大数据时代学科制度的小数据治理

倪 静，陈 亮

（1. 四川外国语大学俄语学院区域研究中心，重庆 400031；2. 陕西师范大学教育学部，西安 710062）

大数据时代为各类治理提供了前所未有的决策方式，数据是当今“世界上最有价值的资源”[1]，“数据决策”成为现代化治理体系和治理能力的基本条件。与传统的小数据时代相比，数据有了大小之分，大数据具有数量大、种类多、流动快、反映真、算法复杂等特性；小数据是大数据的一个部分，体积小、易理解、算法简单，且“主要来源是抽样调查、深访、行政记录和实验设计等传统统计方法”[2]。随着数据的生产性地位抬升，掌握尽可能多的数据和信息成为时下主流的“治理逻辑”。这种“颠覆因果关系的认知模式”[3]与有组织的集中式数据处理（算法）成为追求卓越的“上层逻辑”，被赋予了“高质量”内涵，其中也包括高等教育的学科治理。但学科治理并没有因为数字信息技术的广泛参与而让更多后发高校和薄弱学科享有同等的数据红利，大多数中西部高校、地方性高校仍然在“二流”与“末流”之间挣扎，学科失衡进一步加剧。“在很多应用场景中，出于数据的可获性及其成本、时间乃至人们的认知能力、阅读心理等相关因素影响，人们面对或者能够直接处理的数据往往是有限的、部分的。”[4]小数据通过透彻的局部数据分析、代表数据转换、个别数据应用能够让学科治理真正触及“活的”问题，“窥视”到大数据难以顾及的“感性体验”，赋予“一流”学科更加本土、特色和差异化内涵，有效互补大数据的思维和计算盲区，驱动合作导向的学科制度生成。

一、学科治理在大数据时代的小数据价值

学科治理充分利用大数据的信息技术环境，对小数据进行深度挖掘是推动学科发展“四个面向”[5]的关键。大数据的“大”，并不止于获取、传输、存储数据的“量”的层面，更重要的是处理这些海量数据的计算能力，即“算法为王”[6]75的“质”的环节。大数据时代对学科数据获取和存储只是“一流学科”的基本配置。在此基础上，着力发挥小数据优势，有效提取“无用”数据中的“有用”信息，可以实现更加精准的学科知识交叉关联、更加理性的学科研究范式整合、更加合理的人的培养模式创新。

（一）学科知识交叉关联更加精准

学科长期发展形成的固有意识形态是“有序的知识分类体系”，这种分化的知识格局难以实现知识聚合与学科集群创新。复杂思维、相关思维和预测思维是大数据时代超越工具价值推进社会变革的三个思维方式。[7]复杂思维源自大数据使社会对全样数据的获取、存储成为可能，预测思维决定了数据处理分析的根本目标是面向未来决策。二者之间必然要通过关联思维在夹杂着无效信息的海量数据中提取有效数据集合，这种在海量数据中去粗取精的小数据提取过程，也是利用大数据万物互联的底层规律推动信息与知识关联集成，将知识信息转化为实际效用和具体行动的应用研究过程。基于此，应用导向和问题导向的学科知识交叉关联本质上是学科知识的小数据集合，如果一项学术成果成就一个点数据，那么同一个研究领域或者学科领域的成果集合就是条数据，点数据与条数据充分交叉关联则构成一个更加综合集成的块数据，最终不同学科领域的块数据互联融合，从而构成大数据的“万物互联”，生成一个学科集群创新发展的样态。因此，大数据时代学科知识的市场转化和应用研究是以小数据为基本单位推进的。以数据信息获取的数量和信息技术的高低来衡量学科治理现代化程度的行为，仅仅停留在大数据的“复杂思维”的工具层，并未触及学科知识交叉的算法核心，即有效信息的关联方式探索。掌握小数据的提取与转化方法（算法），也意味着一个更加精准的研究问题画像，一个更加独特的研究方法创新。学者对现存问题描述越透彻越聚焦，对现实处境的认识就能越清晰越明确，解决问题的办法也就越加务实有效。学科交叉与知识对流之所以难以突破学科知识固有领地，学科的分化意识形态之所以难以撼动，直接原因是没有形成一个类似块数据的学科集群，是同一领域和学科内部的点数据并未深度整合。譬如，同一学术机构和学科领域的学者之间的研究数据与阶段性成果并未充分共享。跨学科交叉是学科知识的集成创造价值发挥，前提是对本领域、本学科知识成果的融通理解和深入掌握，“假如（学者）没有广博扎实的学养，学科不能靠抖小机灵随便‘跨’”[8]。学科治理中的跨学科决策和行为需要依托小数据的精细关联与实用性价值。

（二）研究方法横纵结合更加理性

“算法”二字来源于《周髀算经》，是解决特定问题的方法[9],其作为一种解决具体问题的结构化、程序化方案古已有之。最古老的欧几里得算法是典型的符号计算，尤瓦尔·赫拉利（Yuval Noah Harari）则把生物进化归结于算法，认为“每种动物都是各种有机算法的集合，经过数百万年进化自然选择而成”[6]289。学术研究方法本质上也是解决特定研究领域的特定方法。小数据获取和处理得出的研究成果大多强调因果关系的线性结构，大数据的研究范式是具有多种相关关系数据集合而成的“树结构”或者“图结构”。后者基于计算机构建的数据模型（计算机算法），数倍于人力计算量，往往对问题和现状描述更加全面和客观，受到各种学术组织、学术主体的追捧和热议。但大数据的局限性也导致关联式算法存在偏差：一是获取的数据不全面。大数据的研究范式预设“社会的方方面面均可以被大数据测量和监测，通过计算来解决或优化社会问题”[10]123。一些数字化和智能化整体程度不高的社会、地区抑或行业领域，能够用于实际共享的数据并不丰富。学科治理即便建立起学科知识、学科机构或者学者信息数据库，也只是点式的小数据堆砌。二是获取的数据不实用。处于“少数据”甚至“无数据”地位的高校和学者，掌握政策、获取信息和赢得资源的办法并不多，他们很难通过知识和学科关联的方法取得创造性和传世性成果；即便通过大数据技术获得了大量的学术研究的相关数据，也不具备分析处理能力，最终也只是无用数据。三是获取的数据不客观。研究者在通过关联式算法提取有效信息的过程中也存在主观意识倾向。从化学与生物学视角来看，“即使它（脑机接口技术）未来有了飞跃式进步，也不可能通过脑机接口全面接管和控制人的意识”[11]。学术研究的方法即便在大数据的关联思维主导下仍然离不开人的主观算法架构，更何况关联式数据分析只能反映表象和行为，并不能揭示人的深层思维。基于此，小数据研究的因果范式恰好可以弥补大数据的关联研究局限。大数据不完整，决定了非结构化和半结构化数据的结构化过程需要小数据研究深入底层和本质进行因果探索，从“小设计”的理念[10]137上开展研究更能够达成地方性和独特性创新。大数据不实用，决定了学科组织变革要将大数据的“抽象愿景”与小数据的“具体方案”结合，以此获取更有价值的实用知识。大数据不客观，决定了小样本数据、个体的访谈实验、认知的阶段性变化这些小数据研究可以反映真实的人类意识和情感认知。

（三）人的培养自下而上更加合理

人的非理性、非结构化及其变化是难以被大数据计算的。“网络科学家可以测量出你在76%的时间里与6名同事的社交互动情况，但是他们不可能捕捉到你心底对于那些一年才见2 次的儿时玩伴的感情。”[12]数据可以记录人的社会交往和浅层状态，但它不能揭示这些交往背后的深层情感、因果关系与价值观念。大数据无法深入到个性化、具体化、本土化的学科育人场域之中，深度解释“人的”需要。长期以来，学科布局习惯于“育才”为主的知识布局，学科分类格局下的教学体系也格外重视“知识培养”。由于知识可以被编码和计算，在机器与算法的合力下知识从印刷物上转化为以“‘BB’（brontobyte，千亿亿亿字节）为单位”[13]的海量数据库。因此，学科成果的竞争和排名在不断量增的“知识计算”下更加“内卷”。但学科治理的根本宗旨是“育人”，人的成长不只有“知识维度”，还有“情感维度”“价值维度”。精确的知识规划和设计，难以解释并关照人的精神成长，导致缺乏基本是非观念和伦理道德行为的滋生。小数据治理的“下层逻辑”可以有效对接现实情境来更正算法，持续修正，调整局部数据，为大数据计算提供更精准、更多样、更丰富的算法策略，以应对环境变迁和技术变化的冲击。一直以来学科治理侧重追求卓越的规划和愿景设计，完美的蓝图可以通过大数据描绘；但落地实施只能在差异化的学科治理实践中不断修正而成。换言之，学科治理的实际效能不是通过预测而来，而是实践过程之后总结而来的，经验和方法蕴含在治理过程之中。从学科育人的知识维度而言，小范围的样本和个案分析能够推进深度学习和自主创新。浅层知识（可编码和计算的知识）的渠道来源是多种大数据，但是掌握小样本数据、细节研究、获取高深学问、实现社会价值仍是未来智能社会的育人导向。从学科布局的制度维度而言，小数据的学科治理起点是局部和个别，反映的是“自下而上”的需求布局，而学科发展最大的需求是实现人的全面发展。基于小数据思维的学科教育更能够建立起“人的培养”过程中本土化定位、差异化结构、个性化关照，进而推动学科服务，助力师生开展“深度学习实践”和“个性化培养”，促进学科人的全面发展，这些也是小数据的价值内涵。

二、学科制度在大数据时代的小数据困境

数据治理与社会历史进程是高度伴随的，譬如丈量土地、地租税收以及建造工程等都离不开数据测算。因此，有学者将大数据时代之前的算法和数据管理时代统称为“小数据时代”[14]。在小数据时代，人们习惯于在有限数据环境下解决问题，习惯于从局部的、具体的、典型的样本数据和案例切入认识客观规律和外部世界，学者也习惯于在自己的领域或者实验室独立自主开展工作。小数据治理框架下的学科制度与知识分类成为孪生姐妹，具有鼓励竞争、追求确定、强调适应的制度文化，大数据时代的系统性风险治理缺乏发展后劲与韧性。

（一）研究成果呈现点数据形态，集群创新匮乏

小数据时代延续至今的学科制度之所以是竞争性主导的，主要凸显在学科研究成果的点数据样态。具体而言：一是研究成果缺乏纵向合作，有影响力的条数据成果不多。就同一学科领域或者同一问题领域而言，阶段性成果呈现分布式的点数据状态，同一知识域和问题域之间成果共享、数据对流形成体系化的条数据形态并不显著，突出表现在学科“有学少派”甚至“有学无派”。“学派是学者自主形成的学术联盟或共同体”，是“运用相同或相近的理论、方法、术语、概念，就共同感兴趣的主题开展自主的学术研究体”。[15]一个有话语权和影响力的学派的形成，需要同一领域的学者毫无保留地共享交流、互帮互助。譬如，中国理论化学学派的唐敖庆、卢嘉锡、徐光宪三位理论化学科学家互相提携、紧密配合，被国际同行称之为理论化学的“中国学派”[16]。但现行的学科制度模式下，同一学术组织、学科平台的学者之间，存在广泛的个体竞争关系，学科内部的创见集成、集体公关难以自发形成。学科内部成果零星分布，难以体系化、结构化，学术创新后劲不足。二是研究成果缺乏横向合作，集成式创新的块数据空间不多。学科之间、学术组织甚至学术组织与社会组织、政府组织之间的跨界数据共享与合作也十分艰难。一方面学术组织之间存在竞争关系，包括办学资源竞争、学术声誉竞争、招生培养竞争，它们之间坦诚的数据交换与成果共享不够畅通。另一方面学术评价制度缺乏对横向课题和应用类项目的标准建立，政策要求与具体落实还存在差距。譬如，有的地方高校向学者的横向研究经费收取高昂的管理费，实践性课题的管理规则与学术类课题标准相同，导致横向研究水土不服，阻碍了学术成果向市场和地方转化。学科发展缺乏产业和本土支持，难以形成块数据化的学科集群空间。三是成果交流缺乏共享机制，知识资源获取规则受资本主导。在学术场域内的成果共享交流缺乏共享机制，成果的数据化、数据库、数据网络即便形成大数据系统，但普通学者需要付费使用。一旦这种成果数据库形成垄断，少数资本控制了海量学科成果数据，学者反而成为了无数据阶层。商人和资本掌控了海量的知识数据库，但学术成果在大数据环境下仍然处于小数据的分散状态。近年来，越来越多的学者发起了对这种学术数据垄断的抗议，譬如“赵德馨诉知网案”“山东省女作家唐效英诉知网案”“中科院停用中国知网”等。这表明，大数据时代小数据的合作共享步履艰难。

（二）学者数据能力两极分化，中坚力量薄弱

“当所有事情的实效性变短，就意味着社会变迁加速，社会变迁加速必然要求生活步调加速。”[17]社会进入了哈特穆特·罗萨（Hartmut Rosa）所揭示的“加速社会”[18]，社会分工越来越细，时间要求越来越紧，工作节奏越来越快。快速运转的“加速社会”加剧了学者群体的等级分化和发展失衡：一方面大数据环境的加速特性催生不确定性，致使普通学者追求确定的小数据研究缺乏说服力。“学术精英”长期处于资源的高配地位，他们能够优先参与国家政策的制定与决策，或者处于“双肩挑”的学术与行政集权地位。其获取数据的速度、能力和渠道是普通学者难以模仿的。与此相反，普通学者缺乏学术地位和声誉，只能依托小数据平台（所在高校、地方）和方法（抽样、访谈等）展开局部和个体研究。尽管成果的确定性较强，但因为大数据环境的加速度变更，确定性成果难以跟进变化的节奏。例如“抽样框不稳定（人员流动、机构变更频繁等），随机取样困难”，因此虽“事先设定调查目标”，但一旦结果与目标不一致就会导致“纠偏成本较高”[19]10-19。小数据的局部性、瞬时性致使学术场域对小数据研究者并不友好，一项对5 138位高校教师的访问研究中，84.5%的高校青年教师认为自己处于社会中下层。[20]105他们“长期处于教学一线，承担着繁重的教学工作任务”[21]，事业成就感尤其是“学术发表”的成就感较低。另一方面大数据社会的数据集权特性加剧学者之间的等级划分。大数据的数据集中式获取和处理既是数据集中，也是权力集中。学者不仅仅要通过获取数据取得成果，更需要通过新成果、新创造获取学术声誉和社会地位。“学者需要通过发表自己的研究成果来赢得学术声望，领导学术圈子。”[22]学者身份除了靠知识主体定位以外，往往还附加了相关背景。这些背景和机构往往是划分学者等级的重要标准。学者的“本科及研究生教育背景（毕业机构的声誉和地位）、工作机构声誉与环境、职业流动、学科特点、导师关系等”[23]成为建构学者数据权力的来源。这些背景机构和工作经历本身是等级分明的，不同等级的机构、学科、经历、导师声誉决定了学者的数据权力等级。高校学者中的“青椒”阶层就是最好的印证。缺乏大数据渠道，背靠小数据机构和平台，“学术出生”较低，数据处理能力不足，数据权力低下，只有展开小数据研究，甚至干脆“躺平”。“没有‘大佬’带的‘青椒’，根本不要妄想得到发展，这些年也看透了，也麻木了。”[20]112他们处于学科“中间”数量，却不具备“中坚”力量。

（三）面对复杂数据，学科育人的治理效能不高

最大限度实现学科成人、学科育人的终极价值关怀彰显学科的内在价值。[24]小数据时代的学科制度是通过一般化、标准化和程序化的治理，对高度结构化、规范化的育人数据进行处理。譬如，学生的年龄、分数、竞赛获奖、学历层次等，通过一张表格就能够完整地存储和精准提取。这种建立在结构化数据处理基础上的学科治理，能够快速读取学生信息，掌握育人成效，很好地完成了小数据时代尤其是工业化社会要求的学科育人重任。但在大数据时代学科治理面临更加复杂的数据结构，“大数据不仅包含结构化数据，更多的是指半结构化的数据和非结构化数据”[19]10-19。“全球将近87.5%的数据未得到真正利用，85%以上的数据是非结构化数据和半结构化数据。”[25]高等教育的学科教育也亟需在大数据时代处理更多的非结构化和半结构化数据，例如学生的发展性评价，课程思政的价值引领过程及成效，学生的心理健康教育与创业创新教育。这些非结构化数据有的难以融入小数据时代沿用的规范体系之中，有的则通过半结构化的方式被粗放地纳入各类管理工作之中。即便如此，学科治理仍然因为大数据社会的加速特征和海量数据，致使小数据处理框架下的学科育人工作成本高筑，效能低下。首先是时间成本投入高。学科治理跟社会运行模式一样都进入了加速反馈驱动的体系，很多难以数字化和结构化的问题必须通过教师和管理者“多做工作”来完成。其中最突出的是学生的心理健康问题，管理者和基层教师难以通过有效的结构化算法迅速精准地提取学生的心理动向，变被动为主动。其次是机会成本投入高。学科教师之所以重教书、轻育人，很大程度上是因为育人面临的是复杂的非结构化和半结构化数据，小数据的处理体系、机构和方法无法及时解决困境。学科教师如果将自身定位为“教育者”，往往容易失去“科研者”的高回报。基于机会成本的考虑，学科教师不愿意将育人的长期性作为教师的职业责任。最后是人力成本投入高。小数据框架下的学科教育体系主要通过“人力”来完成各类育人工作，基层学科组织和学术机构需要完成上一级学科组织的不同数据统计和处理任务，例如教务数据、科研数据、获奖数据、创业创新数据、心理健康数据、学生党建数据等。这些数据有的可以通过结构化的表格呈现，有的非结构化和半结构化数据只能通过大量“材料”进行描述。这些小数据处理工作越来越需要更多的人力投入，这也是现今各类高校基层普遍存在“缺人”“缺编”问题的根源。

三、大数据时代学科制度的小数据治理路径

学科本体既身处小数据困境之中，又是解决这种困境的核心力量。学科唯有率先完成从“小数据”到“大数据”的自我革命才能驱动数据社会的真正转型（完成小数据到大数据的社会过渡）。要完成这一转型需要看到在技术问题、知识问题的背后是学科制度维度的创新价值和方法的问题。大数据不仅仅成为一种技术，更成为一种价值观和方法论。以“小”数据建构“大”数据，实现两种学科治理方式和治理思维的共生共促。

（一）制度设计围绕“大共识”到“小共识”的合作转向

小数据时代的学科制度从规训权力维度来看，具有典型的“专业化”导向，马克思·韦伯（Max Weber）就曾评价“学术已经达到空前专业化的阶段，而且这种局面会一直持续下去”，“今天任何真正明确而有价值的成就肯定也是一项专业成就”[26]。个人的“灵感”“能力”和“努力”决定了学者在学术群体和组织中的社会地位和学术声誉。学术活动规范大多针对个体而非集体，真正自发的集体学术鲜少存在，因此传统的学科制度缺乏对学术合作进行内在规训。从政治权力的维度来看，几乎所有的学科评价制度、学科奖惩制度等都鼓励学者以自己的学术专业而非整个科学领域进行工作。[27]22-26小数据时代学科制度因为数据获取和数据处理等局限，形成了一个竞争大于合作的制度结构。大数据时代的加速影响迫使新的学科规训权力和政治权力都要着力走向一个从个体到集体、从竞争到合作的制度结构。而合作的重要前提是“共识”，小数据时代传统学科专业化、个体化、竞争性的制度是基于一套标准统一的“大共识”，譬如统一的学科评价标准、统一的学科研究范式、统一的学者发展路径（学术发表以换取学术职级晋升）。但“学术组织是由一些个性、知识、能力、地位、个人背景等方面存在诸多差异的学者及学科新人组成的，因而存在矛盾、竞争和冲突”[27]22-26。在大数据社会加速变化、个性突出、需求细化的背景下，学科治理必须细化（具体化）学术目标，精简学科团队，缩小学科结构，在小的时空范围内达成高度共识，形成自发自主合作。一是学科训练鼓励学术批判和学术争鸣，规训学科“新人”和“老人”敢于质疑“学术权威”建立的“大共识”，培育学术场域对个别观点、局部成果、地方经验等“小共识”的同等尊重。二是学科政策要完善学科治理中“容错纠错”的制度建构和运行。大数据社会的复杂数据结构和信息渠道并存，超出了人类思维能力，决定了任何制度设计都是通过实践纠偏和渐进循序形成的，关键是完善学科治理改革的“容错”和“纠错”制度，降低基层学科治理主体的“试错成本”，激活基层学科组织等小机构、小团队的创新活力。三是率先开展集体合作中的评价改革研究。尊重集体合作中的个体贡献，弱化学术评价中的排名文化，加强对跨学科、跨领域、跨地区的团队支持。改革完善高校人事制度中强化个体竞争的相关政策，譬如“非升即走”。“小共识”的制度设计理念，从根本上认可大数据的不确定性、加速变化等社会特征，以小合作汇聚大力量，完成学科治理体系的现代化转型。

（二）制度运行聚焦“创新者”到“创造者”的身份转变

学科制度自古以“创新”为主流价值导向，亚里士多德在《形而上学》中明确指出：“应须求取原因的知识，因为我们只能在认明一事物的基本原因后才能说知道了这事物。”[28]于是学术发展经历了追求宇宙和人类的“本因”“物因”“动因”以及“终极因”等过程，“追因”以“求真”成为学术追求的本质。“因果推理”大胆假设、小心求证的线性思维影响了整个学科人。从整个小数据时代的发展来看，学科创新体系在因果推理的学术范式中让知识更加分裂。有学者甚至感叹学术创新从“手段最终异化为了目的”，“其背后的哲学就是，研究者只负责研究，并写成论文公开发表出来”[29]。大数据时代的学科治理侧重改造世界和预测世界，以应对加速变化和不确定性带来的现代性危机，要强化通过创新创造价值，鼓励学科人成为“创造者”，并且持续形成创造力，这种在实践中持续创新和努力的精神则是彼得·德鲁克（Peter F．Drucke）所谓的“企业家精神”。今天，高等教育改革强调成果转化、产教融合、校企合作，这无疑是正确的，但这种强调不能仅仅针对研究者。学科人理应囊括教师、学生、管理者以及决策者等多种角色，这些学科主体也需要在各自领域不断实现数据资源新组合以持续创造价值，具备“企业家”特质[30]。事实上，其他学科主体的创造者身份转变决定了研究者的创造环境。就学科制度运行机制改革和程序优化而言，重点应加强对管理者和决策者的制度（运行机制）创新实践考核评价。学科管理者与研究者所处的个体境遇截然相反，前者是集体导向的，后者是个体导向。突出表现在高校管理者缺乏对“工作研究”的兴趣和动力，一是因为个体的工作研究是小数据研究缺乏普适性规律，不为传统小数据学科体系所接受，二是由于工作绩效往往缺乏实质性的奖惩制度，这与研究者“非升即走”“科研奖励”的实质性利益挂钩导致的工作紧迫感截然不同。大数据决策遵循的“关联分析-统计匹配-预测判断”逻辑[31]，给学科管理者带来了更专业、更快速、更高效甚至更超前的服务要求。高等教育的管理团队理应以专业化队伍的身份投身管理实践研究，既成为工作的行家里手，又成为化解制度性问题的创造者。

（三）制度载体叠加“学术域”和“生活域”的信息关联

“小共识”制度设计和创造性管理者则共同指向一个关照“具体”和“现实”的制度载体。制度载体有两层内涵：一是组织机构，二是运行机制；前者是外在载体，后者是制度落地的内在载体，是制度发挥功能的程序步骤和运转方式。制度载体的结构化改革不在于学术组织机构的新增与整合，而在制度运行的内在程序和机制是否突破了原有分科体系结构的不良束缚。从这个层面来看，“小共识”制度与创造性管理者需要一个能够链接学术域与生活域的数据关联运行机制。“小共识”的制度设计必然更加关照具体实践和细节，教学管理、学生管理、科研管理等管理者的工作也必然更注重工作研究和制度创新实践。概言之，学科的具体处境和现实情境是学科运行机制的核心关照，正如马克思和恩格斯在判断历史社会形成的前提时认为“人们为了能够‘创造历史’，必须能够生活”，而生活即“生产物质生活本身”[32]。学术活动只有围绕人类的“生活”展开，这样的学科运行机制才能满足大数据时代人们对美好生活的要求。具体而言：一是创新改革学术人兼职制度。学术人兼职不仅仅是不同学术职业的叠加，也不能理解为“处长级教授”的双肩挑制度，而要打破学者固化在高校围墙之中发表一域之见的体制束缚。探索学术人走向企业、行业、地方政府机构的兼职制度，并建立保障这类学者学术发展的配套制度，让学科研究者毫无顾虑投身于社会经济发展中，向一线、向基层、向民生寻找学术新生。二是开放政府企业和行业的横向课题申报制度。要做强做大学科的中间力量和青年教师队伍，拓展这部分人的学术资源渠道。需要地方政府和高校打通交流合作机制，前提是政府机构和社会机构要建立问题研究机制。对于治理困境和复杂难题，不能通过问题内部上移和集体投票来决策，而应建立面向高校研究者教师开放的工作研究、治理研究、专业研究机制，为高校师生参与“生活”提供丰富的资源渠道。三是高校要给予理论成果与实践成果同等重要的评价地位。职称职级晋升制度需要赋予两种学术成果同等地位，学术评审团队中两种成员要占据同等比例；要鼓励学生管理研究、教学管理研究和党建行政管理等实践研究、工作研究，以实绩、实效为评价导向，“避免学术生产体系的工业化倾向”[33]；要以实绩导向一体化完善管理者职级晋升、考核奖励等配套制度。