前沿型项目计划资助金额有高于其他交叉水平的前沿型项目计划的趋势。可见，美国对人工智能领域前沿型项目计划的资助逐渐向学部高交叉类型倾斜。

对高交叉类前沿型项目计划具体分析，得到如图7 所示的高交叉类项目计划前沿分布情况，具体如下。

前沿型：该类项目计划资助强度较高，且资助金额随年份递增速度较快，研究处于成长阶段。具体有Major Research Instrumentation（重大科研仪器项目）、EPSCoResearch Co-Funding（激励竞争性研究试点共助项目）、IntgStrat Undst Neurl & Cogn Sys（理解神经与认知系统的综合策略项目）、DYN Coupled Natural-Human（自然和人类系统耦合的动力学项目）、FW-HTF（人类技术未来前沿项目）、NSF INCLUDES（全国弱势群体的科学、技术、工程与数学能力提升项目）、IIS Special Projects（信息智能系统专项项目）、CDS&E（计算和数据支持的科学与工程项目）、NSF 推进的INSPIPE（跨学科研究与教育综合支撑项目）。

以重大科研仪器项目计划为例，该项目计划在2007 年规定其资助单个项目最高限额为400 万美元，其目的是支持重要科研仪器的研发，若没有该项目计划的支撑，基础科学与工程研究的进步也许就不会发生，同时该项目计划也为促进科学工程前沿的研究提供了新的机会。其在2018 年的说明文档中表明该年度预资助项目约150 项，金额约7500 万美元，从资助内容和资助金额均可看出该项目计划的学部高交叉前沿特性。

热点型：该类项目计划资助强度较高，资助程度呈下降趋势，研究处于成熟阶段。具体有STCs-2013 Class（科学技术中心-2013 届）、Collaborative Research（合作研究）、STCs-2010 Class（科学技术中心-2010 届）、Sci&Tech Ctrs: IntegPtrs（科学技术中心-综合型合作）。

以合作研究项目计划为例，该项目计划如今在NSF 官网已查询不到，但其在本文数据中前5 年呈现较高的资助金额，后续呈递减趋势。在官网数据合作研究相关项目计划中发现计算神经科学中的合作研究（Collaborative Research in Computational Neuroscience），该项目计划在本文分类中属于学部中交叉潜在型项目计划，该项目计划如今仍处在征集阶段，且在2020 年的说明文档中表明该项目计划的基金申请征集将延长3 年，其目的是通过合作活动，在计算机科学、神经科学和许多其他学科的理论、方法基础上，为理解复杂的神经生物学系统提供理论基础以及一系列丰富的技术方法。因此，美国基金资助的合作研究计划可能在过去为研究热点，现如今逐渐具象化，倾向于计算神经科学领域的合作研究。

潜在型：该类项目计划资助强度较低，资助金额随年份呈缓慢增长趋势，研究处于初始阶段。具体有Track 1 INFEWS（食物-能源-水相互连通系统创新项目）、HBCU-EiR（黑人学院与大学卓越性研究）、Hurricane Harvey 2017（飓风哈维2017 项目）、Global Venture Fund（全球风险资助）、Other Global Learning & Training（其他全球学习与培训项目）、Semiconductor Synthetic Biology（半导体合成生物学研究）、Research Coordination Networks（新型协同网络研究）。

以INFEWS 项目计划为例，该项目计划在本文数据中仅在2016—2018 年这3 年中有资助金额，其目的为支持对食物、能源、水系统的概念化研究，包括社会和行为过程（如决策和治理）、自然过程（如生物地球化学和水循环）、网络组件（如决策与评估的传感、网络、计算和可视化）等。由于本文数据的有限性，该项目计划在人工智能领域的资金投入仅发现在近几年出现，且资助强度较低，无法确定其后续资金投入状况，因此符合潜在型特性。

衰退型：该类项目计划资助强度较低，且资助金额随年份呈递减趋势，研究处于衰退阶段。具体有Projects（项目），该项目计划在NSF 官网项目计划列表中现已检索不到，进一步证实了该项目计划为衰退型。

综上所述，人工智能领域高交叉类前沿型项目计划主要集中于重大科研仪器、神经与认知系统、自然与人类系统、信息智能系统、计算和数据、跨学科研究以及未来前沿项目等。

5 结论与讨论

在基金资助中，多学部共同参与的项目计划通常为更基础或更复杂的需要多学部共同参与解决的问题。本文将Rao-Stirling 指标应用到基金数据的学部交叉测量中，该指标不但可以从多学部共同参与的角度来识别基础性或复杂性项目计划，更能够通过项目的获批数目体现研究者对不同项目计划的学部参与均衡性程度，综合考虑了政策制定者和项目计划实施者对项目计划的重视程度。另外，资助强度和资助趋势从某种程度上也反映了学者对项目计划的参与程度，通过这两种维度设计前沿判别指标，并从学部交叉层面分析其对前沿分布的影响，更直观地显示出政策制定者对项目计划从学部设置到资金投入与学者参与度之间的关系。具体结论如下。

（1）通过项目计划学部交叉度的测量，可将项目计划分为高交叉、中交叉、低交叉和不交叉类。高交叉类项目计划一方面表明从政策制定角度，该类计划涉及学部较多，研究内容更为基础或复杂；另一方面表明学者在各学部间的参与较为均衡，该类项目计划在国家布局和学者参与之间呈现较高的一致性。在美国NSF 资助的人工智能领域中，从总体来看，交叉类和不交叉类项目计划数目分布较为均衡，交叉类平均资助强度均高于不交叉类，且资助金额随年份均呈上升趋势；在交叉类项目计划中，低交叉类在项目数目、平均资助强度以及平均资助趋势层面均高于其他分类。一方面表明目前美国基金在人工智能领域鼓励学者进行跨学部交叉研究，另一方面表明学者更倾向于研究特定核心学部相关内容，同时进行尝试性跨学部研究。

（2）通过项目计划的资助强度和资助趋势，可结合不同学部交叉水平，将项目计划分为不同交叉水平的热点型、前沿型、潜在型和衰退型，以分析不同交叉水平对前沿分布的影响。通过分析发现，在美国NSF 资助的人工智能领域中，低交叉和高交叉类项目计划呈现出较高的前沿型占比，且高交叉类前沿型项目计划随年份呈现较高的资助趋势，进一步验证了美国在人工智能领域对跨学部和学者在各学部间参与度较为均衡的项目计划给予更高资助金额和递增资助趋势的结论。

（3） 通过对高交叉类前沿型项目计划的研究内容具体分析，一方面验证了该方法的有效性，另一方面得出高交叉类前沿型项目计划研究内容主要集中于神经与认知系统、自然与人类系统、未来前沿项目、信息智能系统、计算和数据等方面的结论。

此外，由于本文所得到的关于基金学部交叉与资助金额和前沿分布的关系仅以人工智能领域为例，在其他学科的适用性上还有待进一步验证。因此，下一步拟采用整体基金数据加以深入而广泛的探究。