[論文レビュー] New Directions in Science Emerge from Disconnection and Discord

Yiling Lin, James A. Evans+1 more|arXiv (Cornell University)|Mar 5, 2021

Complex Systems and Time Series Analysis被引用数 8

ひとこと要約

本論文は、先行研究の組み合わせの非典型性（atypicality）— それがどれほど新しいものであるかを測る指標 — と、それらの知的先駆者をどれほど凌駃するかを定量化する破壊的影響（disruption）を測ることで、科学的破壊的論文を同定する計算フレームワークを提示する。ニューラルネットワークが学習した潜在的知識空間を用いて、著者らは非典型性の高い論文が科学的破壊的影響を及ぼす可能性が約2倍高いことを示しているが、その影響は10年以上にわたりゆっくりと現れる。これは、今日の規範が昨日の革新から生まれる様子を明らかにする。

ABSTRACT

Science is built on the scholarly consensus that shifts with time. This raises the question of how new and revolutionary ideas are evaluated and become accepted into the canon of science. Using two recently proposed metrics, we identify papers with high atypicality, which models how research draws upon novel combinations of prior research, and evaluate disruption, which captures the degree to which a study creates a new direction by eclipsing its intellectual forebears. Atypical papers are nearly two times more likely to disrupt science than conventional papers, but this is a slow process taking ten years or longer for disruption scores to converge. We provide the first computational model reformulating atypicality as the distance across latent knowledge spaces learned by neural networks. The evolution of this knowledge space characterizes how yesterday's novelty forms today's scientific conventions, which condition the novelty--and surprise--of tomorrow's breakthroughs.

研究の動機と目的

• 学術的議論における分断と不協和が、新しい科学的アプローチを生み出す仕組みを理解すること。
• 先行研究を画期的に組み合わせた非典型論文— いわゆる「特異的」な論文— が科学的破壊的影響をどのように引き起こすかを特定・定量化すること。
• ニューラルネットワークが学習する潜在的空間としての科学的知識の進化をモデル化し、過去の革新が現在の慣習へとどのように移行するかを捉えること。
• 破壊的影響の時間的ダイナミクスを検討し、非典型論文がどれくらいの期間を経て影響力を発揮するかを評価すること。
• 非典型性をニューラルネットワークが学習した潜在的知識空間における距離尺度として再定式化し、科学的革新を測る計算的根拠を提供すること。

提案手法

• 著者らは2つの指標を用いる：非典型性（atypicality）は、論文がいかに独自に先行研究を組み合わせているかを測る指標であり、破壊的影響（disruption）は、その論文が知的先駆者をどれほど凌駃するかを定量化する。
• 彼らは科学文献から潜在的知識空間をニューラルネットワークで学習し、論文を連続的埋め込み空間内のベクトルとして表現する。
• 非典型性は、論文の埋め込みがその直近の知的近隣論文の重心からの距離として再定義される。
• 破壊的影響は、論文の引用インパクトをその知的先駆者と比較することで計算され、分野をどれほど再編するかを測定する。
• モデルは知識空間の時間的進化を追跡し、過去の革新が現在の慣習へとどのように移行するかを示す。
• 分析には大規模な科学論文データセットを用い、複数の科学分野にわたり指標の計算と検証が行われた。

実験結果

リサーチクエスチョン

• RQ1 先行研究を画期的に組み合わせた非典型論文— いわゆる「特異的」な論文— は、科学的破壊的影響にどのように寄与するか？
• RQ2 破壊的影響の時間的ダイナミクスは何か？ また、非典型論文が顕著な影響を発揮するまでにどのくらいの時間がかかるか？
• RQ3 非典型性をニューラルネットワークが学習した潜在的知識空間における距離として形式的にモデル化できるか？
• RQ4 今日の科学的慣習は、どの程度昨日の革新的アイデアから生まれているか？
• RQ5 潜在的知識空間の構造は、新しい科学的アプローチの出現にどのように影響を与えるか？

主な発見

• 非典型性が著しい論文は、一般的な論文に比べ、科学的破壊的影響を及ぼす可能性がほぼ2倍高い。
• 非典型論文の破壊的影響スコアは、10年またはそれ以上を要して収束するため、影響力が現れるまでの期間が長く、ゆっくりと蓄積される。
• ニューラルネットワークが学習した潜在的知識空間は、科学的アイデアの進化を効果的に捉えており、過去の革新が現在の慣習へと移行する様子が明確に示された。
• 非典型性が潜在的知識空間における距離として再定義されることで、科学的革新を測る強固で解釈可能な指標が得られた。
• モデルは、知的分断と不協和— すなわち、先行研究の画期的な組み合わせ— が新しい科学的アプローチの発生を牽引する主要因であることを明らかにした。
• 本研究は、破壊的影響が即座に現れるのではなく、継続的な引用と統合を通じて徐々に蓄積され、長期的な影響が現れるものであることを示した。