[논문 리뷰] New Directions in Science Emerge from Disconnection and Discord

Yiling Lin, James A. Evans외 1명|arXiv (Cornell University)|2021. 03. 05.

Complex Systems and Time Series Analysis인용 수 8

한 줄 요약

이 논문은 과거 연구의 이질적인 조합이 얼마나 새로운지 측정하는 '이상성'과 그 논문이 지적적 전조를 얼마나 초월하는지 측정하는 '파국성'을 통해 뒤집는 과학 논문을 식별하는 계산 프레임워크를 제안한다. 신경망으로 학습된 잠재 지식 공간을 사용하여, 저자들은 이질적인 논문이 과학을 뒤집을 가능성이 거의 두 배에 달함을 보여주며, 이러한 영향력은 10년이 넘는 시간이 지나야 나타남을 드러내며, 오늘날의 관례가 어제의 새로운 생각들에서 비롯됨을 보여준다.

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.

연구 동기 및 목표

• 학술 논의에서의 단절과 불화가 새로운 과학적 방향을 어떻게 만들어내는지 이해하기 위해.
• 기존 연구를 새로운 방식으로 조합하는 이질적인 연구 논문—즉, 과학적 파국을 이끄는 데 기여하는 논문—을 식별하고 측정하기 위해.
• 신경망이 학습한 잠재 공간으로 과학 지식의 진화를 모델링하여 과거의 새로운 생각이 현재의 관례로 어떻게 전환되는지 기록하기 위해.
• 파국의 시간적 역학을 검토하여, 이질적인 논문이 영향력을 가지기까지 얼마나 오랜 시간이 걸리는지 평가하기 위해.
• 이상성을 신경망으로 학습된 지식 공간 내의 거리 척도로 재정의하여 과학적 신선함을 측정하는 계산적 기반을 제공하기 위해.

제안 방법

• 저자들은 두 가지 지표를 사용한다: 논문이 과거 연구를 얼마나 독창적으로 조합하는지 측정하는 '이상성'과 논문이 지적 전조를 얼마나 초월하는지 측정하는 '파국성'이다.
• 신경망을 사용하여 과학 문헌에서 잠재 지식 공간을 학습하여, 논문을 연속적인 임bedding 공간 내의 벡터로 표현한다.
• 이상성은 학습된 지식 공간 내에서 논문의 임베딩이 그 즉각적인 지적 이웃들의 중심점으로부터의 거리로 재정의된다.
• 파국성은 논문의 인용 영향력과 그 지적 선구자들의 영향력을 비교하여 계산되며, 이는 분야를 얼마나 크게 재편하는지 측정한다.
• 모델은 지식 공간의 진화를 시간에 따라 추적하여 과거의 새로운 생각이 현재의 관례로 어떻게 전환되는지 보여준다.
• 분석은 대규모 과학 논문 데이터셋을 사용하며, 여러 과학 분야에서 지표를 계산하고 검증한다.

실험 결과

연구 질문

• RQ1 기존 연구를 새로운 방식으로 조합하는 이질적인 연구 논문—즉, 과학적 파국을 이끄는 논문—은 어떻게 과학적 파국에 기여하는가?
• RQ2 파국의 시간적 역학은 어떻게 되며, 이질적인 논문이 중요한 영향력을 가지기까지 얼마나 오랜 시간이 걸리는가?
• RQ3 이상성을 신경망으로 학습된 잠재 지식 공간 내의 거리 척도로 공식적으로 모델링할 수 있는가?
• RQ4 오늘날의 과학적 관례는 어제의 새로운 생각들에서 얼마나 깊이 기인하는가?
• RQ5 잠재 지식 공간의 구조는 새로운 과학적 방향의 출현에 어떻게 영향을 주는가?

주요 결과

• 높은 이상성을 가진 논문은 일반적인 논문보다 과학을 뒤집을 가능성이 거의 두 배이다.
• 이질적인 논문의 파국 점수는 10년 이상 걸려 수렴함을 보여주며, 영향력이 나타나는 데 오랜 기간이 소요됨을 시사한다.
• 신경망이 학습한 잠재 지식 공간은 과학적 아이디어의 진화를 효과적으로 포착하며, 과거의 새로운 생각이 현재의 관례로 전환됨을 보여준다.
• 학습된 지식 공간 내에서 거리로 재정의된 이상성은 과학적 신선함을 측정하는 데 있어 강력하고 해석 가능한 척도를 제공한다.
• 모델은 지적적 단절과 불화—즉, 과거 연구의 새로운 조합을 통해 나타나는 것—이 새로운 과학적 방향을 이끄는 핵심 요인임을 드러낸다.
• 이 연구는 파국이 즉각적인 것이 아니라 점진적으로 축적되며, 지속적인 인용과 통합이 이루어진 후에야 장기적인 영향력이 나타남을 보여준다.