ວິວັດທະນາການຂອງໂຕຊີ້ວັດຜົນກະທົບທາງວິຊາການ

ຈາກອະດີດ, ປັດຈຸບັນ, ສູ່ອະນາຄົດຂອງການວັດແທກຄຸນຄ່າທາງວິທະຍາສາດ

ອະດີດ: ຍຸກຂອງການວັດແທກລະດັບວາລະສານ

ໃນຊ່ວງກ່ອນຊຸມປີ 2000, ການປະເມີນຜົນກະທົບແມ່ນເນັ້ນໃສ່ຊື່ສຽງຂອງ "ສະຖານທີ່ຕີພິມ" ເປັນຫຼັກ.

Journal Impact Factor (JIF)

ລະດັບວາລະສານ

ຫຼັກການ: ວັດແທກຈຳນວນຄັ້ງໂດຍສະເລ່ຍທີ່ບົດຄວາມໃນວາລະສານສະບັບໜຶ່ງຖືກອ້າງອີງໃນຊ່ວງ 2 ປີທີ່ຜ່ານມາ.

ຈຸດປະສົງເດີມ: ຖືກສ້າງຂຶ້ນເພື່ອຊ່ວຍໃຫ້ບັນນະລັກຕັດສິນໃຈວ່າຄວນສະໝັກຮັບວາລະສານໃດ.

ຂໍ້ຈຳກັດ: ມັກຖືກນຳມາໃຊ້ຜິດຈຸດປະສົງ ເພື່ອປະເມີນຄຸນນະພາບຂອງນັກຄົ້ນຄວ້າ ຫຼື ບົດຄວາມແຕ່ລະບົດ, ທັງທີ່ມັນເປັນພຽງໂຕຊີ້ວັດຂອງວາລະສານໂດຍລວມ.

ປັດຈຸບັນ: ຍຸກຂອງໂຕຊີ້ວັດທີ່ຫຼາກຫຼາຍ

ວົງການວິຊາການຮັບຮູ້ຂໍ້ຈຳກັດຂອງ JIF ແລະ ໄດ້ພັດທະນາໂຕຊີ້ວັດທີ່ຫຼາກຫຼາຍໃນລະດັບຕ່າງໆກັນ.

ກຸ່ມທີ 1: ໂຕຊີ້ວັດລະດັບນັກຄົ້ນຄວ້າ (Author-Level)

h-index

ສ້າງຄວາມສົມດຸນລະຫວ່າງປະລິມານ (ຈຳນວນບົດຄວາມ) ແລະ ຜົນກະທົບ (ຈຳນວນການອ້າງອີງ) ຂອງນັກຄົ້ນຄວ້າ.

g-index

ເປັນໂຕປັບປຸງຂອງ h-index ທີ່ໃຫ້ຄວາມສຳຄັນກັບບົດຄວາມທີ່ຖືກອ້າງອີງສູງສຸດຫຼາຍຂຶ້ນ.

ກຸ່ມທີ 2: ໂຕຊີ້ວັດລະດັບບົດຄວາມ (Article-Level)

Citation Count

ຈຳນວນການອ້າງອີງທັງໝົດທີ່ບົດຄວາມໜຶ່ງໄດ້ຮັບ. ເປັນວິທີທີ່ງ່າຍທີ່ສຸດ ແລະ ໂດຍກົງທີ່ສຸດ.

Field-Weighted Citation Impact (FWCI)

ປຽບທຽບການອ້າງອີງຂອງບົດຄວາມໜຶ່ງກັບຄ່າສະເລ່ຍຂອງບົດຄວາມອື່ນໆໃນສາຂາວິຊາດຽວກັນ. ຄ່າສູງກວ່າ 1.0 ໝາຍຄວາມວ່າດີກວ່າຄ່າສະເລ່ຍ.

ກຸ່ມທີ 3: ໂຕຊີ້ວັດທາງເລືອກ (Alternative Metrics)

Altmetrics

ວັດແທກຜົນກະທົບທີ່ກວ້າງກວ່າການອ້າງອີງທາງວິຊາການ, ໂດຍຕິດຕາມການກ່າວເຖິງຜົນງານໃນຊ່ອງທາງຕ່າງໆ.

Social Media ຂ່າວ ແລະ ສື່ ວິກິພີເດຍ

ອະນາຄົດ: ສູ່ການປະເມີນແບບຮອບດ້ານ

ແນວໂນ້ມແມ່ນການກ້າວຂ້າມການເພິ່ງພາໂຕເລກພຽງໂຕດຽວ ໄປສູ່ການປະເມີນທີ່ກວ້າງຂວາງ ແລະ ມີຄວາມຮັບຜິດຊອບຫຼາຍຂຶ້ນ.

ການໃຊ້ໂຕຊີ້ວັດอย่างມີຄວາມຮັບຜິດຊອບ (Responsible Metrics)

ໃຊ້ "ກະຕ່າຂອງໂຕຊີ້ວັດ" (Basket of Metrics) ທີ່ຫຼາກຫຼາຍເພື່ອໃຫ້ເຫັນພາບລວມ. ສະໜັບສະໜູນໂດຍການເຄື່ອນໄຫວເຊັ່ນ DORA (Declaration on Research Assessment) ທີ່ຮຽກຮ້ອງໃຫ້ຢຸດໃຊ້ JIF ໃນການປະເມີນບຸກຄົນ.

ການປະເມີນແບບຮອບດ້ານ (Holistic Evaluation)

ລວມເອົາຫຼັກຖານเชิงຄຸນນະພາບ (Qualitative) ເຂົ້າມານຳ, ເຊັ່ນ ຄຳບັນຍາຍກ່ຽວກັບຜົນກະທົບ (Impact Narratives) ແລະ ການປະກອບສ່ວນຕໍ່ສັງຄົມ (ເຊັ່ນ: ການສ້າງສິດທິບັດ, ການພັດທະນາຊອບແວ).

ການວັດແທກຜົນກະທົບໃນໂລກຄວາມເປັນຈິງ (Real-World Impact)

ຄວາມສົນໃຈຈະຍ້າຍຈາກ "ຜົນກະທົບທາງວິຊາການ" ໄປສູ່ "ຜົນກະທົບຕໍ່ສັງຄົມ". ຄຳຖາມຈະປ່ຽນຈາກ "ມີຈັກຄົນອ້າງອີງ?" ໄປເປັນ "ງານຄົ້ນຄວ້ານີ້ໄດ້ປ່ຽນແປງຫຍັງແທ້ຈິງ?".

ບົດບາດຂອງ AI ໃນການປະເມີນຜົນງານ

AI ຈະບໍ່ແມ່ນໂຕຊີ້ວັດໃໝ່, ແຕ່ຈະເປັນເຄື່ອງມືທີ່ເຮັດໃຫ້ການປະເມີນແບບຮອບດ້ານເປັນຈິງຂຶ້ນມາ.

ຜູ້ສັງເຄາະຂໍ້ມູນ (Synthesizer)

ສາມາດລວບລວມ ແລະ ວິເຄາະຂໍ້ມູນມະຫາສານຈາກຫຼາຍແຫຼ່ງ (ບົດຄວາມ, ສິດທິບັດ, ຂ່າວ, GitHub) ເພື່ອສ້າງເປັນພາບລວມຂອງຜົນງານ.

ຜູ້ເຂົ້າໃຈບໍລິບົດ (Analyzer)

ສາມາດວິເຄາະເນື້ອໃນຂອງບົດຄວາມ, ຄວາມຮູ້ສຶກຂອງການອ້າງອີງ (ເຫັນດີ ຫຼື ວິຈານ), ແລະ ເຄືອຂ່າຍການຮ່ວມມື.

ຜູ້ຄາດຄະເນ (Forecaster)

ຮຽນຮູ້ຈາກຮູບແບບຂໍ້ມູນເພື່ອຄາດຄະເນວ່າການຄົ້ນຄວ້າໃດມີແນວໂນ້ມຈະສ້າງຜົນກະທົບສູງໃນອະນາຄົດ.

ຜູ້ສ້າງຄວາມຍຸຕິທຳ (Equalizer)

ຊ່ວຍປັບຄ່າການປະເມີນໃຫ້ຍຸຕິທຳ ໂດຍຄຳນຶງເຖິງຄວາມແຕກຕ່າງຂອງສາຂາວິຊາ, ໄລຍະອາຊີບ, ແລະ ພາກພື້ນ.