[논문 리뷰] Prediction of next career moves from scientific profiles

Charlotte James, Luca Pappalardo외 2명|arXiv (Cornell University)|2018. 02. 13.

Human Mobility and Location-Based Analysis참고 문헌 18인용 수 10

한 줄 요약

이 논문은 과학자들의 과학적 프로필—경력 궤적, 연구 환경의 질, 협업 네트워크 구조—을 바탕으로 그들의 향후 직업 이동을 예측하기 위한 이단계 예측 모델을 제안한다. 연구자 간 협업 데이터를 통합한 새로운 사회중력 모델을 도입하여 기존 최고 수준의 방법에 비해 예측 오차를 85% 감소시켰으며, 외부 협업을 선호하는 성향(xenophilia)이 이주를 예측하는 핵심 요소임을 규명하였다.

ABSTRACT

Changing institution is a scientist's key career decision, which plays an important role in education, scientific productivity, and the generation of scientific knowledge. Yet, our understanding of the factors influencing a relocation decision is very limited. In this paper we investigate how the scientific profile of a scientist determines their decision to move (i.e., change institution). To this aim, we describe a scientist's profile by three main aspects: the scientist's recent scientific career, the quality of their scientific environment and the structure of their scientific collaboration network. We then design and implement a two-stage predictive model: first, we use data mining to predict which researcher will move in the next year on the basis of their scientific profile; second we predict which institution they will choose by using a novel social-gravity model, an adaptation of the traditional gravity model of human mobility. Experiments on a massive dataset of scientific publications show that our approach performs well in both the stages, resulting in a 85% reduction of the prediction error with respect to the state-of-the-art approaches.

연구 동기 및 목표

• 과학자들이 향후 1년 내에 소속 기관을 변경할지 여부를 그들의 과학적 프로필을 바탕으로 예측하기 위해.
• 특히 경력, 환경, 협업 네트워크 특성에 초점을 맞춰 과학자가 이주를 결심하는 데 영향을 주는 핵심 요인을 규명하기 위해.
• 협업 네트워크 데이터를 통합한 새로운 사회중력 모델을 활용해 과학자가 이동할 구체적인 기관을 예측하기 위해.
• 모델의 성능을 다양한 지리적 지역에서 평가하여 글로벌 및 지역 이주 패턴에 대한 일반화 능력을 점검하기 위해.
• 우수 과학자를 유치하거나 유지를 위한 기관 및 정책 입안자에게 실질적인 통찰을 제공하기 위해.

제안 방법

• 각 연구자에 대해 최근 경력 성과, 연구 환경의 질, 협업 네트워크 구조를 포함한 다차원 과학적 프로필을 구성하기 위해.
• 데이터 마이닝 기법을 적용하여 향후 1년 내에 이주할 가능성이 있는지 여부를 분류하기 위해.
• 과학자별 협업 패턴을 통합한 전통적 인간 이동의 중력 모델을 확장한 사회중력 모델을 개발하기 위해.
• 유사도, 거리, 협업 유대 관계를 기반으로 잠재적 이동 목적지 기관을 순위 매기기 위해.
• 1950–2009년까지 미국물리학회(APS) 소속 36만 건의 논문을 포함한 대규모 데이터셋을 기반으로 이단계 모델을 훈련하고 평가하기 위해.
• 일반화 능력을 시험하기 위해 다양한 지리적 하위집단(예: 미국 대비 유럽)에서 교차검증을 수행하기 위해.

실험 결과

연구 질문

• RQ1 과학자 프로필의 요소 중 경력, 환경, 협업 네트워크 중 어느 것이 이주 결심을 가장 강하게 예측하는가?
• RQ2 협업 네트워크 데이터를 포함한 수정된 중력 모델이 기존 중력 모델에 비해 목적지 예측 정확도를 향상시킬 수 있는가?
• RQ3 예측 모델은 미국과 유럽과 같은 다양한 지리적 지역에 일반화 가능한가?
• RQ4 과학자가 외부 기관과의 협업을 얼마나 많이 하는지(xenophilia 수준)가 이주 가능성과 어떤 관련이 있는가?
• RQ5 사회 네트워크 정보가 이주 모델의 예측 능력을 어느 정도 향상시킬 수 있는가?

주요 결과

• 사회중력 모델은 기존 최고 수준의 중력 모델에 비해 목적지 기관 예측 오차를 85% 감소시켰다.
• 외부 기관과의 협업을 선호하는 성향(xenophilia)은 이주 결심과 강하게 상관되어 있다.
• 모델은 다양한 지리적 지역에서 일관된 성능을 유지하였으며, 미국 과학자를 기반으로 훈련하고 유럽 과학자를 대상으로 테스트하거나 그 반대의 경우에도 정확도에 유의미한 차이가 없었다.
• 1단계 데이터 마이닝 모델은 경력, 환경, 네트워크 특성에 기반해 이주 가능성이 높은 과학자를 높은 정확도로 성공적으로 식별하였다.
• 중력 모델에 협업 네트워크 데이터를 통합함으로써 그 예측 능력이 크게 향상되었으며, 사회적 유대관계와 이동 패턴 간 상호 영향이 있음을 입증하였다.
• 테스트된 과학자의 경우 모델은 실제 목적지 기관을 상위 랭크된 선택지로 정확히 예측하였지만, 기존 중력 모델은 이를 실패하였다.