Научная статья — как подпись. У каждой страны свой исследовательский почерк. За 30 лет в трёх журналах накопилось 5281 таких «автографов» из 81 страны.

Чтобы разобрать этот почерк, группа Чэнчжи Чжана создала программу, которая учится на примерах (это и есть машинное обучение). Программа читает статью и выхватывает кусочки, где описан метод: например, анкетирование или подсчёт ссылок. Она понимает естественный язык науки и сама решает, что важно. В основе — умение фокусироваться на главном (механизм внимания) и разбивать текст на части (трансформеры). Точность распознавания 15 методов — 0,83 по особой мере.

Оказалось, что у стран разные привычки. В Бельгии и Нидерландах почти в половине работ просто считают, сколько раз статью процитировали. В Китае и Бразилии — ставят опыты. Чтобы измерить разнообразие, учёные применили формулу, которую экологи используют для подсчёта видов. Это число из теории информации: H = -∑ $p_i$ log₂ $p_i$. Здесь $p_i$ — доля статей с каждым методом. Чем выше H, тем больше разных подходов.

С годами национальные почерки сближаются. Учёные всё чаще работают вместе: среднее число стран на статью выросло с 1,1 до 1,45. Различия между странами стираются, что подтвердили тестом из теории вероятностей. Доля статей с несколькими методами выросла с 15% до почти 50%. Чтобы увидеть общую картину, данные сжали в двумерную карту (сжатие данных) и выделили три группы стран: «зрелые» (США, Великобритания), «быстрорастущие» (Китай, Австралия) и «традиционалисты» (Бельгия).

Такая карта научных почерков помогает подбирать партнёров. Если нужен экспериментатор, ищут китайского коллегу, а библиометрический анализ — к бельгийцам. В будущем программы смогут обучаться без подсказок (самообучение) и использовать большие языковые модели, чтобы не только узнавать методы, но и объяснять их выбор. Возможно, мы увидим, как почерк науки становится общим — словно надпись, сделанная многими руками.