[논문 리뷰] Early Detection of Research Trends

Angelo A. Salatino|arXiv (Cornell University)|2019. 11. 20.

Big Data and Business Intelligence인용 수 6

한 줄 요약

이 논문은 기존 연구 분야 간의 동적 협업 패턴을 분석하여 새로운 연구 주제가 등장하기 이르기 전에 탐지하는 데 목적이 있는 새로운 방법 Augur를 제안한다. 가속화된 분야 간 협업을 보이는 주제 군집(이하 '조상')을 식별함으로써 Augur는 공식적으로 레이블이 붙이기 전에 새로운 주제를 예측하며, 2000~2011년 동안의 1,408개의 신규 주제로 구성된 황금 표준 기준에서 정밀도와 재현율 모두 네 가지 기준보다 뛰어난 성능을 보였다.

ABSTRACT

Being able to rapidly recognise new research trends is strategic for many stakeholders, including universities, institutional funding bodies, academic publishers and companies. The literature presents several approaches to identifying the emergence of new research topics, which rely on the assumption that the topic is already exhibiting a certain degree of popularity and consistently referred to by a community of researchers. However, detecting the emergence of a new research area at an embryonic stage, i.e., before the topic has been consistently labelled by a community of researchers and associated with a number of publications, is still an open challenge. In this dissertation, we begin to address this challenge by performing a study of the dynamics preceding the creation of new topics. This study indicates that the emergence of a new topic is anticipated by a significant increase in the pace of collaboration between relevant research areas, which can be seen as the 'ancestors' of the new topic. Based on this understanding, we developed Augur, a novel approach to effectively detecting the emergence of new research topics. Augur analyses the diachronic relationships between research areas and is able to detect clusters of topics that exhibit dynamics correlated with the emergence of new research topics. Here we also present the Advanced Clique Percolation Method (ACPM), a new community detection algorithm developed specifically for supporting this task. Augur was evaluated on a gold standard of 1,408 debutant topics in the 2000-2011 timeframe and outperformed four alternative approaches in terms of both precision and recall.

연구 동기 및 목표

• 공식적으로 레이블이 붙이거나 널리 인용되기 이르기 전에 신규 연구 주제를 탐지하는 데 도전하는 것.
• 특히 분야 간 협업의 역할을 포함하여 새로운 연구 주제가 나타나기 이르기 전의 전조적 역학을 이해하는 것.
• 주목받기 전에 잠재적 새로운 주제를 식별할 수 있는 확장성 있고 데이터 기반의 시스템을 개발하는 것.
• 신뢰성과 타당성을 보장하기 위해 역사적으로 검증된 신규 주제 기준(1,408개)을 바탕으로 방법을 평가하는 것.
• 정부 기금 기관 및 출판사와 같은 기관의 이해관계자들이 새로운 연구 추세를 사전에 예측하고 대응할 수 있도록 프레임워크를 제공하는 것.

제안 방법

• Augur는 인용 및 출판 데이터를 사용하여 연구 분야 간의 시간에 따라 변화하는 관계를 분석함으로써 협업 증가 패턴을 탐지한다.
• 일관된 성장을 보이는 주제 군집을 식별하기 위해 맞춤형 커뮤니티 탐지 알고리즘인 고도화된 클리크 퍼콜레이션 방법(ACPM)을 사용한다.
• ACPM는 유사도 임계값과 링크 밀도 기반으로 클리크(완전히 연결된 부분그래프)를 융합함으로써 겹치는 커뮤니티를 탐지하여 주제 군집의 진화를 감지할 수 있다.
• 시스템은 노드가 연구 분야를 나타내고, 간선이 시간에 따라 변화하는 분야 간 협업 강도를 나타내는 동적 네트워크로 주제의 진화를 모델링한다.
• Augur는 시간에 따른 군집화를 통해 주제 집단이 특정 새로운 주제로 분리되는 것과 관련된 방식으로 공진화를 탐지한다.
• 분야 특화된 출판 행동에 맞게 조정된 클러스터 연결 임계값과 유사도 측정 방법을 포함하여 감도 최적화를 위한 파rameter 조정을 적용한다.

실험 결과

연구 질문

• RQ1 새로운 연구 주제의 출현을 예측할 수 있는 분야 간 협업의 전조적 패턴은 무엇인가?
• RQ2 기존 연구 분야 간의 동적 협업 패턴은 새로운 주제 형성의 신뢰할 수 있는 조기 신호로 기능할 수 있는가?
• RQ3 커뮤니티 탐지 알고리즘은 어떻게 진화하는 주제 군집을 식별할 수 있도록 적응시킬 수 있는가?
• RQ4 시스템은 새로운 주제가 공식적으로 레이블이 붙이거나 널리 인용되기 전에 얼마나 빨리 탐지할 수 있는가?
• RQ5 Augur의 성능은 기존 방법에 비해 정밀도와 재현율 측면에서 어떻게 비교되는가?

주요 결과

• 다른 연구 분야 간의 협업 증가(이하 '조상')는 새로운 주제의 출현 이전에 뚜렷한 신호를 제공하며, 이는 신뢰할 수 있는 조기 신호로 기능한다.
• 2000~2011년 동안의 1,408개의 신규 주제로 구성된 황금 표준 기준에서 Augur는 네 가지 대안적 접근보다 정밀도와 재현율 모두 뛰어난 성능을 보였다.
• 고도화된 클리크 퍼콜레이션 방법(ACPM)은 연구 분야 간의 밀도 높고 시간적으로 조율된 상호작용을 식별함으로써 진화하는 주제 군집을 효과적으로 탐지한다.
• 2009년 기준 9,865개의 노드와 99,660개의 링크를 포함하는 대규모 진화 네트워크 처리도 24시간 이내에 가능하여 실생활 응용에 있어 뛰어난 확장성을 보인다.
• 도메인 전문가를 대상으로 한 인간 기반 평가는 향후 가치 있는 방향으로 지목되었지만, 현재는 물리적 및 시간적 제약으로 인해 제한되어 있다.
• 이 방법은 분야 특화된 출판 행동에 민감하므로, 다양한 과학 분야에 맞게 파rameter 조정이 필요하다는 점을 시사한다.