中UniRank.org.cn

人工智能与计算机学科排名对照：热门方向的学校梯度

“人工智能排名”为什么常常不等于计算机排名

两张榜看似都在评价计算机相关院系，实际回答的问题可能不同。CSRankings 将研究领域拆为 AI、Systems、Theory 与 Interdisc.，分别对应人工智能、计算机系统、理论和跨学科方向；“All”则是把这些领域放在同一框架中观察。

因此，AI 榜衡量的是人工智能这一特定方向，不能直接代表整个计算机科学。院系在 Systems 或 Theory 上的论文表现，并不会自动转化为 AI 方向的位置；反过来也一样。热门学科榜中的 Computer Science & Information Systems 又通常比 AI 更宽。所谓“学校梯度”，首先应理解为不同研究方向上的学科梯度，而不是一条全校综合名次线。

会议论文型口径：CSRankings 在数什么

CSRankings 将自己界定为基于指标的排名：依据院系教师在选择性会议等发表场所中的论文表现进行计数。它不问院系整体声望，也不把论文引用数纳入核心计算。

不采用引用数，是因为 CSRankings 认为引用指标容易被操纵：高校可能要求教师相互引用，“引用卡特尔”也已有记录；此外，论文引用数据并非都能自由取得且变化很快，作者姓名消歧仍然困难，Google Scholar 等系统也可能被作者利用。其替代逻辑是，选择性会议本身可以作为引用影响力的代理指标。

读这类榜单时，应把它理解为“特定发表场所中的论文产出视图”，而不是教学、研究资源或就业方向的完整描述。CSRankings 还规定，论文至少需要 6 页才计入。

均分与几何平均：两个防刷机制

CSRankings 的 adjusted count 规定，每篇论文只计算一次，贡献按所有合作者均分。增加作者数量不会让同一篇论文被重复计算，反而会摊薄每位合作者获得的 credit，因此不能仅靠堆叠作者提高排名结果。

选择多个领域时，average count 使用各领域 adjusted counts 的几何平均。计算时，每个领域先加 1，再将所有数值相乘并取 N 次方根；这里的 N 是所选领域数。这种计算会隐含地校准各领域出版率与规模差异，也会降低某一个领域极高值单独拉动整体表现的空间。它约束的是特定计数方式中的激励偏差，不代表排名可以脱离研究场所与研究方向单独理解。

论文、获奖与高被引：ARWU 的六项指标

软科世界大学学术排名更接近机构层面的科研产出与奖项型口径。六项指标分别为：Alumni 10%、Award 20%、HiCi 20%、N&S 20%、PUB 20%、PCP 10%。

其中，Alumni 统计学校毕业生中的诺贝尔奖或菲尔兹奖得主，Award 关注获奖时的校内工作人员；HiCi 是高被引研究者，N&S 是发表在 Nature and Science 的论文，PUB 统计 SCIE/SSCI 收录论文，PCP 则采用人均表现。

这组指标适合观察学校综合科研产出、获奖与高被引研究者的长期表现，但不会像 CSRankings 那样区分 AI、Systems 和 Theory 的选择性会议论文。阅读时不能用 ARWU 的机构位置替代具体方向的学科比较。

宽口径综合榜：THE 能提供什么

THE 世界大学排名采用更宽的大学整体口径，其中 Research quality 占 30%、Research environment 占 29%、Teaching 占 29.5%。教学项还包含教学声誉、师生比例、博士授予相关指标和机构收入等内容。

这些指标适合补充了解学校整体研究环境与教学环境，但不会以 AI、Systems、Theory 的独立发表场所口径呈现院系差异。因此，THE 可以作为大学整体背景参照，不能直接回答“目标学校在人工智能方向表现如何”，更不能替代方向型学科榜。

UTM 样本显示的全球学科梯度

马来西亚理工大学（UTM）官方公布的 QS 全球学科分档提供了一个具体样本：计算机与信息系统与材料科学、机械工程等处于全球前 200；会计与金融、商业与商业研究、英语语言与文学处于前 300；艺术与人文、农业与林业、物理与天文学处于前 400。

这个单校样本不能外推为所有学校的固定梯度，但清楚说明：同一所大学在不同学科上可以落在不同分档。读热门学科榜时，不能用学校整体形象替代具体学科位置，也不能把宽学科与窄方向直接混为一谈。

读热门学科榜单的四个检查动作