全球学科人才雷达在高校的建设与应用实践

张忻 习嘉琪 屈奕帆

摘要 高校是国家建设世界人才中心和创新高地的重要阵地。新时代对高校学科和人才队伍建设工作提出更高需求，为此，作者团队探索出基于大数据的工作思路和模式，运用知识工程技术构建了全球学科人才信息供应链，搭建了全球学科人才雷达系统，实现了全球学科人才数据的一体化治理，在学科建设分析、人才精准发现、人才精准培育、科研情报支持等方面形成了新方法新经验。

关键词 全球学科人才雷达；大数据；人才工作

中图分类号：G642文献标识码：ADOI：10.16400/j.cnki.kjdk.2023.6.001

中国加快建设世界一流大学、世界重要人才中心和创新高地的战略推进，要求高校的学科和人才治理体系和治理能力的现代化，具体表现为学科监测实时化、人才盘点精细化、人才引进精准化、人才培育智能化、人才评价自主化、数据采集自动化、数据治理一体化。我国高校亟需构建自主可控的学科人才数据底座，进而培育出现代化的学科人才治理能力。

本文探索人才引育新思路和模式，采用知识工程技术构建学科领域人才知识图谱，突破“信息孤岛”困境，通过大数据手段揭示人才成长规律及学科发展趋势，为精准寻才引智、把握学科趋势、追踪领域动态、人才评价提供助力。

1相关工作综述

高校人才引育研究作为人才引育工作的前沿视角，越来越成为研究的热点。国内外对人才引育的探讨取得了一系列成果。

在运用大数据分析人才引育策略方面，卫承霏[1]提出运用大数据思维构建人才引培模式的必要性和重要意义，但未提出具体实施方案和技术路线。

在高校人才引育策略方面，张静辉[2]从重引进、轻服务，重考核、轻反馈，重个体、轻团队等方面剖析了高校高层次人才引育工作存在的问题并归纳了部分解決办法。赵长海等[3]提出建立现有青年人才培育机制，并阐述构建可持续壮大的科技创新人才团队的方法。Ai Zhang[4]等从高校角度出发阐明和分析创新人才引育策略。孙静霞[5]阐述高校高层次人才“引培用服”创新机制。廖克敏[6]从机制构建的意义、高层次人才引育现状及机制建构策略等方面作了简要分析。滕心蕊[7]等从高校应科学规划引才方向、核算人力资源效益、优化引才工作考核、建立健全“引育”机制等角度提出合理应对人才流失的举措。程文凤[8]从人才引不来、人才留不住等角度剖析高端人才引育困境，并从拓宽人才引育渠道、严把人才质量、完善配套服务体系、全面提升薪酬待遇、提供良好科研环境等提出具体的对策和建议。王小力等[9]聚焦C9高校青年高层次人才引进问题，提出应结合高校自身学科特点引进人才并注重匹配度等对策建议。兰智妮等[10]聚焦西部地区高校人才引育工作实践，与一流学科建设相结合，提出存在的问题和未来发展之路。陆媛等[11]从加强顶层设计，突出重点，以各级各类人才项目为抓手，科学地设计和优化人才成长路径，提出构建高层次人才引育机制。徐剑波[12]等提出从制度的科学设计和系统创新出发，科学地提升和盘活“增量”水准，优化和提振“存量”内涵，实现制度和文化凝聚高层次人才。

在大数据视角下其他人才（学生）培养方面，徐涛[13]利用大数据分析技术着重分析社会需求与人才培养之间的关联指标并建立系统化的人才培养模式。詹川[14]等通过数理统计分析具体人才供应链岗位技能需求的特点及相关关系。雷鸣[15]等人运用科学知识图谱和CiteSpace软件对以“大数据”和“人才培养”为主题的255篇研究文献进行可视化分析。陆婷[16]阐述了数学数据建模活动对高校人才培养的积极影响。

综上所述，对于人才引育，国内外学者已进行了广泛的探索研究，创新性地提出一系列策略并进行案例分析及数据检验，但结合目前的时代要求和国家导向，仍存在一些问题：一是研究大多集中于理论探究、政策论述与实践途径，从大数据角度探讨人才引育，尤其是高校人才引育策略非常之少。二是极个别将大数据与人才引育相结合进行的研究，也侧重论述采用大数据加强人才引育工作的重要性和意义，没有提出如何利用信息化手段，如何采用大数据统计、挖掘、整合、分析与运用。

2解决方案

2.1建设思路

高校是重要的人才中心和创新高地。在高校建设全球学科人才雷达，用大数据平台可形成“使命牵引，体系支撑，人机协同，快速响应，科学决策”的学科人才工作新范式。

针对人才引进，综合评价引进人才的重要程度和发展潜力，为人才引进提供数据支撑，建立科学、精准的人才引进实施方案，为学校评价考核体系和指标设定提供参考，为学校国际同行评价提供全球范围内的专家智库。

针对人才培育，形成人才成长评估模型，将人才现有成果与指标体系进行对比，更精确发现自身目前的短板缺项，从而有针对性地制订培育方案，为学者的个性化发展和规划提供支撑；扩充学校高层次人才后备库，为学者对标对表、补短补缺强长等提供数据来源和指标参考；为学者科研提供数据决策支持。

针对学科建设，支撑学校学科评估与发展，为实现机构超前规划和精准实施提供参考和支撑；为学校建立新兴交叉学科及机构提供支撑；为学院和学校师资队伍规划和人才布局提供数据参考，使学校学科布局，人才结构调整等方面更精确。

2.2体系结构

全球学科人才雷达是一个全球学科人才大数据治理平台，主要划分为数据层、模型层、画像层和业务层。数据层主要为全球学科人才知识图谱数据库和各类基础原料数据缓存库。模型层是对数据层的一体化组织，提供标准化访问接口。主要为数据模型和基于数据模型的各类算法模型。画像层是对模型层各数据实体和关系的高层次整合，给用户提供了针对性的分析视角和细粒度的视图。业务层是对画像层各数据视图和分析模块的有机整合（见图1，P3）。

2.3数据模型设计与实现

全球学科人才雷达的核心数据模型是由多种实体和关系组成的知识图谱，以统一数据模型来融合不同源异构数据。

实体包括：人才、机构、刊物（包括期刊和会议）、文献（包括论文、专利、专著、数据集等）、主题（文献中提取的研究方向关键词）、国家或地区，以及扩展内容。

关系包括：机构和人才之间的雇佣关系、人才/机构与文献的发表关系、刊物与文献的发布关系、文献与主题的关联关系、主题之间的概念层次关系、文献之间的引用关系，以及其他扩展关系。“单跳关系”还可导出两跳甚至多跳关系。

2.4画像模型设计与实现

本文画像是基于全球学科人才知识图谱并结合实际业务需要而设计的高阶数据模型，通过大数据可视化技术提供相应视图，且支持报表导出、横向分析和下钻分析。

2.4.1人才画像

人才画像是以人才个人为中心视角，以不同视图展现人才各方面关联科研情报的高层次数据模型。

兴趣分析：通过AI技术分析该人才发表的全部作品，根据关键词的出现频次和关联度绘制“兴趣词云”；以“气泡图”展现该学者历年在各个研究方向的产出变化；以表格形式展现该学者在不同研究方向的跟进时间、该方向在全球首次出现的时间、学者在该方向的年均论文数、跟进延迟和研究时长；以“点线图”展现学者研究领域的交叉性和深入性。

发表分析：以柱状图展示学者历年论文数，以折线图展示学者的历年被引数；以堆叠柱状图展示历年论文在不同分区期刊的分布情况；以表格统计展示历年论文数、被引数、一区论文数、一作率、末作率（近似表示“通讯作者”）；以玫瑰图展示论文期刊分布情况，以表格统计在各个期刊/会议的论文数、首次末次发表时间、期刊等级。

他引分析：以柱状图展示历年他引学者数、论文数、期刊数和机构数；以堆叠柱状图展示历年他引文章的分区分布情况；以表格展示他引论文列表。

合作分析：以表格形式展示学者的“合作者视图”，统计出每位合作学者的合作起止时间、论文数、所在机构、学术生涯起止时间、合作论文数；以表格形式展示“合作机构视图”，统计出每家合作机构的合作起止时间、合作论文数、合作学者数；以地图展示“合作机构分布图”，地图上亮点为机构位置，亮点大小表示合作论文数。

人才画像是对科研人才科学素养的数据化全景展示，做到了“比学者更了解自己”，是人才引育分析工作的重要抓手。

2.4.2地区画像

地区画像以某地区为中心视角，以不同视图展现地区各方面关联科研情报的高层次数据模型。由于不同地区有各自的产业特色、人才政策和经济水平，人才往往有明显的地区聚集效应和地方差异。地区画像主要提供地区机构分析、地区学科分析、地区人才分析、地区合作分析等板块。

地区画像可帮助用户了解地方内有哪些机构、人才、学科方向，分析科研优势、人才构成、人才缺口、引才需求、产学结构，为地方人才盘点、校地共建合作、地方人才引进、地方产学对接提供决策支持。

2.4.3学科画像

学科画像以某研究主题为中心视角，以不同视图展现该主题各方面关联科研情报的高层次数据模型。包括：关联学科、新晋学者、新兴主题、跟进机构、相关期刊、学科溯源。其中学科溯源展示该研究方向在全球首次出现的时间、首篇论文、首发学者、首发机构、首发期刊和首发地区。点击可进入相应的文献画像、人才画像、机构画像、期刊画像和地区画像。进一步，可限定地区和机构，研究地区或机构内的首发情况。

2.4.4期刊画像

期刊画像以某期刊或会议为中心视角，以不同视图展现期刊或会议各方面关联科研情报的高层次数据模型。主要展示期刊内的最新论文、高被引论文、高产作者、高被引作者、机构跟进情况、高产机构、高被引机构、最新研究主题、热门研究主题、相关期刊和会议、细分人才库和论文库。期刊或会议有鲜明的學科方向性，对重点期刊的考查有助于快速了解学科前沿动态，发现学科人才，学习借鉴不同机构和人才的研究布局。

2.4.5机构画像

机构画像以某机构为中心视角，以不同视图展现机构各方面关联科研情报的高层次数据模型。主要展示机构内的最新论文、高被引论文、高产作者、高被引作者、学科跟进情况、最新研究主题、热门研究主题等。利用机构画像可学习借鉴不同机构的人才布局和学科规划。

2.4.6团队画像

团队画像以某团队为中心视角，以不同视图展现团队各方面关联科研情报的高层次数据模型。团队画像支持用户自由创建团队，只需要将系统中的人才加入团队，就自动生成团队画像。包括：团队人才分析、研究兴趣分析、参与期刊分析、参与会议分析、合作学者分析、合作机构分析、内部合作分析、人才来源分析、发文质量分析等。

团队画像适合学院或科研团队的精细化人才盘点和实时学科监测，可自定义团队来预判团队实力、发展潜力，为团队组建提供参考。

2.4.7文献画像

文献画像以某文献为中心视角，以不同视图展现文献各方面关联科研情报的高层次数据模型。

3工作方法探索实践

全球学科人才雷达为高校新时代学科人才建设工作提供了一体化的数据环境和有力的决策支持，变革了传统松散、滞后、手动的数据治理方式。研究团队总结了如下协同工作方法。

3.1全球学科人才雷达学科建设分析方法

利用大数据手段支持学科建设工作的科学决策和精准落实，包括如下步骤：

学科使命分析。分析国家“卡脖子”技术涉及本一级学科领域的细分研究方向并收藏标注。通过地区画像了解世界不同国家和地区在细分方向上的研究进展，对比我国发展优势和差距。

学科趋势分析。按研究主题分别进入学科画像主页，分别点击查看“历年论文数走势”“历年学者数走势”“历年机构数走势”按钮了解学科热度，判断学科发展趋势。通过“最新论文”和“最新主题”了解学科前沿动态。

学科跟进分析。通过“学科溯源”了解该研究方向国际和国内第一篇论文的作者、机构和期刊，通过“跟进机构”查看该学科每一所研究机构的跟进研究时间、论文数、学者数。

研究基础自查。利用系统查看本校和本研究团队在某一研究方向上的研究基础。一方面，通过名称搜索本机构，进入机构画像，该方向上本校的跟进时间、历年论文数和学者数；另一方面，通过预设的本学院团队画像，查看学院在该学科方向上的跟进时间、人才投入度、年龄结构、发文数量和期刊等级分布，以及合作学者和机构的世界排名和地域分布。

优势机构对标。通过学科画像，了解在目标学科上有哪些跟进机构，确定学校和学院对标的科研机构，详细对比在跟进时间、历年学者数、年龄结构、发文数量、期刊等级分布、细分研究方向，以及合作学者和机构的世界排名和地域分布上的差异，精细判断不同机构的发力点和投入度差距，为学科建设的追赶超越或差异化发展提供决策支持。

人才缺口判断。通过对比对标机构，可以精准判断出学科建设的人才缺口。

目标人才建模。完成对目标人才模型的精化，这样可以缩小人才搜寻范围，提高目标人才锁定效率。例如，在QS排名前100、某领域的Q1期刊发表至少N篇细分研究方向的相关文章，年龄不超过X岁，且与北方高校有过合作的学者。建模之后，就可以在系统中初步筛选出目标人才列表。

3.2全球学科人才雷达人才精准发现方法

在应用全球学科人才雷达进行人才发现方面，研究团队总结了多种渠道的高效方法。

建模引才法。利用系统提供的人才建模工具，输入人才特征指标，可以实现特定模型的人才查找。

论文作者引才法。当发现一篇高水平论文时，可以在系统中搜索该论文，进入文献画像，查看作者列表。作者列表中展示了作者姓名、排序、署名机构、论文数、学术生涯、年龄估计等信息，进而进入该作者人才画像详细了解。

期刊引才法。通过期刊画像的新晋学者、高产学者、高被引学者、高被引论文的作者等板块，可以快速找到某个学科方向的优秀人才。

合作关系引才法。当某个人才难以引进时，可以通过学者的合作学者列表找到其学生，学生可以继承导师的学术资源，且有更大的发展潜力。

机构引才法。通过机构画像的高质量期刊学者、高被引学者等板块引才。

学科引才法。通过学科画像的新晋学者、高被引学者、高产学者等板块引才。

路径寻才法。利用社交网络“六度分割”理论，系统给出本机构学者与目标学者之间最短的学术社交路径，进而通过路径上的中间学者侧面了解目标人才的情况，便于人才寻访和引进。

奖项引才法。培养出获奖人才的机构往往是优秀人才的源地，而与获奖者合作的人才也往往是优秀人才。系统已标注出诺贝尔奖、图灵奖、菲尔兹奖等获奖学者库，支持奖项引才。

3.3全球学科人才雷达人才深度评价方法

简单指標虽便于人工统计，但不能满足新时代对人才评价的需求，主要在于简单指标不能反映人才内在的差异化特征。例如，单纯论文数并不能反映出学者研究的持续性、广泛性、引领性、影响力和社交圈，而这些是评价学者科学素养的重要内容。所以应在应用全球学科人才雷达过程中，探索出人才深度评价方法。

研究持续性分析。通过人才画像中的兴趣分析模块，分析人才在不同研究方向的起止时间，是否中断，产出是否稳定或加强。横向对比了解学者与同龄学者和同机构学者之间在该研究方向的跟进时间、论文数、被引数、研究时长、年均论文数。

合作广泛性分析。通过人才画像合作分析模块，分析人才合作机构水平和地区分布，判断学者学术社交能力和学术合作资源。进一步通过合作学者列表判断其导师的合作广泛性。

研究引领性分析。通过人才画像中的兴趣分析模块了解该人才是否首创或较早跟进了某个研究方向，再通过引文分析模块了解该人才的论文被什么水平的学者或机构引用，他引论文分布在什么水平的期刊上，从而判断学者的研究有多大的引领性。

领域交叉性分析。查看人才画像中兴趣分析模块的“点线图”，如果出现两个或多个一级学科，且代表每个一级学科的点都足够大，而且点代表的论文数之和明显大于该人才总论文数，则说明人才在多个学科中有多篇跨学科研究成果。

全球学科人才雷达有助于我们摒弃传统的简单指标评价方式，形成人才深度洞察和评价能力，建立基于大数据的人才观。

3.4全球学科人才雷达科研情报支持方法

高水平科研是一项“决策密集型”工作，提高决策效率就意味着解放科研人才创新力。人才培养工作为人才发展服务，其重要内容是为科研人才提供优秀的数据环境和决策支持环境。

全球学科人才雷达为科研人才提供丰富及时的科研情报支持，改变传统的人工低效率检索和反复主动浏览方式。科研人才利用系统，通过人才画像了解优秀人才的学术成长轨迹，为个人学术生涯提供借鉴。在入职高校前后，通过机构画像了解本机构同方向学者的动态，熟悉学术社交环境。及时获知学科或期刊的最新主题和首发学者，及时跟进深入了解，把握学术前沿动态。收藏关注某些学者，随时了解其发展动态。

4应用效果

全球学科人才雷达系统在某高校上线运行两年，推动了学科人才治理体系和治理能力的现代化，具体表现为人才盘点精细化、学科监测实时化、人才评价自主化。

4.1人才盘点精细化

过去人才行政工作人员能够回答本机构的学者人数、团队划分、院系划分等宏观数据，但难以立刻回答某个人才的最新成果、细分研究方向、合作机构分布等细节问题。而科研人才则专注于本团队，对于其他团队、其他学院的学科发展则知之甚少。系统应用以来，改变了过去“兵不识将，将不识兵”的状态，了解范围还可扩大到对全校、外校的精细化盘点。

4.2学科监测实时化

过去的学科监测无法实时化。一方面依赖几大主流的世界大学排名，而排名往往是年度发布或季度发布；另一方面本机构的内部学科监测同样是年度总结时人工向科研人才收集信息再进行人工统计；此外在详细了解学科动态时需要动用大量人力进行低效率的检索和统计。系统应用以来，学院可以快速实时了解本机构和对标机构学科建设的丰富信息，做到知己知彼，大大提高学科建设的科学性、时效性和稳定性。

4.3人才评价自主化

人才评价一方面是“破”，另一方面也要“立”。而实现自主评价的前提是掌握评价所需的基础数据。习近平总书记在讲粮食安全时强调，“饭碗”要牢牢端在自己手中。决策的“粮食”就是数据，“饭碗”就是对数据的治理体系和治理能力，在学科人才数据上，我们同样需把“饭碗牢牢端在自己手中”，就能够在自己的“土壤上”按照自己的需求“种粮食”。

全球学科人才雷达系统应用以来，学校可以在自主可控的数据平台上，自定义人才评价算法，动态调整权重系数，反复试验人才成长评估模型，探索建设自主的学科人才评价体系。

5总结

大数据并不能解决全部问题，但是具有解决问题的能力。大数据并不能替代决策，但能提高决策效率。我们探索出基于大数据的工作思路和模式，运用知识工程技术构建了全球学科人才信息供应链，搭建了全球学科人才雷达系统，实现了全球学科人才数据的一体化治理，在学科建设分析、人才精准发现、人才精准培育、科研情报支持等方面形成了新方法新经验。

基金项目：2022年西北工业大学发展战略研究基金委托项目（2022WT02）；2021年教育部人文社会科学研究一般项目（21XJC870002）。

参考文献

[1]卫承霏.大数据思维下人才引培管理模式的变革[J].改革与开放， 2015（24）： 41-44.

[2]张静辉.高校高层次人才引育“三重三轻”问题及解决策略初探[J].价值工程，2020，39（1）：42-43.

[3]赵长海，宋晓龙，姚金玲，等.引育并举构建可持续壮大的科技创新人才团队[J].农业科技管理，2016，35（4）：74-77.

[4]Zhang Ai，Xie Li，Liu YiLing.The training and introduction thinking of innovative talents in colleges and universities under the background of The New Era[J].2020，3（4）：261-262.

[5]孫静霞.高校高层次人才“引育用服”创新机制研究[J].产业创新研究，2020（22）：194-195.

[6]廖克敏.“人才强桂战略”背景下广西高校高层次人才引育机制建构研究[J].高教学刊，2020（15）：101-103，107.

[7]滕心蕊，林萍.“双一流”建设中高校人才引进的问题与建议[J].理论观察，2019（11）：140-142.

[8]程文凤.高校海外高层次人才引育的问题与措施[J].文化创新比较研究，2019，3（13）：168-169.

[9]王小力，彭正霞.C9高校青年高层次人才引进问题与对策研究[J].高等教育研究，2017，38（6）：32-39.

[10]兰智妮，徐榕，梁夏.西部地区高校一流学科及人才引育工作实践[J].现代经济信息，2018（12）：438.

[11]陆媛，王伟.高校高层次人才引育机制的探索与构建[J].黑龙江高教研究，2016（2）：149-151.

[12]徐剑波，陆道坤，付瑶瑶.论创新高校高层次人才“引”“培”“用”机制[J].高教探索，2013（2）：39-42.

[13]徐涛.基于大数据分析的人才培养模式设计[J].现代电子技术， 2020，43（20）：122-125.

[14]詹川，龚英，杨婷婷.大数据视角下供应链人才需求分析及其在重大疫情下变化趋势的研究[J].供应链管理，2020，1（9）： 14-20.

[15]雷鸣.大数据背景下我国人才培养研究的科学知识图谱可视化分析[J].内蒙古大学学报（自然科学版），2020，51（3）： 279-286.

[16]陆婷，朱家明.大数据背景下数据数学建模对人才培养的影响探析[J].黑河学院学报，2019，10（6）：148-150.