ISEF 白皮书 · 2027 赛季准备版

第七章 从历届数据认识 ISEF

7.1 这批数据能回答什么

当学生问“哪个方向更容易做出好项目”时，历届作品很有帮助。它们告诉我们已经有人研究过什么，常用什么方法，以及同一个问题可以怎样被拆分。但若把问题换成“我报哪个类别最容易获奖”，同一批数据就很容易被误用。

本章依据我们整理的 Society for Science 官方摘要档案，共 17,565 个唯一项目记录，覆盖 2014—2026 年。其中 2022—2026 年有 6,755 个项目，适合观察近期学科与地区构成。数据快照来自 2026 年 8 月的档案整理，本书在 2026 年 9 月复核来源、分类和统计口径。官方摘要数据库

我们拿到的是公开项目档案，其中没有全部地方赛报名者和未晋级项目，也没有评委原始评分或完整研究日志。因此，这些记录能说明决赛项目的构成；至于一名普通学生怎样晋级、评委为何给出某个分数，需要另外的资料。

一个团队项目只算一个项目。学生人次是另一个单位：同一个人跨年参赛可能重复出现，一队也可能有多名成员。一个项目获得多个奖，仍然只在“获奖项目数”中计一次。阅读数据时，先弄清这些单位，比记住某个百分比更重要。

本章附有可下载的汇总表：年度数据、学科数据、国家地区数据。表中的数值由同一份规范化记录生成，不是从不同报告手工拼接。

7.2 十三年的记录，为什么不能连成一条简单的获奖率曲线

图中的数量是档案记录，不是每届新闻报道中的学生人数。2020 年比赛取消，但数据库仍保留相关项目记录，所以本书保留这一年的研究文本，同时将获奖分析标为不适用。把这一年写成“获奖率为零”，会错误地暗示项目经过正常评审却无人得奖。2020 年取消比赛的官方说明

2025 年是另一种情况。官方摘要库中的奖项字段不足以直接恢复当年完整结果，我们使用已匹配的官方公布名单补充学科大奖。专项奖的来源缺口仍在，因此不能把 2025 年专项奖空值写成确实没有获奖，也不宜用“任何奖项”的比例与其他年份直接比较。

早年专项奖记录较少，也可能部分反映来源覆盖差异。若看到某几年“任何奖项”突然增加，先检查采集与分类方式，再讨论比赛变化。本书因此把时间趋势主要放在项目规模和文本内容上，避免用一条混合奖项曲线讲述未经证实的竞争故事。

自己的数据表出现空白时，也应注明是没有发生、没有测量，还是测量失败。三个空白的含义不同，后续分析也不同。

7.3 先分清学科大奖与专项奖

学科大奖与机构颁发的专项奖承担不同的评价任务。本书统计“学科大奖项目”时，识别官方类别评审的一至四等奖及历史类别最佳奖记录，并使用 2025 年官方名单补充；同一项目不因获得多个层级的奖而重复计数。这个口径不把机构奖项中的 “First Award” 自动归为学科一等奖。

复核旧报告时，我们发现过一个会改变结论的分类错误。部分旧地区分析使用奖项名称中的词语搜索，误把类似“某机构：First Award”算入学科大奖。我们逐条对照后发现，2022—2026 年有 179 个项目在这种旧分类下被计入，却没有被规范化的学科大奖规则识别。因此，本章与那些旧报告的比例可能不同，不应继续混用。

另一个区别是 2025 年：旧地区报告为了回避奖项缺失，剔除了整年；本章的五年学科大奖表采用补充后的记录，将其纳入分母。分类规则与时间窗都改变了，只对比两个百分比的高低会让人误解为比赛结果发生变化。分类差异核对表

按这里的规则，2022—2026 年观察到 1,834 个学科大奖项目，占 6,755 个档案项目约 27.2%。这是这批决赛记录中的观察比例。这个分母不包含所有地方赛报名者，因此不能用来预测一名新学生从报名到获奖的机会。

7.4 22 个学科的规模与变化

近五年中，环境工程有 431 个项目，生物医学工程有 426 个，地球与环境科学有 409 个，转化医学有 405 个。它们为读者提供了丰富的案例池，但项目多并不自动意味着更容易入围。地方选拔、学校资源、研究兴趣和类别设置都可能影响数量。

计算生物学与生物信息学从 2022 年的 75 个项目到 2026 年的 92 个，材料科学从 55 个到 82 个，生物医学工程从 81 个到 98 个。这些是首尾年份的观察，不代表每年持续增长。例如 CBIO 中间出现过下降，所以不宜把五个年份压缩成一句“赛道一路上升”。

TECA 自 2024 年作为独立类别出现，在本数据窗口中共 61 个项目。它不能与其他类别的完整五年总数直接竞争名次；前两年的横线表示当时没有这个独立类别，并非艺术与技术结合的研究不存在。

读者可能会注意到，规范分类后的近五年学科大奖比例大多接近。仅凭几个百分点的差异挑选类别，没有足够依据。更合理的用途是按研究问题寻找最近的作品，再判断哪些验证你有条件完成。第二章已将这些类别与具体子类别、真实案例对应起来。

同一研究还可能在不同年份、不同赛事中登记到不同的大类。旧代码 SOFT 与新代码 SFTD 在本章合并，2014—2016 年的历史标签则结合展位代码规范化。若研究跨度很长，应先做分类核对，不能直接把数据库今天显示的标签当成当年完整的分类制度。

7.5 方法变化：计算越来越常见，工程迭代并没有消失

我们此前对标题与摘要进行了方法关键词识别。下面比较 2014—2019 年的 8,331 个项目和 2024—2026 年的 4,039 个项目。每个项目可以命中多个方法，因此比例相加可能超过 100%；两个时间窗按各自项目数计算比例，没有把六年的数量直接与三年数量相比。

最明显的变化是机器学习／人工智能相关措辞，从约 6.1% 增至 20.3%；计算建模与仿真从约 6.0% 增至 11.9%。这说明相关方法在摘要中更常见，也意味着仅凭“采用 AI”很难解释一个题目的独特之处。

与此同时，原型与工程迭代的命中比例约为 25.8% 和 25.7%，基本接近。这些记录里既有更多计算工具，也仍有大量围绕实物测量和反复改进展开的工作。不能据此宣布所有传统实验都被替代。

这些数字是文本识别结果，不是逐篇专家审核后的真实方法使用率。比如使用公开数据的项目未必在摘要里写出“公开数据”，因此 0.89% 不能被解读为只有这么少的学生使用开放资源。相反，某个词可能只出现在背景介绍里，也可能被误识别成实际方法。

如果你的项目采用机器学习，先回答它解决了哪个已有方法处理不好的问题。若只是把一个小表格送进复杂模型，应先比较简单基线；若简单方法同样有效，承认它通常比继续堆模型更有价值。

如果你更擅长动手，可以从测量可靠性、性能取舍和失效条件入手。第二章的回收线材设备、模块机器人和再生吸水片材，都说明一个工程项目的研究内容可以来自具体、可重复的比较。

7.6 技术趋势告诉我们应该学什么，而不是应该买什么

技术识别中，计算机视觉相关文字在基准期约占 1.55%，近期约占 7.08%；测序与组学从约 1.12% 到 3.64%；遥感与 GIS 从约 0.38% 到 1.39%。于是，读生物或环境项目时，也常常需要理解图像、数据和模型。下载技术信号汇总表

对学生，这些数据最值得转化成学习任务。例如计算机视觉需要懂得标注、误差和测试划分；组学分析需要处理批次和样本来源；遥感分析需要理解空间分辨率、云和地面参照。学会使用工具并不等于掌握这些判断。

旧技术表里还有 Transformer／LLM 一项，但不能直接拿来画“大模型进入 ISEF”的历史曲线。早年 transformer 可能指电力变压器，宽泛关键词还可能产生其他误命中。未经逐项语义核查，本书不将这一项解释为大语言模型项目数量。

同样，某种昂贵技术与获奖出现关联，不能证明购买该设备就会增加获奖机会。决定是否使用一项技术之前，先写出你需要测的量。现有办法差在哪里，新技术能否解决，得到结果后自己是否解释得清楚？没有这些条件，设备越复杂，学生与研究之间的距离可能越大。

7.7 摘要越来越常写指标，但数字不等于验证充分

分类指标、对照基线和样本量等措辞在近期摘要中更常见。这有助于读者找到结果的依据，也反映出计算和数据类项目在表达方式上的影响。但本表不能当作逐项研究质量评分。

例如，“外部／独立验证”近期命中约 0.30%，并不说明其他 99.70% 的项目都没有做过外部验证。摘要篇幅有限，表达方式多样，关键词检索也可能漏掉换一种说法的项目。同理，写了 p 值不保证设计合理，写了交叉验证也不保证没有数据泄漏。

对于自己的项目，可以把这些文字线索转成真正的检查问题：基线是否公平？样本到底是人、图像、细胞还是实验批次？测试数据是否在调参时被反复查看？多个指标中，哪一个在实验前就确定为主要终点？

一个常见例子是同一人的视频被切成许多片段。若随机将片段分到训练和测试中，模型可能在两边都见过这个人，结果很高却不代表能处理新参与者。需要按独立对象划分数据，而不是只在程序里调用一个“随机分割”函数。

另一个例子是材料实验。来自同一批制备的十块试样，可以反映该批次内部差异，却不能完整说明换一批原料后是否重复。研究记录应保留层级关系，避免把重复测量全部当成独立样本。

7.8 36 个主题簇：用来找邻居，不是新的官方分类

在此前的分析中，我们把标题和摘要转为词语特征，再用非负矩阵分解（NMF）整理成 36 个主题簇。可以把它理解成一种按词语共现习惯整理书架的方法：经常一起出现的词，形成一个便于查阅的区域。

它与官方类别不同。一个“蛋白、结合与药物”的簇可能同时包含 BCHM、CBIO 和 TMED；一个机器人相关簇也可能跨越 EBED、ROBO 和 ETSD。模型为每个项目选择权重最高的簇作为主要位置，并不表示项目只有一个研究主题。

表中选取的是相对基准期增加较明显的主题，不是按研究质量或获奖前景排序。中文名称是对关键词的便于阅读的概括，也不是官方认可的新学科。例如“检测、早期诊断与患者”既可能包含影像算法，也可能包含实验检测方法，需要继续查看原始项目。

这一整理方式特别适合跨学科选题。你如果只在 ENBM 中查智能鞋垫，可能漏掉 BEHA 中的步态研究或 ROBO 中的运动识别。按主题先找一批相关作品，再按问题、方法和验证方式细分，比只按报名大类搜索更充分。

主题模型也会受词表和参数影响。我们使用 36 个成分、固定随机种子和最多 18,000 个词语特征生成已有分析；换成另一种设置，部分项目的位置可能改变。因此，不应将簇边界理解为研究领域的天然边界。

7.9 世界地图：先看到选拔系统，再看获奖比例

2022—2026 年的 6,755 个项目来自 77 个附属赛事所在国家或地区。美国记录为 4,558 个，约占 67.5%；中国大陆、香港、澳门与台湾合计 254 个，约占 3.8%。这里的地点字段是赛事所在地，不是学生国籍，也不必然等于长期居住地。

下面列出部分地区，统一使用五年窗口和修正后的学科大奖口径。区间采用 Wilson 方法，显示小样本比例的不稳定程度；它不是未来获奖概率的预测区间，也不能消除选拔与来源偏差。

新加坡这批记录中有 20／30 个项目获学科大奖，观察比例约 66.7%，但区间很宽，约为 48.8%—80.8%。不能据此说当地普通学生有三分之二的机会在 ISEF 获奖。我们看到的是已经经过当地选拔的少量项目，不是所有有科研兴趣的学生。

美国记录的分母大得多，国家地区间的参赛结构也不同。项目构成、选拔层级、指导资源和年份组合都可能影响比例。没有申请者基础资料，无法分离这些因素，更不能把表格当成科研教育质量的排行榜。

专项奖还可能有独立的评价目标和资格条件，需要逐个奖项查官方说明。名称出现 University、NASA 或 Scholarship 等词语，不能据此断言国际学生没有资格。旧报告中的关键词标记只够支持进一步检查，本书不把它当成资格事实。

7.10 中国相关记录：年际变化比一个平均数更值得注意

中国大陆的档案数从 2022 年的 44 个，到 2025 年的 5 个，再到 2026 年的 27 个，变化很大。单靠档案不能确定原因是提名安排、参与渠道、政策、记录覆盖还是其他因素。我们只报告观察，不用“科研水平上升或下降”解释这些数字。

五年合计的大陆记录有 50／142 个被识别为学科大奖项目，约 35.2%。这个比例与过去某些地区报告不同，原因包括专项奖误分类的修正和 2025 年分母的处理。读者如果同时查阅网站旧图表，应优先确认口径，不应选择其中更好看的数字用于宣传。

对家庭更有帮助的是把地区记录转成具体行动：你的学籍与所在地对应哪一个选拔路径？学校是否掌握当年通知？项目需要何时完成预审？既有案例不能替代资格确认，往届某校有项目也不表示今年自动存在同样通道。

我们此前也整理过学校与城市分布，但不在此发布“学校培养能力排名”。学校名称可能存在不同写法，部分记录不完整，一所学校的少量获奖更不能证明每位学生能获得同样支持。若要了解一所学校的研究条件，应查看导师、设施、时间安排与学生实际分工。

7.11 美国各州和附属赛事：一张地图里有多个层级

此前的美国赛区研究从 2023 年官方项目资料中整理出 283 个美国附属赛事条目及合计 898 个历史名额，中位数为每个赛事两个。这个结果描述的是当年的目录与名额，不是 2027 年可直接使用的报名表。官方附属赛事目录是核对当前路径的起点。附属赛事说明

有的州有多个地区赛事，再与州级赛事形成衔接；有的地方路径不同。赛事代码中的数字曾被用于辅助判断层级，但代码推断不能代替官方赛事规则。不要看到某州项目多，就认为只要搬到那里便更容易参赛。

在既有五年项目统计中，佛罗里达、纽约、得克萨斯和加利福尼亚等州贡献了较多记录。它们同时拥有不同规模的学生群体和赛事网络。没有地方报名人数、晋级路线与名额制度的统一资料，不能把项目数量换算为当地学生的晋级优势。

对于在美国就读的学生，最有用的一张表应列出自己可参加的赛事、覆盖学校或区域、资格条件、截止日期，以及是否要求先通过另一级比赛。这张个人路线表，比一张各州获奖排名更能帮助安排本学年的工作。第四章介绍了核对路径的方法。

7.12 获奖关联为什么不能当作选题公式

此前分析计算过“按年份与学科调整后的获奖关联”。做法是先看一个方法相关的项目出现在什么年份和学科，再依据各组的基础比例估计一个预期获奖数，最后与实际观察数相比。这样可以减少不同年份、类别混在一起造成的一部分影响。

即使经过调整，这仍然不是实验。更成熟的项目可能既有条件使用某种技术，也更容易获奖；导师资源、研究时长和学生基础可能同时影响两者。没有这些资料，无法把技术本身的作用单独分出来。

因此，本书不列“使用某方法可提高多少获奖率”的操作指南。那些关联更适合用来提出后续阅读问题：为什么这类项目容易展示出清楚的比较？是否因为它们有更明确的基线或终点？继续读原始作品，往往比停在一个比值上有收获。

对自己的选题，可以换成三个实际问题：我能否得到足够可靠的数据？我是否理解主要方法？在已有条件下，能否完成一个别人可以检查的比较？这些问题没有历史获奖率那么醒目，却直接影响你能否完成研究。

7.13 题目相似、持续研究与创新性

在已有标题相似度分析中，16,171 个可比较项目里，若使用 0.62 的相似度阈值，会得到 918 个待检查记录；阈值提高到 0.90，剩 151 个。阈值改变，名单就明显变化。这说明相似度更适合做阅读索引，而不是直接贴上“重复”标签。

相似标题可能来自同一问题的新方法、持续研究的下一阶段，也可能只是共享常见术语。标题完全不同的两个项目反而可能采用相同方案。没有阅读全文、比较方法和验证内容，不应指控抄袭，也不能据低相似度宣布原创。

智能鞋垫方向的既有检索找到 16 个直接标题近邻，覆盖七届；更宽的步态、跌倒与相关健康主题有 234 个。ACL 方向有四个直接标题近邻，宽主题为五十个。直接近邻与宽主题不能相加，它们对应不同范围，且可能互相包含。

这些数字的用途是决定下一步阅读。鞋垫方向显然不能只靠“加上传感器”说明新意；ACL 近邻较少，也不代表相关学术论文或临床产品很少。第八章将用这两个方向展示如何比较先例并缩小题目。

7.14 把数据读成自己的下一步

如果你还没有题目，先从第二章找两个真正有兴趣的学科，读各自的案例，再用本章了解相关方法是否常见。常见不意味着不能做，它意味着需要更清楚地说明自己改变了什么条件、解决了哪个限制。

如果你已经有题目，检索时不要只搜题目里的中文名称。把研究对象、测量手段、应用场景分别换成英文近义词，再查看不同类别的作品。记录最相近的几项工作，用同一组问题比较它们：输入是什么，输出是什么，基线是什么，测试在哪里进行。

如果你已经得到结果，数据分析最重要的用途是帮助限定结论。你的测试人群、样本批次或环境能覆盖多大范围？当条件改变时，方法可能在哪里失效？能把这些问题讲清楚，比引用某个学科的历史获奖比例更能让读者信任你的工作。