想必大家对各种指数并不陌生，什么h指数，自然指数等等，特别是h指数。简单、直观，有些单位会将其作为招聘、晋升、基金评审中的参考指标。
但它的问题也很明显——它只回答了一个问题：你发了多少论文，被引用了多少次。这东西非常容易被操纵，AJE在往期文章中也曾报道过：
至于你是不是一个好导师、是否真正培养了年轻科研人员，这些更“慢变量”的价值，几乎完全被忽略。所以，有人研究怎么去量化一位导师是不是称职，这不，有人发明了一个新的指数——导师指数（Mentorship Index，M-index）。
我们到底在评价什么？
这件事的起点其实很日常。Jean Fan (霍普金斯大学生物医学工程系副教授)在和实验室成员的一次讨论中，重新审视了h-index的意义。问题并不复杂：如果我们在招聘或评价一个学者时，真的在意“带人能力”，那为什么这个维度几乎没有任何量化工具？（来源：The Scientist）
于是，M-index诞生了。
它的逻辑并不复杂，甚至可以说非常“数据驱动”：基于 OpenAlex 这样的学术数据库，统计一个研究者作为最后作者（通常代表导师角色）时，其论文中第一作者是否为“初级研究者”（比如发表论文少于10篇）。这样的论文越多，M-index越高。
换句话说，它试图用一个近似但可计算的方式回答一个问题：你有多少成果，是在“带新人”的过程中产生的？
从技术上看，这个方法当然是粗糙的，但它的吸引力恰恰不在于精确，而在于它切中了一个长期被忽略的方向。
AI时代放大的评价偏差
如果把这个指标放到今天的科研环境里看，它的出现其实并不意外。
在过去十年里，科研评价体系已经越来越“量化”：论文数量、引用次数、影响因子，这些指标构成了一套高度标准化的评价语言。它们的优点是高效、可比较，但代价是不可避免的简化——复杂的学术活动，被压缩成几个数字。
而随着AI技术的介入，这种问题正在被进一步放大。论文写作、文献整理、甚至部分科研流程，都在被加速。如果“产出”变得更容易，那么以产出为核心的评价体系，其区分能力就会逐渐下降。
也正是在这个背景下，有些学者开始强调：我们可能需要重新关注那些“机器无法替代”的维度，比如导师与学生之间的关系、长期培养、学术共同体的建设。（来源：The Scientist）
M-index某种程度上，正是这种思考的一个产物。
一个有启发但不完美的指标
当然，如果把它当作一个严肃的评价工具来看，它的问题同样明显，甚至可以说是“典型的指标困境”。
首先，它只能衡量“数量”，而无法触及“质量”。一个导师指导了很多学生、发表了很多合作论文，并不等于他真的提供了高质量的指导。相反，在一些极端情况下，高产出甚至可能来自高强度的资源压榨。这一点，在任何基于数量的指标中都无法避免。
其次，它对学科结构高度敏感。在生命科学中，“最后作者=导师”这一假设通常成立，但在数学、物理等领域，作者排序往往是按字母排列，这种方法就会失效。这意味着M-index很难成为一个跨学科的通用指标。
更关键的是，“导师关系”本身就是一个高度复杂的社会互动过程。它不仅体现在论文署名中，还体现在日常指导、职业规划、学术伦理等多个层面。而这些维度，目前几乎不可能通过文献数据捕捉。
我们还需要更多指标吗？
但如果因此就否定M-index的意义，可能又有点可惜。
因为它真正重要的地方，或许并不在于“这个指标好不好用”，而在于它提出了一个长期被忽视的问题：我们到底在用什么标准，去评价一个学者？
在现实的学术体系中，不同类型的贡献其实一直存在：有人擅长发论文，有人擅长申请项目，有人擅长做技术转化，也有人在培养学生方面投入大量精力。但现有评价体系，往往只对其中一部分给予了充分认可。不同指标可以反映不同维度的能力，如果能够并行使用，或许能提供一个更完整的学术画像。
从这个角度看，M-index更像是一种“提醒”——提醒我们，科研评价不应该只有一种声音。
它是起点，而不是结论
有意思的是，Jean Fan 本人对这个指标的态度反而非常克制。她并没有打算用M-index去替代h-index，甚至也没有强调它必须被广泛采用。她更关心的是另外一件事：是否可以通过创造新的指标，去引导大家重新思考什么是“重要的学术价值”。
这其实是一个更值得注意的信号。
因为从历史上看，科研评价体系从来都不是固定不变的。影响因子曾经只是一个期刊管理工具，后来却成为评价期刊质量的核心标准；h-index在提出之初也只是一个辅助指标，却逐渐演变成“默认配置”。这些变化，本质上都来自于学术共同体对“价值”的不断重塑。
你也可以试试M-index
我估计大家对这个指标只是充满了好奇，Jean Fan特意开放了访问权限，一个导师指数的计算器页面：
https://jef.works/Mentorship-Index/
大家可以上去试试。
1. 如何计算你的 M-index？
在官网工具中，你通常只需要输入一个研究者的信息（如姓名或学术ID），系统会基于 OpenAlex 的数据自动完成计算。其核心步骤包括：
- 识别你作为最后作者的论文
- 判断这些论文中的第一作者是否为“初级研究者”（例如发表论文少于10篇）
- 统计符合条件的论文数量，得到 M10-index（也可以调整为M5等变体）
- M-index = 你“带新人发论文”的次数（在一定阈值定义下）
2. 如何解读这个数值？
M-index本身没有一个“绝对高低”的标准，它更适合横向比较和自我理解：
- 较高的M-index：说明你在与初级研究者合作方面较为活跃，可能承担了较多指导角色
- 较低的M-index：可能意味着你更多是独立研究，或与你合作的多为资深研究者
但需要特别注意两点：
- 不同学科之间几乎不可比较（作者排序规则差异很大）
- 同一数值，在不同职业阶段意义不同（PI vs. early-career researcher）
3. 更合理的使用方式
从实际应用来看，M-index更适合以下几种场景：
- 补充CV或个人陈述：展示你在人才培养方面的投入
- 团队评估或内部参考：作为了解导师风格的一个辅助指标
- 科研自我反思：例如，你是否有意识地在培养新人？
但它并不适合：
- 单独用于招聘或晋升决策
- 跨学科或跨机构直接比较
- 替代同行评议
现实建议
与其把M-index当作一个“评分工具”，不如把它当作一个问题提示器：我在科研中，是否真正投入时间去培养过他人？如果这个问题开始被更多人认真对待，那么M-index的价值，其实已经实现了一大半。
