学术生态：会议、期刊、同行评审与引用

CS 以会议为主要发表渠道（与多数学科不同），顶会录用率 15–25%，同行评审决定去留，引用衡量影响。本章讲这个体系的运作方式、激励结构，以及它的已知缺陷（评审噪声、发表压力、马太效应）。

发表渠道：会议主导的学科

与多数学科以期刊为主不同，CS 以会议为主要发表渠道。CS 会议的论文经过正式评审、收入官方论文集，效力等同于其他学科的期刊论文。会议周期快（一年一轮或两轮），匹配 CS 迭代快的节奏。

期刊在部分方向仍然重要：理论（JACM、SICOMP）、编程语言（TOPLAS）、数据库与系统（TODS、TOCS）等，常以"会议版扩展为期刊版"的形式运作；ML 领域的期刊（如 JMLR、TPAMI）则更多作为会议之外的长期载体。

同行评审：决定去留的机制

一次典型的会议评审流程：领域主席（AC/PC Chair）分配论文给 2–4 位审稿人 → 审稿人打分并写意见 → 作者 rebuttal → 审稿人讨论 → AC 综合写出元评审（meta-review）→ PC 会议定夺。顶会录用率通常在 15–25%。

这套机制决定了论文的命运，但它有噪声。一个著名的实验：NeurIPS 2014 把约 10% 的投稿分给两个互相独立的评审委员会，结果两组"应该录用"的论文中，一致率仅约 50%——也就是说，大约一半的分歧是评审过程的运气，而非论文质量。推论有两层：被拒不等于工作差；被录也不等于工作好，评审只是足够好的过滤器，不是精确的量尺。

引用与指标

引用是 CS 衡量影响的主要方式：一篇论文被后续工作依赖，说明它改变了别人的做法或想法。常用指标有引用数、h 指数（兼顾产出量与影响力）、以及 CSRankings 等会场统计。

指标用于粗筛是合理的（快速判断一个方向、一个人是否活跃），用于精细评价会失真：引用有滞后性；不同方向引用习惯差异巨大（一篇 ML 论文的引用数轻松超过一篇理论论文一个量级）；指标一旦成为目标，就会被自引、互引、切分发表等行为操纵（Goodhart 定律）。

激励结构与已知缺陷

这个生态有明确的激励结构，也有众所周知的缺陷：

发表压力 → 增量切分、夸大贡献、追热点；
马太效应 → 名组、名校、名作者的工作更容易被认真对待；
评审搭便车 → 审稿质量参差，低质量评审污染决策。

了解规则不是为了愤世嫉俗，而是三个实际用处：投稿被拒时能分辨"工作的问题"与"运气的问题"；评价他人工作时看内容而非标签；规划自己职业时不被指标绑架（见拒稿之后、CS 顶会体系与投稿策略）。

本章要点

NeurIPS 实验：同一批论文两组审稿人，结论一致率仅约 50%
h 指数等指标的用途与滥用
了解规则是为了不被规则绑架