一、引言

人才评价是人才发展体制机制的重要组成部分，是人才资源开发管理和使用的前提。面对我国现有人才评价机制存在的分类评价不足、评价标准单一、评价手段趋同、评价社会化程度不高、用人主体自主权落实不够等问题，《关于分类推进人才评价机制改革的指导意见》(中办发[2018]6号)文件指出要“克服唯学历、唯资历、唯论文等倾向，注重考察各类人才的专业性、创新性和履责绩效、创新成果、实际贡献……建立以同行评价为基础的业内评价机制，注重引入市场评价和社会评价，发挥多元评价主体作用”。这需要我们遵循人才成长规律，健全科学的人才分类分级评价体系，建立评价标准动态更新调整机制。一般而言，完整的人才评价体系应包括人才评价对象、人才评价机构、人才评价标准体系、人才评价方法以及人才评价制度[1]。

面对上述现实问题，本文则聚焦科研人才1的学术(社会)活动特点，引入用户画像概念，建立起科研人才的细粒度、多维特征刻画模式，并据此进而探寻科研人才评价的新路径，构建可量化、动态更新的科研人才分类分级评价模型，以期进一步完善与拓宽相关研究视野，助力相关实践落地。

二、科研人才评价的现实困境

(一)科研人才分类标准不一，相关评价活动难深入

在人类经济社会发展与学术活动中，人才评价是一个常态话题，“四唯”问题只是一个阶段性缩影。为了更好地挖掘、用好人才，不同机构或个人有着各自的理解和认识，科研人才的分类标准亦有差异(如依据项目级别、社会/单位贡献、工作性质、获奖级别等等)，且难统一。

一般来说，当前熟知度较高且服务于管理的人才分类标准多是按照人才所从事的工作性质来划分，见表1。其中，按工作性质划分，不同类型人才所从事的工作描述，见表2。

表1我国现行主流的几种人才分类标准

表2不同类型人才所从事的工作描述

综上可知，当前的科研人才分类标准多是面向管理的需要划分，诸如按工作性质划分的分类标准，虽然能直观反映人才类别归属，但实际使用过程中多是科研人员自行选择，而对广大科研人员来说，所从事研究领域的边界本身相对模糊，难以精准判断，且因缺乏足够的信息支撑，人才的分类评价多是量化的统计、难以深入细粒度精准刻画。同时，由于现有人才分类的模糊等，尽管科研人才分为科学研究型和技术应用型，但现有的评价体系更倾向科学研究，而忽视技术应用，这导致相关人才的待遇和社会地位较低，缺乏创新动力[7]。

(二)定性模糊化和全量化缺陷

目前我国主流的人才评价方法，主要包括以同行评议为代表的定性评价法、以文献计量为核心的定量评价法以及定性定量相结合的综合指标评价法。同行评议是指由某一领域或接近该领域的专家对人才所从事学术工作的学术水平或重要性进行的评价，不过该方法具有保守性、走过场等缺陷[8]，且对于跨学科、跨专业的人才评价难以把握[9]。文献计量法主要是将文献计量的系列指标应用于人才评价活动中，如利用引文率评价科研人员水平[10]，综合学者的发文与被引现象将h指数引入人才评价[11]，而针对h指数在低发文、高引用、学者活跃度等评价缺陷，融合学者活跃度的H＿t指数[12]、融合平均引用率的p指数[13]、考虑高被引论文的g指数[14]、综合更多作者基本数据的RA指数[15]、引入“位置加权”算法[16]的RAC指数[17]等方法相继提出，然而不管计量方法如何改进，本质上还是以成果为导向的，且现有人才评价过于依赖这类指标[18]，诱发人才追求论文数量的急功近利的倾向，对于科技人才的成长环境造成了巨大的负面影响。因此，极端量化和唯量化的学术评价应该终止，需要将将定性和定量的科学相结合[19]，但相关的评价模式并未真正建立起来。

(三)个人评价脱离团队

国家《关于深化项目评审、人才评价、机构评估改革的意见》文件明确提出要注重个人评价与团队评价相结合，尊重和认可团队所有参与者的实际贡献。而在传统的人才评价中，过分强调个人科研成果数量和排名，造成了个人对团队工作的消极性和影响非核心团队成员的积极性和主动性[20]。值得一提的是在科研人员之间的合作日益紧密的时代背景下，科研的组织形式已经从个人转向团队的方式，未来的人才评价将更注团队导向，要注重个人团队的构建和评价[21]。因此，对一个科研人才进行评价时，不能仅仅只看其个人的科研方面能力，其协同能力、团队能力亦要纳入考虑范畴。

三、用户画像与科研人才评价

借以丰富多样的标签，用户画像能够全面刻画用户的整体特征和轮廓，且亦可实现动态更新，已在各行各业中广泛应用，累积了相对成熟的技术方案或原型。

(一)用户画像及其构建

用户画像的概念最早是由交互设计师AlanCooper[22]于1999年提出“它是创造出来的虚拟的用户，是建立在真实数据之上的目标用户模型”。而大数据时代背景下，Amato[23]将用户画像定义为一个从海量数据中获取的、由用户信息构成的形象集合，通过这个集合，可以描述用户的需求、个性化偏好以及用户兴趣;它是一种用户信息标签化方法，主要通过抽象出标签信息可以完美地呈现出用户全貌，最终形成一个虚拟用户的全貌[24]。

用户画像的构建，主要涉及构成要素的选择和模型构建算法。其中，构成要素是用户画像的出发点，它由和用户个人相关的稳定要素和可变信息组成[25]，具体包含用户的基本素养、学历层次、社会关系、工作状况、位置情况、时间信息等方面[26]，这些要素可统称为标签，按照标签生成的机制方法依次分成了事实标签、模型标签和预测标签(图1)。而用户画像的模型构建方法呈现多元化趋势。主流的包含基于本体的用户画像构建[27]、基于主题模型的用户画像构建[28]、基于聚类算法的用户画像构建[29]、基于贝叶斯的用户画像构建[30]以及基于神经网络的用户画像构建[31]，等等。

图1用户画像标签构成

(二)用户画像的领域应用

借助用户画像能够产生多维度、细粒度的数据，这对挖掘用户的需求和特点、精准刻画用户起着关键的数据支撑，并由此提供更为个性化、精准的服务。目前，用户画像已经广泛应用于商业市场营销、社会公共服务以及安全保障等诸多生产实践活动，如下所述。

1)市场营销:洞察客户偏好，做好精准服务

市场营销中，用户画像通过识别和描绘目标用户，把握消费者的需求，以实现广告的精准推送[32]，如:从人口特质、行为特征以及心理特质构建的消费者用户模型，为企业提供实施精准营销策略[33];为助力电力营销，提出的由客户标签、价值需求、服务策略构成的电力客户画像[34]，可为特定客户的细粒度洞察、服务质量及客户满意度提升打下良好的基础;基于用户基本属性数据、用户行为属性数据以及用户情境属性数据抽象出丰富的游客标签，结合本体建模方法建立的旅游情境化推荐用户画像概念模型，由此基于用户画像开展旅游情境化推荐服务[35]。

2)公共服务:了解用户需求，打造个性服务

社会公共服务对用户画像的应用，以图书馆服务为典型代表，如:图书馆应用用户画像能够帮助图书馆员了解用户，为用户提供精准服务[36];从注册数据、借阅数据、行为数据等多方位、多维度细致描绘出读者画像，助力智慧图书馆建设[37];从用户行为的心理偏好角度出发，借鉴VALS2的用户细分方法构建了高校移动图书馆的用户画像标签体系[38]。

3)安全保障:监控异常行为，加固安全保障

公安部门在犯罪侦查中以海量数据为基础，以大数据技术为支撑，以犯罪行为人的各种数据为参照，运用专业软件，刻画出犯罪行为人的数据影像图谱，为侦查假设、制订了切实可行的侦查方案[39];构建用户的网络行为数据建立用户画像，检查用户的异常行为，快速定位异常客户的设想，从而为网络安全提供保障[40];提出结合用户角色和个人用户操作行为特征，利用用户日志历史信息刻画用户行为安全画像，对网络安全进行评估[41]。

(三)用户画像在科研人才评价中的应用

将用户画像用于科研人才画像，助力相关工作或学术活动开展，目前已涌现出了不少实践案例，如:国外ResearchGate网站，为学者赋予了学科、研究领域、知识技能等标签;以大连理工大学为代表的机构知识库，从学术头衔、研究方向、合作关系、任职信息、教育经历等全面介绍学者;华东师范大学全球高端人才专题数据库，提供了人才画像评分，并刻画有人才的学术迁徙图、合作关系等信息。

然而，将用户画像在人才评价探索在国内尚处于起步阶段，且多是解决如何对人才进行科学画像问题，如:基于知识、技能和业绩三个维度[42]进行企业人才画像;从基本属性、研究兴趣、学术影响力三个维度构建杰出人才画像[43];使用主题模型处理全局科研人员科研行为数据，使用长短期记忆网络提取科研人员局部动态变化的科研行为，意在解决信息的充分利用和画像更新问题[44]。此外，利用社交数据对画像中的缺失属性进行填充亦值得关注，如Mislov等人[45]利用莱斯大学与新奥尔良大学学生的Facebook数据，采用无监督学习的方法从中提取主题作为特征，对学生画像中的缺失属性进行预测。

值得一提的是，国家哲学社会科学工作办公室在2018年首次资助了两项国家社科基金项目(“大数据环境下杰出人才画像构建与人才评价研究”和“融合多源异构数据的科研人才画像构建及其应用研究”)以期学者探索用户画像在科技人才评价的新模式、新路径和新情景。

四、基于用户画像的科研人才分级分类评价模型

(一)科研人才用户画像数据描述

有关科研人才的数据是海量的，现行主流人才评价时用到的数据仅是冰山一角，为科学建立健全人才评价体系，需要厘清科研人才在其开展学术活动、社会活动中所留下的种种“足迹”，这也是对科研人才进行多维细粒度画像的第一步(即用户画像的构成要素梳理与选择)。结合科研人才的活动特点，科研人才数据主要包括以下几类。

1)学者基础信息

主要包括姓名、性别、职称、单位、学科、参与项目、研究方向、任职经历、教育背景及所获奖励等相对稳固的事实数据，用于对人才的成长路径揭示、类型甄别等。

此类数据，通常可以从学者个人主页、单位个人信息页、人才专题库及社交平台中获得，不过由于前两者的信息比较分散、且并非强制，各类人才专题库、社交平台(如科学网博客、ResearchGate、LinkedIn等博客/社区)往往成为数据获取的一个重要来源。

2)学者学术信息

主要包括学者的学术活动(出席的各类学术会议)和学术成果(图书专著、期刊论文、会议论文等)等动态变化的数据，是评价(科学研究型)人才的重要数据来源。其中，学术成果的各类题录数据(作者及合作者、关键词、摘要、基金资助、被引次数、曝光量等等)及正文，均可作为评价的对象。

此类数据，通常是依托各类数据库获取，如国内的知网、万方等，国外的Springer、WebofScience等。

3)技术研发数据

主要体现为专利(发明专利、实用新型专利、外观设计专利等)这一动态变化的数据，包括专利名称、主权项、摘要、类型、分类号、引用情况等数据项，它重点反映人才的技术研发与利用能力，是评价(技术应用型)人才的重要数据来源。

此类数据，通常源自各国家的知识产权局及第三方专利数据库。

4)学者社会活动

主要体现为替代计量学研究的各类数据，包括但不限于开发的软件、分享的代码、共享的数据、研讨的视频、会议的PPT、撰写的学术博客、发表的学术意见、对公众的科普、撰写的专报等，是测量学者的团队协作、学术共享及社会贡献等的一个重要数据来源。

此类数据涵盖范围甚广，可以从多源渠道采集并进行聚合得到，常见的数据源，包括替代计量学工具(Altmetric.com、PLoSImpactExplorer、PlumAnalytics、ImpactStory等)、社交媒体(ResearchGate、科学网博客等)、数据集搜索引擎DatasetSearch等。

(二)基于用户画像构建科研人才评价模型

国家《关于分类推进人才评价机制改革的指导意见》指出要“建立健全以科研诚信为基础，以创新能力、质量、贡献、绩效为导向的科技人才评价体系”，而从多源海量的科研人才数据抽取生成的多维尺度、丰富多样的科研人才画像标签，并引入大数据等技术方法，将这些标签进行重组织形成关心的主题，不仅能够在一定程度上能够人才评价体系的优化提供新范式、新路径，亦可实现动态实时更新，继而为站在更大的时间尺度上了解人才成长、发展等提供支持。

在广泛调研的基础上，笔者遵循“科研诚信为基，突显科研人员的能力与贡献，兼顾团队”思路，引入用户画像概念将科研人才数据进行标签化处理与组合(图2)，提出一套可动态更新、具有一定普适性的科研人才分类分级评价模型(表3)。该模型采用科研诚信一票否决制，即如果某科研人员在表3所示的“科研诚信”维度上表现为“O”，则将其剔除人才之列。

图2面向科研人才评价的用户画像标签生成及特定利用图解

表3科研人才分类分级评价模型

该评价模型中的“基础研究能力、应用研究能力、技术研发能力”三个维度用来指导人才分类，“科研诚信、社会贡献、团队协作”三个维度用来对人才进行分级评价(表4)，且每个维度的取值均进行二值化处理，取值范围为{有，无}，以直观高效评价人才当前的状况。当然，因维度的取值源自于标签，如果想了解人才画像的具体信息，每个维度均具备数据钻取功能，支持查看各个细粒度的标签信息。其中，表1仅展示了在人才分类边界清晰这一极端情况下的人才分类分级状态，不过由于科研人员有时会一个以上的维度上有得分(基础研究能力、应用研究能力、技术研发能力三个维度)，如果出现这种情况，人才分级等级将按序依次递增，且对应的科研人员越权威。而在具体使用过程中，应结合学科领域人才特点和实际工作需要，对各维度的取值得分设定不同的阈值，灵活调整科研人员入选标准，将不关心的科研人员回避。

表4科研人才分级评价特征描述

(三)基于用户画像的科研人才分类分级评价模型应用

本文提出的科研人才分类分级评价模型(表3)，主要是将源自科研人才真实的学术(社会)活动中留下的种种行为数据进行标签化处理与有机组合，科研管理部门等结合实际需要设定一定的入围门槛(各维度的阈值)，观测科研人才在六个不同维度上的{有，无}取值情况，形成宏观评价和整体认识。而针对同类同级别的科研人才评价，则由表4中各维度上的实际取值得分，并经加权求和后，依据得分高低进行排名，取值越高，则学者影响力越高。其中，每个维度的权重，可根据实际工作需要做调整。

模型在实际使用过程中，一般遵循以下四个步骤。

第一步科研人才画像构成要素选择，即标签确立。

图2所示，科研人才标签丰富多样，使用时需结合学科领域特点等，确立评价模型各维度对应的标签，并与实际科研人才数据建立联系。如科研诚信识别的视角维度有很多，图2选取学者发表的论文集合，观察论文研究主题与论文标注的基金(项目)资助信息间的潜在关联，若两者无任何关系，则判定学者缺乏科研诚信。

第二步科研人才画像标签生成

针对已确立的标签，结合实际科研人才数据进行标签的抽取;由于数据的复杂性，若标签无法抽取时，则需要重复第一步、更换标签。其中，对于事实标签(如专利族大小、基金项目)，一般可直接获取，而对于模型标签(如研究热点、技术前沿度)、预测标签(如潜在研究方向、潜在合作关系)，则需要建构标签抽取的特定识别模式进行抽取。

第三步科研人才评价模型中的算法构建

基于标签数据，构建评价模型各维度的取值算法，重点是将观测的各标签有机组合起来能够真实、客观反映科研人才各维度情况，因选取的标签不同，对应的取值算法，亦有差异。

第四步结果生成与可视化呈现

利用已构建的取值算法，计算并输出科研人才分类分级评价结果，同时利用可视化技术为各维度上的细粒度标签信息展示提供支撑。此外，在科研人才画像标签确定的情况下，周期性地采集科研人才数据，重复第二步至第四步，即可实现评价数据的动态更新。

由上可知，本文提出的评价模型核心在于标签的选择、生成与有机组合，而根据生成机制方法的不同，标签依次分成了事实标签、模型标签和预测标签(图1)，以下对这三类标签的生成方法，做简要描述。以ResearchGate网站数据为例，事实标签(研究方向)可通过直接的统计匹配方式将人才的职业履历信息以及知识技能数据转换生成，模型标签(公众影响力)可通过科研人才在网站中的粉丝数、文章阅读数等数据进行综合计算，模型标签(研究实用性)可通过科研人才的研究热点与行业需求之间的相关性、契合度进行获得，预测标签(潜在合作者)通过学者(被)关注的科研人员及其感兴趣的主题和研究成果等数据建立预测模型，识别潜在合作者。

五、结束语

本文聚焦面向科研人员的人才评价问题，探索人才评价的新路径，主要在全面梳理与厘清当前人才评价的困境(如科研人才分类标准不一致使相关评价活动难深入、定性模糊化和全量化缺陷、个人评价脱离团队等)，以系统廓清现状，并论述了用户画像在科研人才评价活动中的可行性，梳理了科研人才数据来源及画像标签库，借以标签聚合重组等形式，构建了一套可动态更新、具有一定普适性的科研人才分类分级评价模型，以期为相关研究与实践提供新思路、开拓新视野等起到抛砖引玉的作用。

本文的不足之处在于，虽提出了分类分级评价模型且描绘了模型的利用方式但应用验证较弱，这有待于在后续研究中加以完善。

参考文献：

[1]萧鸣政.人才评价机制问题探析[J].北京大学学报(哲学社会科学版),2009(3).

[2]新华社.中共中央办公厅国务院办公厅印发《关于分类推进人才评价机制改革的指导意见》[EB/OL].(2018-02-26)[2019-10-17].

[3]江苏省人力资源社会保障厅.省人力资源和社会保障厅关于印发《深化全省职称制度改革总体方案》的通知[EB/OL].(2016-12-30)[2019-10-17].

[4]姬养洲,郑俐.分类推进人才评价机制改革的重点､难点分析与思考[J].中国人事科学,2018(5).

[5]冯雪,刘倩,李晓妍.河北省科技人才分类评价[J].合作经济与科技,2017(4).

[6]赵伟,包献华,屈宝强等.创新型科技人才分类评价指标体系构建[J].科技进步与对策,2013(16).

[7]朱郑州,苏渭珍,王亚沙.我国科技人才评价的问题研究[J].科技管理研究,2011(15).

[8]王松梅,成良斌.我国科技人才评价中存在的问题及对策研究[J].科技与管理,2005(6).

[9]李思宏,罗瑾琏,张波.科技人才评价维度与方法进展[J].科学管理研究,2007(2).

[10]吴尔中.文献计量学与人才评价[J].技术与市场,1981(4).

[11]邱均平,缪雯婷.h指数在人才评价中的应用———以图书情报学领域中国学者为例[J].科学观察,2007(3).

[12]许鑫,徐一方.Ht指数———基于时间维度的H指数修正[J].情报学报,2014(6).

[13]王志军,郑德俊.p指数运用于人才评价的有效性实证研究[J].图书情报工作,2012(14).

[17]傅雷鸣,杨明,王兆烨等.RAC指数-提升科研人员影响力评估公平性的新指标[J].情报杂志,2019(8).

[18]王海燕,张昕妍.我国科技评价体系改革的困境与对策[J].中国软科学,2018(4).

[19]苏新宁.学术评价与学术考核奖励机制的辩证观[J].西南民族大学学报(人文社会科学版),2017(9).

[20]王海燕,张昕妍.我国科技评价体系改革的困境与对策[J].中国软科学,2018(4).

[21]吴新辉.新技术革命时代人才评价的范式转变与方法[J].中国人事科学,2018(3).

[24]余孟杰.产品研发中用户画像的数据模建———从具象到抽象[J].设计艺术研究,2014(6).

[28]王丹.基于主题模型的用户画像提取算法研究[D].北京工业大学,2016.

[31]辛菊琴,蒋艳,舒少龙.综合用户偏好模型和BP神经网络的个性化推荐[J].计算机工程与应用,2013(2).

[32]王裴.分析用户画像在企业精准营销中的应用方式[J].商场现代化,2017(18).

[33]刘海,卢慧,阮金花等.基于“用户画像”挖掘的精准营销细分模型研究[J].丝绸,2015(12).

[34]余向前,王林信,李云冰等.电力营销信息化客户画像的应用研究[J].计算技术与自动化,2017(4).

[35]刘海鸥,孙晶晶,苏妍嫄等.基于用户画像的旅游情境化推荐服务研究[J].情报理论与实践,2018(10).

[36]陈慧香,邵波.国外图书馆领域用户画像的研究现状及启示[J].图书馆学研究,2017(20).

[37]潘宇光.高校智慧图书馆读者信息需求的用户画像[J].合肥工业大学学报(社会科学版),2018(2).

[38]陈添源.高校移动图书馆用户画像构建实证[J].图书情报工作,2018(7).

[39]王彬.犯罪侦查中的大数据方法研究[J].净月学刊,2018(2).

[40]朱佳俊,陈功,施勇等.基于用户画像的异常行为检测[J].通信技术,2017(10).

[41]何雪海,黄明浩,宋飞.网络安全用户行为画像方案设计[J].通信技术,2017(4).

[42]雍志娟.基于专业领域知识服务体系的人才画像描绘及应用[J].科技与出版,2018(5).

[43]高扬,池雪花,章成志等.杰出人才精准画像构建研究———以智能制造领域为例[J].图书馆论坛,2019(6).

[44]张亚楠,黄晶丽,王刚.考虑全局和局部信息的科研人员科研行为立体精准画像构建方法[J].情报学报,2019(10).

姚占雷,陈红伶,许鑫.科研人才分类分级评价研究[J].西南民族大学学报(人文社科版),2020,41(06):234-240.