[논문 리뷰] COVIDScholar: An automated COVID-19 research aggregation and analysis platform

Amalie Trewartha, John Dagdelen외 9명|arXiv (Cornell University)|2020. 12. 07.

COVID-19 diagnosis using AI인용 수 6

한 줄 요약

COVIDScholar는 NLP 기반의 자동화된 플랫폼으로, 생물의학, 물리 과학, 사회 과학, 인문학 등 다양한 분야의 81,000건 이상의 코로나19 관련 과학문서를 확장 가능한 데이터 파이프라인과 검색 인터페이스를 사용해 집계하고 분석한다. 연구자들이 급격히 증가하는 문헌에서 실질적인 통찰을 도출할 수 있도록 지원하며, 웹 포털은 매주 2,000명 이상의 유저를 확보하고 있으며, 연구 출판량이 2020년 4월경에 정점에 이르렀고, 정신 건강 및 봉쇄 조치 관련 연구가 두드러지게 증가한 것으로 확인되었다.

ABSTRACT

The ongoing COVID-19 pandemic has had far-reaching effects throughout society, and science is no exception. The scale, speed, and breadth of the scientific community's COVID-19 response has lead to the emergence of new research literature on a remarkable scale -- as of October 2020, over 81,000 COVID-19 related scientific papers have been released, at a rate of over 250 per day. This has created a challenge to traditional methods of engagement with the research literature; the volume of new research is far beyond the ability of any human to read, and the urgency of response has lead to an increasingly prominent role for pre-print servers and a diffusion of relevant research across sources. These factors have created a need for new tools to change the way scientific literature is disseminated. COVIDScholar is a knowledge portal designed with the unique needs of the COVID-19 research community in mind, utilizing NLP to aid researchers in synthesizing the information spread across thousands of emergent research articles, patents, and clinical trials into actionable insights and new knowledge. The search interface for this corpus, https://covidscholar.org, now serves over 2000 unique users weekly. We present also an analysis of trends in COVID-19 research over the course of 2020.

연구 동기 및 목표

• 인간이 수동으로 검토할 수 있는 능력을 초월하는 빠르게 확장되는 코로나19 과학문헌에서의 정보 과잉 문제를 해결한다.
• 프리프린트 서버, 학술지, 자료보관소 등에 산재한 연구를 통합하고 검색 가능한 통합 코퍼스를 구축함으로써 분산된 연구를 해결한다.
• NLP 기반 분석을 통해 물리 과학, 공중보건, 사회 과학 등 다양한 분야의 실질적인 통찰을 추출할 수 있도록 한다.
• 팬데믹 이후의 맥락에도 적용 가능한 확장성 있고 도메인에 구애받지 않는 과학문헌 집계 인프라를 개발한다.

제안 방법

• arXiv, bioRxiv, medRxiv, CORD-19, LitCovid 등 14개의 오픈 액세스 및 프리프린트 출판원에서 자동으로 새로운 논문, 특허, 임상시험을 크롤링하고 통합한다.
• DOI, PubMed ID, 제목 기반 매칭을 사용한 중복 제거 파이프라인을 적용하여 동일 문서의 여러 버전을 하나의 우선순위가 부여된 기록으로 통합한다.
• 코퍼스를 기반으로 훈련된 계층적 분류 체계를 사용해 NLP 모델을 활용해 문서를 코로나19 관련성, 주제, 분야, 분야별로 분류한다.
• pdfminer와 OCR를 사용해 PDF에서 전체 텍스트를 추출하지만, 텍스트 품질이 낮아 NLP 모델에선 텍스트 검색 功能 이외에는 사용이 제한된다.
• Crossref에서의 메타데이터 강화와 OpenCitations에서의 인용 데이터를 통합해 통합된 구조화된 코퍼스를 구성한다.
• 코퍼스를 색인화하고 연구자들이 의미적 및 키워드 기반 검색을 수행할 수 있도록 웹 기반 검색 포털을 https://covidscholar.org 에 구축 및 배포한다.

실험 결과

연구 질문

• RQ1 2020년 1월에서 12월 사이에 코로나19 연구 문헌의 양과 분포가 다양한 분야에서 어떻게 변화했는가?
• RQ2 팬데믹 기간 동안 사회 과학 및 정신 건강 분야에서 주요 연구 주제와 초점 이동은 어떠한가?
• RQ3 과학 공동체의 연구 출판량이 포화 상태에 도달했는가? 만약 그렇다면 언제 발생했는가?
• RQ4 미국의 경기 부양 법안과 세계보건기구의 팬데믹 선언과 같은 주요 정책 이벤트들이 연구 출판량 변화와 어떤 상관관계를 가지는가?
• RQ5 NLP 기법이 패닉 상황에서 비정형 과학문헌에서 잠재된 지식을 효과적으로 식별하고 표출할 수 있는가?

주요 결과

• 2020년 10월 기준으로 14개의 출판원에서 81,000건 이상의 코로나19 관련 과학문서가 수집되었으며, 2020년 5월에 월간 출판량이 약 8,000편으로 정점에 이르렀다.
• 연구 출판량은 2020년 4월경에 최대 수준에 도달했으며, 이후 주요 정책 이벤트(2020년 3월 미국 경기 부양 법안 포함)에도 불구하고 추가적인 증가는 관찰되지 않았다.
• 물리 및 의학 과학 분야의 논문 비율은 1월 기준 각각 5%와 15%에서 2020년 4월에 8%와 20%로 증가하여 연구 초점의 이동을 보여주었다.
• 정신 건강 및 봉쇄 조치 관련 주제의 논문 비율은 3월에는 0%였으나, 4월에서 6월 사이에 6~8%로 증가했으며, 이는 전 세계 봉쇄 조치와 일치했다.
• 인문학 및 사회 과학 분야에서 연구 기여 비율이 점차 증가했으며, 특히 광범위한 사회적 거리두기 조치로 인해 심리적 영향에 대한 연구가 주목받았다.
• 플랫폼은 매주 2,000명 이상의 고유 사용자를 확보하여 과학 공동체 내에서 높은 수용도와 실용성을 입증했다.