clareLab

[clareLab @c1areLab]

润人五年：梦是拜登的延续，川普是梦的终结

原图于：https://t.co/TCfc4aHnDR

🔶 观察

其实没什么好观察的，不过因为我本人比较懒得打 Tag（你们不会觉得打 Tag 容易陷入选择困难症吗），所以为了精准受众，还是描述一下图像内容

🔹走线润美主力还是拉丁美洲，中国人不多，占本国人口比例也非常低
🔹走线失败的都去哪了？说实话我也不知道，可能留当地或者回去了吧，死亡率（也许）不会多高
🔹其实行内黑话就是说墨西哥南北边境的轮回是最抽象的，反映到数据上可以看到确实 2024 年积压了一批，导致同巴拿马和美国错峰了
🔹影响成功率的主要是达连，一般过了达连成功率就 100% 了

[clareLab @c1areLab]

@dontrustmebro NII 什么水平，写成东大前情报学有任何辨识度吗

[clareLab @c1areLab]

@simon123829 @KiraRettosei 绿色？？的是真的 unknown，都是无所属机构

[clareLab @c1areLab]

中国孤立全世界：学术圈的马莱大陆与帕拉迪岛

原图于：https://t.co/xZaAMZJ73u

求求不要再问被隐藏的国家是什么了，我无可奉告

这次的研究算是没有那么直观了，虽说底部有写制图方法，不过估计也看得满头雾水

大致来说就是，如果两个机构的学者输入输出流更相似，那么它们的距离就会更近，比如说，

清华大学同
🔹中国工程院
🔹中科院大学
🔹北京大学
🔹中科院
最近，

而东京大学则同
🔹东京艺术大学
🔹御茶水女子大学
🔹东京理科大学
🔹东京工业大学
最近，

也就是说比如你是一名学者，你很可能把这些相近的机构当作你的平行志愿，而且实际上去到它们之间任意一所的概率会比较相等，而之后离开的模式也会相似，或者说这些机构在学术人才流动体系中的生态位相似

根据这样的原理，可以基于学者流动履历（取自 OpenAlex）构建出完整的全球科研机构流动地图

🔶 观察
🔹中国人才流动体系几乎是完全独立的，而且远离世界主流，内循环这块，而且脱钩程度近年在逐渐加深，比如说同美国的距离自 2018 年的 0.58 到如今 2024 年的 0.70
🔹土耳其在逐渐靠泊欧洲
🔹日本正在积极远离中国
🔹海湾国家和印度在向美国靠拢
🔹俄罗斯自克里米亚事件开始同欧洲逐渐脱钩，但反而同美国靠近
🔹Brexit 自 2020 年起产生影响，英国正逐渐远离欧盟学术圈
🔹瑞士正在逐渐脱欧
🔹英美加日澳五国的轨迹是高度同步的

我能在社媒上发出来的也就这些了，真感兴趣想深入研究的话建议私信或者邮件吧

[clareLab @c1areLab]

@KiraRettosei 推上没什么粉丝，我直接复制粘贴了，不过图用的是原图，可以看见民国国旗

[clareLab @c1areLab]

在线可交互网页：https://t.co/Ksqfbtz64x

[clareLab @c1areLab]

我娶意女的难度约为只狼全成就一万倍

本文完整版同步于 Reddit 和 X（c1areLab）更新

原图于：https://t.co/wS6hnFMNeF

分母的话是存量数据，比如说当前有多少中国籍在意，分子的话就是某年有多少同当地人结婚了

灰色斜体部分其实是数据缺失，不过采用了所谓二维中位数抛光补齐

如果你比较无聊想较真的话（或者你真的想深入研究如何科学通婚）私信我我可以发给你原始数据

🔶 几个观察
虽说理论来说其实没什么好观察的，都比较浅显易懂
🔹个人觉得这个通婚率主要由意愿和实力构成，比如越南女估计是意愿和实力都拉满的，而美国男估计是意愿一般而实力爆满，而像是穆斯林女则是意愿拉胯（教条影响不得外嫁）实力一般
🔹女性在婚恋市场竞争力（远）大于男性，比如中国女性跨国通婚率约为中国男性两三倍，而在欧洲的话这个差距甚至能达到十倍（比如中女芬男 0.49% 是中男芬女 0.05% 的 10 倍），具体原因我就不方便细说了
🔹虽说不构成婚恋建议，但是客观来说比如你作为中国男性人在德国的话，你每年真得达到德区 Top 20~50 才能同德女结婚，与此同时赴日的话概率就翻十倍了，我觉得客观来说还是会轮椅很多的

[clareLab @c1areLab]

托福比雅思简单 15.87% 左右

原图于：https://t.co/pKWqhgcLoS

我本人是雅思 7.5，没考过托福，日语 N3 且在学，德语和意大利语则是过了 A1 后就弃了（截至 2026 年 6 月）

🔶 本文默认你接受以下几个前提
🔹同赛道的中国考生水平大致相同，比如说托福（TOEFL）和雅思（IELTS）的考生水平分布应当大致相同
🔹项目选取的是欧陆日韩小语种国家的项目，其它地区也有更轮椅的，比如北美的 Duolingo、澳洲的 PTE 和欧洲的 Linguaskill，不过也是出于数据完整性以及个人熟悉度等综合考量，所以选取了图中的那些项目

🔶 同项目对比考生门槛分段分布
🔹托福比雅思简单 15.87%
🔹ACT 比 SAT 简单 20.96%

🔶 然后是语言分数达标率对比
🔹英语 TOEFL 90：46.25%
🔹英语 IELTS 6.5：31.64%
🔹日语 EJU 日本語 280：25.22%
🔹德语 TestDaF 4xTDN4：12.00%
大致来说难度是：
🔹德语 >> 日语 > 英语 不过考虑到人均 9~12 年英语教育，实际估计是：
🔹德语 >> 英语 >= 日语
同其它语言的对比可见图 2

[clareLab @c1areLab]

小语种国家 231 条本科直博项目完全整理

原图于：https://t.co/SVYIJwzqXr

[clareLab @c1areLab]

国外 402 所大学中国学者不归率

原图于：https://t.co/u3DZwY0GJF

🔶常见问题
Q1：数据源是？
🔹ORCID Public Data Files
Q2：不归率的计算方法是？
🔹https://t.co/jDjXHD5bIF
🔹不归大致就可以理解为去了某个国外机构之后就一直长期在国外了，而率计算的就是途径过这个机构的中国学者不归率
Q3：数据统计的主体是？
🔹在 ORCID 上有注册的人，大致是学术圈
Q4：七分运气三分努力数据没意义
🔹你倒过来申请也可以

🔶 未来计划
1：细分到本硕博，参考性会强一些，也有考虑清洗到可以细分出专业
2：加入到 https://t.co/f0J6Yr5qxJ 变成可互动的模式，可玩性也强些

[clareLab @c1areLab]

初步解决 “去哪好润” 类的问题

网址
https://t.co/YzKOjZ6A91

方法论
https://t.co/7S2FzrHEf9

部署服务器是要钱的，打钱就是最大的支持
https://t.co/NFE2viTLUA

🔴 前言

具体这个数据都是怎么来的在网站页面上都有讲，我也不可能教你怎么用电脑，如果你连浏览网站都有困难的话你先打给我 200 欧我再教你。

🔴 正文

总的来说这个 Open Scholar Ranking 这个项目就是我用一些有趣的数据做一些有趣的分析这样，目前这个产出就是分析各国籍的人去哪些国家哪些城市哪些机构好留。

以下说明来自 GPT-5.5，我是懒得手打了：

🔶 Arrival 是什么
Arrival 就是“到达过这个目的地的人/权重”。

这里的目的地可以是国家、城市、机构三层。严格说它不是裸人数，而是按 ORCID 记录可信度加权后的 arrival mass；发帖时可以先说“近似理解为到达人数”。

例子：

🔹一个人原点是中国，后来去了日本东京大学。
🔹那么日本获得 1 个 arrival，东京获得 1 个 arrival，东京大学获得 1 个 arrival。
* 如果记录置信度是 0.8，那就是 0.8 个加权 arrival。

🔶 Stay 是什么
Stay 衡量的是：到达这个目的地之后，这个人后来有没有再换国家。

注意，Stay 判断的是“国家是否继续移动”，不是“是否一直待在同一个学校”。

例子 1：

🔹A：CN 本科 -> JP 硕士 -> JP 博士 -> JP 工作
🔹对 JP、日本城市、日本机构来说，只要 A 到达后后面没有再离开日本，这就是 stay 成功。
🔹如果 100 个有后续记录的人里 80 个后来没离开该国，stay = 80%。

例子 2：

🔹B：CN 本科 -> JP 硕士 -> US 博士
🔹B 到达日本后后来换到了美国。
🔹所以日本、他在日本的城市、他在日本的机构，stay 都失败。

🔶 No return 是什么
No return 衡量的是：到达这个目的地之后，这个人后来有没有回到母国。

例子 1：

🔹C：CN -> JP -> US
🔹C 没有回中国。
🔹对日本来说，no return 成功；对美国也成功。

例子 2：

🔹D：CN -> JP 硕士 -> CN 博士 -> US 工作
🔹D 后来回过中国。
🔹所以日本这个经历的 no return 失败。
🔹哪怕 D 后来又去了美国，也不改变“日本这段经历没有让他避免回国”这个判断。

这点很适合解释给留学生看：
Stay 看“有没有留在当地国家”；No return 看“有没有避免回到母国”。

🔶 最后一个节点为什么不算 stay / no return
如果一个人的最后记录是：

🔹CN -> JP

然后没有任何后续记录，我们不知道他是真的留在日本，还是只是数据没继续记录。

所以这个 JP 会算 arrival，但不会拿来判断 stay 或 no return。
这叫右删失，简单说就是“没后续证据，不硬猜”。

🔶 国家、城市、机构是怎么一起算的**
例子：

🔹E：CN -> JP 京都大学 -> JP 东京大学 -> US MIT

这个人先进入日本，然后在日本内部从京都移动到东京。
算法会认为：

🔹日本：有一个 arrival
🔹京都：有一个 arrival
🔹京都大学：有一个 arrival
🔹东京：也有一个 arrival
🔹东京大学：也有一个 arrival

后来 E 去了美国，所以这些日本相关节点 stay 失败。
但如果 E 没有回中国，那么这些日本相关节点 no return 成功。

🔶 Tier 是怎么算的
Institution 表里的 Tier 不是原来的 global ranking，而是 mobility 自己的 tier。

先给每个机构一个 mobility 分数：

mobility score = (stay + no return) / 2

例子：

🔹机构 A：stay = 90%，no return = 80%，score = 85%
🔹机构 B：stay = 60%，no return = 90%，score = 75%
🔹机构 C：stay = 40%，no return = 50%，score = 45%

然后按这个 score 从高到低排，再用递归三分位分成 R1、R2、R3、R4。
大概可以理解为：

🔹R1：最强 mobility 留存/不回流机构
🔹R2：强
🔹R3：中等
🔹R4：弱

🔶 一句话版本**
Arrival 看“多少人到过这里”；Stay 看“到这里之后有没有继续留在这个国家”；No return 看“到这里之后有没有回母国”；Tier 则把机构的 Stay 和 No return 合起来，分成 R1 到 R4。

以上。

[clareLab @c1areLab]

完整清晰度的原图：https://t.co/xZ7Hyrce0r

[clareLab @c1areLab]

日本 171 所大学国际生留日就业率

日本の 171 大学における外国人留学生の留日就職率

[clareLab @c1areLab]

I've come up with a brilliant solution.

The Europeans activate the power of the Coordinate, sending millions of illegal immigrants to Greenland, and then kneel to present it to God-Emperor Trump.

Problem solved?

#MEGA #Trump #Greenland #EU #immigration