#методичка

Я нашёл её индекс g

Привет, коллега!

В одном из прошлых постов мы говорили о нечестных способах накрутки индекса Хирша, но на самом деле это не единственный способ оценивать эффективность исследователей. Так что сегодня поговорим о любимой теме наших чиновников: о наукометрических показателях ученых

🔸Индекс Хирша (h-index) является самым популярным показателем. Он равен N, если N статей учёного были процитированы N раз. За всю карьеру ты можешь выпустить одну прорывную статью, которую будут цитировать тысячи людей, но твой Хирш будет равен 1. Так, например, известный Нобелевский лауреат Питер Хиггс имеет индекс Хирша всего 20. Тут между прочим такой же уровень к завлабам предъявляют. Другой менее известный Нобелевский лауреат Акира Ёсино не дотянул бы 😪. И с одной стороны преимуществом индекса Хирша является то, что он учитывает и количество статей, и их цитируемость, но с другой стороны совершенно не отражает значимость отдельных публикаций. Плюс ко всему, он зависит от продолжительности карьеры, ты даже можешь перестать публиковаться, а Хирш всё равно будет расти, так как больше людей будут цитировать старые работы.

🔸Общее количество статей/цитирований также могут использоваться как метрики, но по факту не всегда хорошо (и почти всегда плохо) отражают вклад учёного в науку. Зато именно количество статей чаще всего оценивается разными бюрократами.

🔸Индекс g (g-index) был предложен на год позднее, чем h-индекс и как-то затерялся в анналах истории, хотя и попытался учесть вклад высокоцитируемых работ. Индекс g равен N, если N статей учёного цитируются хотя бы N^2 раз. То есть, для того, чтобы иметь Хирш 10 достаточно 10 цитирований 10 работ, а вот для g-индекса 10 придётся процитировать их уже 100 раз 😰. У большинства исследователей g-индекс редко достигнет таких значений, поэтому с его помощью очень тяжело оценивать эффективность учёных.

🔸Индекс i10 (i10-index) используется в основном Google Scholar и показывает количество публикаций учёного, процитированных по крайней мере 10 раз. Опять же попытка учесть высокоцитируемые работы.

🔸Индекс m (m-index) представляет из себя модификацию индекса Хирша, которая учитывает стаж учёного. Рассчитывается как отношение h-индекса к числу лет с момента первой публикации учёного, что хоть как-то позволяет нормировать учёных с разным стажем. Также есть модификация индекса Хирша без учёта самоцитирований.

🔸Индекс hc (hc-index) был разработан для динамической оценки цитируемости публикаций. Он добавляет к каждой цитируемой статье весовой коэффициент, зависящий от возраста, придавая меньший вес более старым статьям. То есть, если учёный где-то в начале карьеры делал классные работы, а потом скатился, то его h-индекс может расти, а вот hc-индекс будет уменьшаться.

➖➖
Так что разные должностные лица могут добавлять пост себе в сохранёночки и в следующем году выкатить новые KPI для своих сотрудников 🥱. А лучше сразу в этом, чтобы эти учёные под конец года не расслаблялись. А как-нибудь в следующий раз я расскажу, как оценить не только учёного, но и журналы в которых он публикуется.

#лабжурнал

Одна женщина спросила мудреца:
– Почему мужчина, имевший много женщин – хороший мужчина, а женщина, имевшая много мужчин – плохая?
На что мудрец ей ответил:
- Вот если антитело подходит к разным эпитопам - это хорошее антитело?
- Ну, наверное
- А вот если один эпитоп к разным антителам?
- То это плохие антитела
- Дура, такую притчу запорола!

Привет, коллега!

Сегодня расскажу про иммуногистохимическое окрашивание - достаточно рутинный для многих биологов и патоморфологов метод. Те, кто про него никогда не слышали, смогут на простом примере узнать, как выявляют специфические молекулы на основе взаимодействия антиген-антитело. А для тех, кто уже с ним сталкивался, в конце поста я приведу несколько лайфхаков 😁

Пост получился большой и, думаю, в данной рубрике это станет нормой. Так что читай и смотри мемы в телеграфе

#сдохни_или_умри

От ваших ки-пи-ай у меня уже ОКР

Привет, коллега!

На прошлой неделе мы говорили о различных индексах, которые призваны оценивать учёных. И все они не идеальны, как и многие количественные показатели, которыми пытаются измерять труд. Сегодня я бы хотела рассказать о двух подходах к определению эффективности людей и команд. Возможно, эта информация пригодится для того, чтобы говорить с разного рода начальством или хотя бы чтобы понимать, чего они от тебя хотят.

Первый подход оценки работы - это KPI (key performance indicators). Думаю, система знакома многим и у многих вызывает только головную боль 😡 Смысл её в том, чтобы задать некоторые показатели, которые можно будет отслеживать раз в какой-то период, и по результатам, например, определять сколько денежек должен получить сотрудник. Типичные KPI прописаны в трудовом контракте: надо N статей в год, N методичек, N руководства студентами и так далее.

И если ты уже сколько-то поработал в науке, то знаешь, что любые KPI прекрасно закрываются имитационными процессами. Надо N статей? Ок, напишем в нерецензируемые журналы. Надо N статей в Q1? Ок, напишем в MDPI парочку обзоров, а то и вовсе прибегнем к фальсификации данных. Ещё можно покупать соавторство или соавторов, в общем, вариантов масса. Методички посадим писать студентов, которыми и нужно руководить, очень удобно!

И самое главное, люди начинают работать не для какой-то высшей цели, а на выполнение этих самых KPI. Статьи пишутся не ради нового научного знания, а ради самих статей. Ещё пример, в мою аспирантскую пору, полицейские в главном здании МГУ под конец месяца обшаривали все кусты в поисках курильщиков в незаконных местах, чтобы выполнить план по административным преступлениям. Они ещё жаловались, что эти цифры постоянно увеличивают. Не знаю, на что им теперь приходится идти ради показателей 😰

И если мы хотим думать именно о целеполагании, то система KPI не очень подходит и в середине прошлого века стала развиваться альтернативная система оценки эффективности - OKR (Objectives and Key Results). В этой системе первоначально ставятся некие цели (objectives), причём они должны быть достаточно амбициозны, но не недосягаемы. Считается, что эти цели не могут быть достигнуты полностью, иначе они слишком приземлённые, но и слабое продвижение тоже плохо, значит, цели недостижимы. Оптимум считается выполнение на 70%, что бы это ни значило 🤷‍♂️ Далее эти цели разбиваются на 3-5 ключевых результатов (key results). Например, научная группа хочет войти в топ 10 групп по данной тематике в мире. Для этого она ставит ключевые результаты в плане качества работ и, соответственно, журналов для публикации, количества конференций, представленности в соцсетях и тд.

Звучит как KPI, не так ли? Не совсем, очень важно, что key results никак не должны влиять на зарплату сотрудника. И это именно то, на чём часто сыпятся бюджетные учреждения, пытающиеся внедрить систему OKR, не будучи готовыми отпустить финансовые кнут с пряником. И тогда, если спустить ключевые результаты сверху, сотрудники займутся имитацией. Если дать им самим обозначить для себя результаты - то они обозначат те, что заведомо смогут выполнить или даже перевыполнить. А в OKR перевыполнение заведомо невозможно.

Критика OKR связана как раз с туманностью формулировки цели, которую нужно выполнить на 70% и никак иначе, а также с теорией о том, что без финансового стимула люди не будут хорошо делать свою работу. Тем не менее, многие IT компании достаточно успешно работают с OKR.

На мой взгляд, KPI хороши для операционных процессов, не требующих творческого подхода. Завод должен выпускать подшипники в нужном количестве нужного качества и тут KPI подходят как нельзя лучше. Но если завод хочет перестраиваться, выпускать ещё и шарики, то постановка новой производственной линии и системы разделения труда, как мне кажется, требует уже OKR. А если говорить про науку, то это же вообще очень творческий процесс и опыт показывает, что если отстать от учёных с цифрами и дать им относительную свободу - то они сами прекрасно справятся, чай не дураки 🤓