NLP 学者正在逃离 ACL：142K 篇论文揭示的学科大迁徙

一个传闻被数据证实了

NLP 圈子里流传着一个说法：ACL 快被"抛弃"了。年轻学者把论文投到 ICLR、NeurIPS、ICML，而不是 ACL、EMNLP、NAACL。老一辈学者也开始用脚投票，把最好的工作送到 General ML 会议。这个传闻在 Twitter（现在的 X）上、在咖啡时间的闲聊里反复出现，但没人能说清它到底是不是真的——直到 David Jurgens 决定用数据说话。

Jurgens 是密歇根大学信息学院的教授，他分析了 2010 到 2026 年间 23 个 NLP、ML、AI 会议上的 142,000 篇 NLP 主题论文，追踪了每位作者的发表轨迹。论文发在 arXiv（2607.02416），标题直接点题："The Future of NLP may not be at NLP Conferences"。

结论很明确：迁徙是真的，而且规模比传闻中更大。

四个数字看清迁徙的规模

Jurgens 用了四个指标来衡量迁徙，每一个都指向同一个方向。

指标一：资深作者的发表份额变化。 比较 LLM 兴起前后的数据，资深 NLP 作者在 ACL 旗舰主会（main conference track）的发表份额下降了 19.2 个百分点。他们去哪了？一部分转向 ACL 的 Findings track（新设的补充轨道），增加了 14.8 个百分点；另一部分直接转向 General ML 会议（ICLR、NeurIPS、ICML），增加了 8.6 个百分点。即使控制了两个领域各自的平行增长，这个趋势依然显著。

指标二：新作者的起跑线。 追踪每位新作者（首次以第一作者发表至少三篇 NLP 主题论文的研究者）的发表偏好。2019 年，84% 的新作者主要在 *ACL 系列会议发文；2024 年，这个比例下降到 74%。同期，主要在 General ML 会议发文的新作者比例从 5% 上升到 21%——四倍增长。

指标三：迁徙的原因。 用 Oaxaca-Blinder 分解（一种因果推断技术）拆解迁徙的来源，Jurgens 发现：迁徙主要由"惯例"（convention）驱动，而不是"内容"（content）。也就是说，同一批作者，做着同样主题的研究，只是越来越倾向于把论文投到 ML 会议而不是 ACL。不是因为他们在做更"ML"的研究，而是因为 ML 会议成了新的默认选择。

指标四：迁徙的激励。 用论文匹配（paper matching）生成反事实提交——同一篇论文如果发在 *ACL vs General ML，引用会差多少？结果：General ML 会议的论文平均获得超过两倍的引用。这个引用溢价在控制了作者水平后依然显著——不是更好的作者去了 ML 会议，而是同样的论文发在 ML 会议就是会被引更多。

为什么迁徙？不是内容变了，是惯例变了

这是这项研究最深刻的发现。很多人假设迁徙是因为 NLP 学者开始做更"ML"的研究——从语法分析、语义角色标注转向大模型训练、强化学习。Jurgens 的分解分析说：不是。

Oaxaca-Blinder 分解把迁徙拆成两个部分：

1. 惯例效应（convention effect）：同一作者、同一主题，只是换了发表场所。 2. 内容效应（content effect）：作者在做更接近 ML 的研究，所以投 ML 会议。

结果：惯例效应远大于内容效应。迁徙的主体不是"做 ML 的 NLP 学者离开了 NLP"，而是"做 NLP 的学者把 NLP 论文投到了 ML 会议"。

这个区分很重要。如果迁徙是内容驱动的，那 ACL 的应对策略应该是调整议题、吸引新方向。但如果是惯例驱动的，问题就不在议题，而在会议本身的吸引力——审稿质量、品牌定位、社交网络、引用溢价。这些是结构性问题，不是调几个议题能解决的。

引用溢价：ML 会议的论文被引两倍以上

这是最刺眼的发现。Jurgens 用因果推断技术（论文匹配 + 反事实分析）估计了发表场所对引用的因果效应。方法大致是：找一批研究主题相似的论文，看它们发在不同场所后的引用差异。

结果：发在 General ML 会议的论文，平均获得超过两倍的引用。而且这个溢价不能用作者水平解释——控制了作者固定效应后，溢价依然显著。

这意味着什么？意味着同样的工作，发在 ICLR 比发在 ACL 更容易被看到。在学术圈，引用就是硬通货——它影响 tenure、影响 grant、影响学生招录。当一个场所的引用溢价达到两倍时，理性学者会用脚投票。这就是为什么迁徙不只是潮流，而是结构性激励驱动的理性选择。

Jurgens 还发现，这个溢价对年轻学者的影响更大。新作者在职业早期最需要可见度，而 ML 会议的引用溢价对他们的职业发展至关重要。这解释了为什么新作者迁徙得更快——他们不是不忠诚于 ACL，而是承受不起引用劣势。

导师影响不了学生的选择

很多人猜测：新作者的迁徙是因为他们的导师在 ML 会议发文，学生跟着导师走。Jurgens 控制了导师的发表偏好后，发现：导师影响存在但很弱。

即使导师主要在 *ACL 发文，学生仍然越来越倾向于投 ML 会议。这意味着迁徙不是代际传递的产物，而是新一代学者独立做出的选择。他们选择 ML 会议的理由和资深学者一样：引用溢价、可见度、品牌。

这个发现对 ACL 来说尤其严峻。如果迁徙只是导师影响，那等老一辈退休就会自然解决。但如果是新一代的独立选择，那 ACL 面对的是持续的代际替代——每一届新作者都在用脚投票，而且方向一致。

这项研究的边界

Jurgens 很坦诚地讨论了几个局限：

主题分类的精度不对称。 论文用 LLM 判断每篇论文是否属于"NLP 主题"，但判断精度因场所而异：*ACL 论文的主题判断精度 0.94，General ML 论文只有 0.79。这意味着 ML 会议的 NLP 论文可能被高估或低估。

2020 年作为分界点的合理性。 论文用 2020 年（LLM 兴起前后）作为分界点，但 NLP 的变迁不是瞬时的。Jurgens 在附录里测试了不同分界点，结论稳健，但这个选择仍然有讨论空间。

因果性 vs 描述性。 引用溢价的因果推断依赖于论文匹配假设——即"相似论文"在各方面都相似，除了发表场所。如果存在未观测的混淆变量（比如作者对论文质量的自我评估影响投稿选择），因果估计可能有偏。

结构性变化。 会议本身在变化——ACL 引入 Findings track、NeurIPS 扩大规模、ICLR 从 workshop 变成 top venue。这些结构性变化和作者迁徙相互交织，很难完全分离。

更大的图景：学科边界在溶解

这项研究表面上是关于 NLP 和 ML 的发表偏好，实际上触及了一个更大的趋势：学科边界正在溶解。

LLM 兴起后，NLP、ML、AI 之间的技术边界变得模糊——transformer 既是 NLP 也是 ML，强化学习既是 ML 也是 AI。当技术边界模糊时，场所边界也会跟着模糊。学者不再需要"我是 NLP 人"或"我是 ML 人"的身份认同，他们更关心"我的论文会被多少人看到"。

Jurgens 在结论里写了一句很精准的话："不是作者在抛弃他们的主题，而是社区在重新分配这些主题应该发表在哪里。"

这个观察适用于更广泛的学术生态。计算机视觉学者把工作投到 NeurIPS 而不是 CVPR，理论 ML 学者把工作投到 STOC 而不是 COLT——每个子领域都在经历类似的边界溶解。当技术工具（transformer、扩散模型、RLHF）成为跨领域通用语言时，以子领域划分的会议体系会面临根本性的挑战。

ACL 的应对策略是什么？Jurgens 没有给出建议——他是科学家，不是顾问。但他的数据暗示了几种可能：提升审稿质量和速度、重新定位品牌（是"NLP 会议"还是"语言 + AI 会议"？）、缩小引用差距（比如开放接收、更快发表）。这些都不容易，但数据清楚地表明：如果不做点什么，迁徙会继续。

对个体学者来说，结论更直接：如果你在做 NLP 研究，认真考虑投 ICLR 或 NeurIPS。不是因为 ACL 不好，而是因为同样的论文在 ML 会议会被引两倍以上。在学术圈，这不是小事。

论文链接：https://arxiv.org/abs/2607.02416