大數據時代學科制度的小數據治理

倪 靜，陳 亮

（1. 四川外國語大學俄語學院區域研究中心，重慶 400031；2. 陜西師范大學教育學部，西安 710062）

大數據時代為各類治理提供了前所未有的決策方式，數據是當今“世界上最有價值的資源”[1]，“數據決策”成為現代化治理體系和治理能力的基本條件。與傳統的小數據時代相比，數據有了大小之分，大數據具有數量大、種類多、流動快、反映真、算法復雜等特性；小數據是大數據的一個部分，體積小、易理解、算法簡單，且“主要來源是抽樣調查、深訪、行政記錄和實驗設計等傳統統計方法”[2]。隨著數據的生產性地位抬升，掌握盡可能多的數據和信息成為時下主流的“治理邏輯”。這種“顛覆因果關系的認知模式”[3]與有組織的集中式數據處理（算法）成為追求卓越的“上層邏輯”，被賦予了“高質量”內涵，其中也包括高等教育的學科治理。但學科治理并沒有因為數字信息技術的廣泛參與而讓更多后發高校和薄弱學科享有同等的數據紅利，大多數中西部高校、地方性高校仍然在“二流”與“末流”之間掙扎，學科失衡進一步加劇?！霸诤芏鄳脠鼍爸校鲇跀祿目色@性及其成本、時間乃至人們的認知能力、閱讀心理等相關因素影響，人們面對或者能夠直接處理的數據往往是有限的、部分的。”[4]小數據通過透徹的局部數據分析、代表數據轉換、個別數據應用能夠讓學科治理真正觸及“活的”問題，“窺視”到大數據難以顧及的“感性體驗”，賦予“一流”學科更加本土、特色和差異化內涵，有效互補大數據的思維和計算盲區，驅動合作導向的學科制度生成。

一、學科治理在大數據時代的小數據價值

學科治理充分利用大數據的信息技術環境，對小數據進行深度挖掘是推動學科發展“四個面向”[5]的關鍵。大數據的“大”，并不止于獲取、傳輸、存儲數據的“量”的層面，更重要的是處理這些海量數據的計算能力，即“算法為王”[6]75的“質”的環節。大數據時代對學科數據獲取和存儲只是“一流學科”的基本配置。在此基礎上，著力發揮小數據優勢，有效提取“無用”數據中的“有用”信息，可以實現更加精準的學科知識交叉關聯、更加理性的學科研究范式整合、更加合理的人的培養模式創新。

（一）學科知識交叉關聯更加精準

學科長期發展形成的固有意識形態是“有序的知識分類體系”，這種分化的知識格局難以實現知識聚合與學科集群創新。復雜思維、相關思維和預測思維是大數據時代超越工具價值推進社會變革的三個思維方式。[7]復雜思維源自大數據使社會對全樣數據的獲取、存儲成為可能，預測思維決定了數據處理分析的根本目標是面向未來決策。二者之間必然要通過關聯思維在夾雜著無效信息的海量數據中提取有效數據集合，這種在海量數據中去粗取精的小數據提取過程，也是利用大數據萬物互聯的底層規律推動信息與知識關聯集成，將知識信息轉化為實際效用和具體行動的應用研究過程?；诖?，應用導向和問題導向的學科知識交叉關聯本質上是學科知識的小數據集合，如果一項學術成果成就一個點數據，那么同一個研究領域或者學科領域的成果集合就是條數據，點數據與條數據充分交叉關聯則構成一個更加綜合集成的塊數據，最終不同學科領域的塊數據互聯融合，從而構成大數據的“萬物互聯”，生成一個學科集群創新發展的樣態。因此，大數據時代學科知識的市場轉化和應用研究是以小數據為基本單位推進的。以數據信息獲取的數量和信息技術的高低來衡量學科治理現代化程度的行為，僅僅停留在大數據的“復雜思維”的工具層，并未觸及學科知識交叉的算法核心，即有效信息的關聯方式探索。掌握小數據的提取與轉化方法（算法），也意味著一個更加精準的研究問題畫像，一個更加獨特的研究方法創新。學者對現存問題描述越透徹越聚焦，對現實處境的認識就能越清晰越明確，解決問題的辦法也就越加務實有效。學科交叉與知識對流之所以難以突破學科知識固有領地，學科的分化意識形態之所以難以撼動，直接原因是沒有形成一個類似塊數據的學科集群，是同一領域和學科內部的點數據并未深度整合。譬如，同一學術機構和學科領域的學者之間的研究數據與階段性成果并未充分共享。跨學科交叉是學科知識的集成創造價值發揮，前提是對本領域、本學科知識成果的融通理解和深入掌握，“假如（學者）沒有廣博扎實的學養，學科不能靠抖小機靈隨便‘跨’”[8]。學科治理中的跨學科決策和行為需要依托小數據的精細關聯與實用性價值。

（二）研究方法橫縱結合更加理性

“算法”二字來源于《周髀算經》，是解決特定問題的方法[9],其作為一種解決具體問題的結構化、程序化方案古已有之。最古老的歐幾里得算法是典型的符號計算，尤瓦爾·赫拉利（Yuval Noah Harari）則把生物進化歸結于算法，認為“每種動物都是各種有機算法的集合，經過數百萬年進化自然選擇而成”[6]289。學術研究方法本質上也是解決特定研究領域的特定方法。小數據獲取和處理得出的研究成果大多強調因果關系的線性結構，大數據的研究范式是具有多種相關關系數據集合而成的“樹結構”或者“圖結構”。后者基于計算機構建的數據模型（計算機算法），數倍于人力計算量，往往對問題和現狀描述更加全面和客觀，受到各種學術組織、學術主體的追捧和熱議。但大數據的局限性也導致關聯式算法存在偏差：一是獲取的數據不全面。大數據的研究范式預設“社會的方方面面均可以被大數據測量和監測，通過計算來解決或優化社會問題”[10]123。一些數字化和智能化整體程度不高的社會、地區抑或行業領域，能夠用于實際共享的數據并不豐富。學科治理即便建立起學科知識、學科機構或者學者信息數據庫，也只是點式的小數據堆砌。二是獲取的數據不實用。處于“少數據”甚至“無數據”地位的高校和學者，掌握政策、獲取信息和贏得資源的辦法并不多，他們很難通過知識和學科關聯的方法取得創造性和傳世性成果；即便通過大數據技術獲得了大量的學術研究的相關數據，也不具備分析處理能力，最終也只是無用數據。三是獲取的數據不客觀。研究者在通過關聯式算法提取有效信息的過程中也存在主觀意識傾向。從化學與生物學視角來看，“即使它（腦機接口技術）未來有了飛躍式進步，也不可能通過腦機接口全面接管和控制人的意識”[11]。學術研究的方法即便在大數據的關聯思維主導下仍然離不開人的主觀算法架構，更何況關聯式數據分析只能反映表象和行為，并不能揭示人的深層思維?；诖?，小數據研究的因果范式恰好可以彌補大數據的關聯研究局限。大數據不完整，決定了非結構化和半結構化數據的結構化過程需要小數據研究深入底層和本質進行因果探索，從“小設計”的理念[10]137上開展研究更能夠達成地方性和獨特性創新。大數據不實用，決定了學科組織變革要將大數據的“抽象愿景”與小數據的“具體方案”結合，以此獲取更有價值的實用知識。大數據不客觀，決定了小樣本數據、個體的訪談實驗、認知的階段性變化這些小數據研究可以反映真實的人類意識和情感認知。

（三）人的培養自下而上更加合理

人的非理性、非結構化及其變化是難以被大數據計算的。“網絡科學家可以測量出你在76%的時間里與6名同事的社交互動情況，但是他們不可能捕捉到你心底對于那些一年才見2 次的兒時玩伴的感情。”[12]數據可以記錄人的社會交往和淺層狀態，但它不能揭示這些交往背后的深層情感、因果關系與價值觀念。大數據無法深入到個性化、具體化、本土化的學科育人場域之中，深度解釋“人的”需要。長期以來，學科布局習慣于“育才”為主的知識布局，學科分類格局下的教學體系也格外重視“知識培養”。由于知識可以被編碼和計算，在機器與算法的合力下知識從印刷物上轉化為以“‘BB’（brontobyte，千億億億字節）為單位”[13]的海量數據庫。因此，學科成果的競爭和排名在不斷量增的“知識計算”下更加“內卷”。但學科治理的根本宗旨是“育人”，人的成長不只有“知識維度”，還有“情感維度”“價值維度”。精確的知識規劃和設計，難以解釋并關照人的精神成長，導致缺乏基本是非觀念和倫理道德行為的滋生。小數據治理的“下層邏輯”可以有效對接現實情境來更正算法，持續修正，調整局部數據，為大數據計算提供更精準、更多樣、更豐富的算法策略，以應對環境變遷和技術變化的沖擊。一直以來學科治理側重追求卓越的規劃和愿景設計，完美的藍圖可以通過大數據描繪；但落地實施只能在差異化的學科治理實踐中不斷修正而成。換言之，學科治理的實際效能不是通過預測而來，而是實踐過程之后總結而來的，經驗和方法蘊含在治理過程之中。從學科育人的知識維度而言，小范圍的樣本和個案分析能夠推進深度學習和自主創新。淺層知識（可編碼和計算的知識）的渠道來源是多種大數據，但是掌握小樣本數據、細節研究、獲取高深學問、實現社會價值仍是未來智能社會的育人導向。從學科布局的制度維度而言，小數據的學科治理起點是局部和個別，反映的是“自下而上”的需求布局，而學科發展最大的需求是實現人的全面發展?；谛祿季S的學科教育更能夠建立起“人的培養”過程中本土化定位、差異化結構、個性化關照，進而推動學科服務，助力師生開展“深度學習實踐”和“個性化培養”，促進學科人的全面發展，這些也是小數據的價值內涵。

二、學科制度在大數據時代的小數據困境

數據治理與社會歷史進程是高度伴隨的，譬如丈量土地、地租稅收以及建造工程等都離不開數據測算。因此，有學者將大數據時代之前的算法和數據管理時代統稱為“小數據時代”[14]。在小數據時代，人們習慣于在有限數據環境下解決問題，習慣于從局部的、具體的、典型的樣本數據和案例切入認識客觀規律和外部世界，學者也習慣于在自己的領域或者實驗室獨立自主開展工作。小數據治理框架下的學科制度與知識分類成為孿生姐妹，具有鼓勵競爭、追求確定、強調適應的制度文化，大數據時代的系統性風險治理缺乏發展后勁與韌性。

（一）研究成果呈現點數據形態，集群創新匱乏

小數據時代延續至今的學科制度之所以是競爭性主導的，主要凸顯在學科研究成果的點數據樣態。具體而言：一是研究成果缺乏縱向合作，有影響力的條數據成果不多。就同一學科領域或者同一問題領域而言，階段性成果呈現分布式的點數據狀態，同一知識域和問題域之間成果共享、數據對流形成體系化的條數據形態并不顯著，突出表現在學科“有學少派”甚至“有學無派”?！皩W派是學者自主形成的學術聯盟或共同體”，是“運用相同或相近的理論、方法、術語、概念，就共同感興趣的主題開展自主的學術研究體”。[15]一個有話語權和影響力的學派的形成，需要同一領域的學者毫無保留地共享交流、互幫互助。譬如，中國理論化學學派的唐敖慶、盧嘉錫、徐光憲三位理論化學科學家互相提攜、緊密配合，被國際同行稱之為理論化學的“中國學派”[16]。但現行的學科制度模式下，同一學術組織、學科平臺的學者之間，存在廣泛的個體競爭關系，學科內部的創見集成、集體公關難以自發形成。學科內部成果零星分布，難以體系化、結構化，學術創新后勁不足。二是研究成果缺乏橫向合作，集成式創新的塊數據空間不多。學科之間、學術組織甚至學術組織與社會組織、政府組織之間的跨界數據共享與合作也十分艱難。一方面學術組織之間存在競爭關系，包括辦學資源競爭、學術聲譽競爭、招生培養競爭，它們之間坦誠的數據交換與成果共享不夠暢通。另一方面學術評價制度缺乏對橫向課題和應用類項目的標準建立，政策要求與具體落實還存在差距。譬如，有的地方高校向學者的橫向研究經費收取高昂的管理費，實踐性課題的管理規則與學術類課題標準相同，導致橫向研究水土不服，阻礙了學術成果向市場和地方轉化。學科發展缺乏產業和本土支持，難以形成塊數據化的學科集群空間。三是成果交流缺乏共享機制，知識資源獲取規則受資本主導。在學術場域內的成果共享交流缺乏共享機制，成果的數據化、數據庫、數據網絡即便形成大數據系統，但普通學者需要付費使用。一旦這種成果數據庫形成壟斷，少數資本控制了海量學科成果數據，學者反而成為了無數據階層。商人和資本掌控了海量的知識數據庫，但學術成果在大數據環境下仍然處于小數據的分散狀態。近年來，越來越多的學者發起了對這種學術數據壟斷的抗議，譬如“趙德馨訴知網案”“山東省女作家唐效英訴知網案”“中科院停用中國知網”等。這表明，大數據時代小數據的合作共享步履艱難。

（二）學者數據能力兩極分化，中堅力量薄弱

“當所有事情的實效性變短，就意味著社會變遷加速，社會變遷加速必然要求生活步調加速?！盵17]社會進入了哈特穆特·羅薩（Hartmut Rosa）所揭示的“加速社會”[18]，社會分工越來越細，時間要求越來越緊，工作節奏越來越快?？焖龠\轉的“加速社會”加劇了學者群體的等級分化和發展失衡：一方面大數據環境的加速特性催生不確定性，致使普通學者追求確定的小數據研究缺乏說服力。“學術精英”長期處于資源的高配地位，他們能夠優先參與國家政策的制定與決策，或者處于“雙肩挑”的學術與行政集權地位。其獲取數據的速度、能力和渠道是普通學者難以模仿的。與此相反，普通學者缺乏學術地位和聲譽，只能依托小數據平臺（所在高校、地方）和方法（抽樣、訪談等）展開局部和個體研究。盡管成果的確定性較強，但因為大數據環境的加速度變更，確定性成果難以跟進變化的節奏。例如“抽樣框不穩定（人員流動、機構變更頻繁等），隨機取樣困難”，因此雖“事先設定調查目標”，但一旦結果與目標不一致就會導致“糾偏成本較高”[19]10-19。小數據的局部性、瞬時性致使學術場域對小數據研究者并不友好，一項對5 138位高校教師的訪問研究中，84.5%的高校青年教師認為自己處于社會中下層。[20]105他們“長期處于教學一線，承擔著繁重的教學工作任務”[21]，事業成就感尤其是“學術發表”的成就感較低。另一方面大數據社會的數據集權特性加劇學者之間的等級劃分。大數據的數據集中式獲取和處理既是數據集中，也是權力集中。學者不僅僅要通過獲取數據取得成果，更需要通過新成果、新創造獲取學術聲譽和社會地位?！皩W者需要通過發表自己的研究成果來贏得學術聲望，領導學術圈子?！盵22]學者身份除了靠知識主體定位以外，往往還附加了相關背景。這些背景和機構往往是劃分學者等級的重要標準。學者的“本科及研究生教育背景（畢業機構的聲譽和地位）、工作機構聲譽與環境、職業流動、學科特點、導師關系等”[23]成為建構學者數據權力的來源。這些背景機構和工作經歷本身是等級分明的，不同等級的機構、學科、經歷、導師聲譽決定了學者的數據權力等級。高校學者中的“青椒”階層就是最好的印證。缺乏大數據渠道，背靠小數據機構和平臺，“學術出生”較低，數據處理能力不足，數據權力低下，只有展開小數據研究，甚至干脆“躺平”。“沒有‘大佬’帶的‘青椒’，根本不要妄想得到發展，這些年也看透了，也麻木了。”[20]112他們處于學科“中間”數量，卻不具備“中堅”力量。

（三）面對復雜數據，學科育人的治理效能不高

最大限度實現學科成人、學科育人的終極價值關懷彰顯學科的內在價值。[24]小數據時代的學科制度是通過一般化、標準化和程序化的治理，對高度結構化、規范化的育人數據進行處理。譬如，學生的年齡、分數、競賽獲獎、學歷層次等，通過一張表格就能夠完整地存儲和精準提取。這種建立在結構化數據處理基礎上的學科治理，能夠快速讀取學生信息，掌握育人成效，很好地完成了小數據時代尤其是工業化社會要求的學科育人重任。但在大數據時代學科治理面臨更加復雜的數據結構，“大數據不僅包含結構化數據，更多的是指半結構化的數據和非結構化數據”[19]10-19?！叭驅⒔?7.5%的數據未得到真正利用，85%以上的數據是非結構化數據和半結構化數據?！盵25]高等教育的學科教育也亟需在大數據時代處理更多的非結構化和半結構化數據，例如學生的發展性評價，課程思政的價值引領過程及成效，學生的心理健康教育與創業創新教育。這些非結構化數據有的難以融入小數據時代沿用的規范體系之中，有的則通過半結構化的方式被粗放地納入各類管理工作之中。即便如此，學科治理仍然因為大數據社會的加速特征和海量數據，致使小數據處理框架下的學科育人工作成本高筑，效能低下。首先是時間成本投入高。學科治理跟社會運行模式一樣都進入了加速反饋驅動的體系，很多難以數字化和結構化的問題必須通過教師和管理者“多做工作”來完成。其中最突出的是學生的心理健康問題，管理者和基層教師難以通過有效的結構化算法迅速精準地提取學生的心理動向，變被動為主動。其次是機會成本投入高。學科教師之所以重教書、輕育人，很大程度上是因為育人面臨的是復雜的非結構化和半結構化數據，小數據的處理體系、機構和方法無法及時解決困境。學科教師如果將自身定位為“教育者”，往往容易失去“科研者”的高回報。基于機會成本的考慮，學科教師不愿意將育人的長期性作為教師的職業責任。最后是人力成本投入高。小數據框架下的學科教育體系主要通過“人力”來完成各類育人工作，基層學科組織和學術機構需要完成上一級學科組織的不同數據統計和處理任務，例如教務數據、科研數據、獲獎數據、創業創新數據、心理健康數據、學生黨建數據等。這些數據有的可以通過結構化的表格呈現，有的非結構化和半結構化數據只能通過大量“材料”進行描述。這些小數據處理工作越來越需要更多的人力投入，這也是現今各類高?；鶎悠毡榇嬖凇叭比恕薄叭本帯眴栴}的根源。

三、大數據時代學科制度的小數據治理路徑

學科本體既身處小數據困境之中，又是解決這種困境的核心力量。學科唯有率先完成從“小數據”到“大數據”的自我革命才能驅動數據社會的真正轉型（完成小數據到大數據的社會過渡）。要完成這一轉型需要看到在技術問題、知識問題的背后是學科制度維度的創新價值和方法的問題。大數據不僅僅成為一種技術，更成為一種價值觀和方法論。以“小”數據建構“大”數據，實現兩種學科治理方式和治理思維的共生共促。

（一）制度設計圍繞“大共識”到“小共識”的合作轉向

小數據時代的學科制度從規訓權力維度來看，具有典型的“專業化”導向，馬克思·韋伯（Max Weber）就曾評價“學術已經達到空前專業化的階段，而且這種局面會一直持續下去”，“今天任何真正明確而有價值的成就肯定也是一項專業成就”[26]。個人的“靈感”“能力”和“努力”決定了學者在學術群體和組織中的社會地位和學術聲譽。學術活動規范大多針對個體而非集體，真正自發的集體學術鮮少存在，因此傳統的學科制度缺乏對學術合作進行內在規訓。從政治權力的維度來看，幾乎所有的學科評價制度、學科獎懲制度等都鼓勵學者以自己的學術專業而非整個科學領域進行工作。[27]22-26小數據時代學科制度因為數據獲取和數據處理等局限，形成了一個競爭大于合作的制度結構。大數據時代的加速影響迫使新的學科規訓權力和政治權力都要著力走向一個從個體到集體、從競爭到合作的制度結構。而合作的重要前提是“共識”，小數據時代傳統學科專業化、個體化、競爭性的制度是基于一套標準統一的“大共識”，譬如統一的學科評價標準、統一的學科研究范式、統一的學者發展路徑（學術發表以換取學術職級晉升）。但“學術組織是由一些個性、知識、能力、地位、個人背景等方面存在諸多差異的學者及學科新人組成的，因而存在矛盾、競爭和沖突”[27]22-26。在大數據社會加速變化、個性突出、需求細化的背景下，學科治理必須細化（具體化）學術目標，精簡學科團隊，縮小學科結構，在小的時空范圍內達成高度共識，形成自發自主合作。一是學科訓練鼓勵學術批判和學術爭鳴，規訓學科“新人”和“老人”敢于質疑“學術權威”建立的“大共識”，培育學術場域對個別觀點、局部成果、地方經驗等“小共識”的同等尊重。二是學科政策要完善學科治理中“容錯糾錯”的制度建構和運行。大數據社會的復雜數據結構和信息渠道并存，超出了人類思維能力，決定了任何制度設計都是通過實踐糾偏和漸進循序形成的，關鍵是完善學科治理改革的“容錯”和“糾錯”制度，降低基層學科治理主體的“試錯成本”，激活基層學科組織等小機構、小團隊的創新活力。三是率先開展集體合作中的評價改革研究。尊重集體合作中的個體貢獻，弱化學術評價中的排名文化，加強對跨學科、跨領域、跨地區的團隊支持。改革完善高校人事制度中強化個體競爭的相關政策，譬如“非升即走”。“小共識”的制度設計理念，從根本上認可大數據的不確定性、加速變化等社會特征，以小合作匯聚大力量，完成學科治理體系的現代化轉型。

（二）制度運行聚焦“創新者”到“創造者”的身份轉變

學科制度自古以“創新”為主流價值導向，亞里士多德在《形而上學》中明確指出：“應須求取原因的知識，因為我們只能在認明一事物的基本原因后才能說知道了這事物?！盵28]于是學術發展經歷了追求宇宙和人類的“本因”“物因”“動因”以及“終極因”等過程，“追因”以“求真”成為學術追求的本質?！耙蚬评怼贝竽懠僭O、小心求證的線性思維影響了整個學科人。從整個小數據時代的發展來看，學科創新體系在因果推理的學術范式中讓知識更加分裂。有學者甚至感嘆學術創新從“手段最終異化為了目的”，“其背后的哲學就是，研究者只負責研究，并寫成論文公開發表出來”[29]。大數據時代的學科治理側重改造世界和預測世界，以應對加速變化和不確定性帶來的現代性危機，要強化通過創新創造價值，鼓勵學科人成為“創造者”，并且持續形成創造力，這種在實踐中持續創新和努力的精神則是彼得·德魯克（Peter F．Drucke）所謂的“企業家精神”。今天，高等教育改革強調成果轉化、產教融合、校企合作，這無疑是正確的，但這種強調不能僅僅針對研究者。學科人理應囊括教師、學生、管理者以及決策者等多種角色，這些學科主體也需要在各自領域不斷實現數據資源新組合以持續創造價值，具備“企業家”特質[30]。事實上，其他學科主體的創造者身份轉變決定了研究者的創造環境。就學科制度運行機制改革和程序優化而言，重點應加強對管理者和決策者的制度（運行機制）創新實踐考核評價。學科管理者與研究者所處的個體境遇截然相反，前者是集體導向的，后者是個體導向。突出表現在高校管理者缺乏對“工作研究”的興趣和動力，一是因為個體的工作研究是小數據研究缺乏普適性規律，不為傳統小數據學科體系所接受，二是由于工作績效往往缺乏實質性的獎懲制度，這與研究者“非升即走”“科研獎勵”的實質性利益掛鉤導致的工作緊迫感截然不同。大數據決策遵循的“關聯分析-統計匹配-預測判斷”邏輯[31]，給學科管理者帶來了更專業、更快速、更高效甚至更超前的服務要求。高等教育的管理團隊理應以專業化隊伍的身份投身管理實踐研究，既成為工作的行家里手，又成為化解制度性問題的創造者。

（三）制度載體疊加“學術域”和“生活域”的信息關聯

“小共識”制度設計和創造性管理者則共同指向一個關照“具體”和“現實”的制度載體。制度載體有兩層內涵：一是組織機構，二是運行機制；前者是外在載體，后者是制度落地的內在載體，是制度發揮功能的程序步驟和運轉方式。制度載體的結構化改革不在于學術組織機構的新增與整合，而在制度運行的內在程序和機制是否突破了原有分科體系結構的不良束縛。從這個層面來看，“小共識”制度與創造性管理者需要一個能夠鏈接學術域與生活域的數據關聯運行機制。“小共識”的制度設計必然更加關照具體實踐和細節，教學管理、學生管理、科研管理等管理者的工作也必然更注重工作研究和制度創新實踐。概言之，學科的具體處境和現實情境是學科運行機制的核心關照，正如馬克思和恩格斯在判斷歷史社會形成的前提時認為“人們為了能夠‘創造歷史’，必須能夠生活”，而生活即“生產物質生活本身”[32]。學術活動只有圍繞人類的“生活”展開，這樣的學科運行機制才能滿足大數據時代人們對美好生活的要求。具體而言：一是創新改革學術人兼職制度。學術人兼職不僅僅是不同學術職業的疊加，也不能理解為“處長級教授”的雙肩挑制度，而要打破學者固化在高校圍墻之中發表一域之見的體制束縛。探索學術人走向企業、行業、地方政府機構的兼職制度，并建立保障這類學者學術發展的配套制度，讓學科研究者毫無顧慮投身于社會經濟發展中，向一線、向基層、向民生尋找學術新生。二是開放政府企業和行業的橫向課題申報制度。要做強做大學科的中間力量和青年教師隊伍，拓展這部分人的學術資源渠道。需要地方政府和高校打通交流合作機制，前提是政府機構和社會機構要建立問題研究機制。對于治理困境和復雜難題，不能通過問題內部上移和集體投票來決策，而應建立面向高校研究者教師開放的工作研究、治理研究、專業研究機制，為高校師生參與“生活”提供豐富的資源渠道。三是高校要給予理論成果與實踐成果同等重要的評價地位。職稱職級晉升制度需要賦予兩種學術成果同等地位，學術評審團隊中兩種成員要占據同等比例；要鼓勵學生管理研究、教學管理研究和黨建行政管理等實踐研究、工作研究，以實績、實效為評價導向，“避免學術生產體系的工業化傾向”[33]；要以實績導向一體化完善管理者職級晉升、考核獎勵等配套制度。