[논문 리뷰] Research Topic Flows in Co-Authorship Networks

Bastian Schäfermeier, Johannes Hirth외 1명|arXiv (Cornell University)|2022. 06. 16.

Complex Network Analysis Techniques인용 수 1

한 줄 요약

이 논문은 공저자 및 초록 데이터를 사용하여 연구자와 연구 분야 간의 주제 전문성 흐름을 모델링하는 방향성 있는, 간선 가중치가 부여된 다중 그래프인 주제 흐름 네트워크(TFN)를 소개한다. 비음수 행렬 분해(NMF)를 주제 모델링에 적용하고 공저자 네트워크와 융합함으로써 TFN은 대규모의 분야 간 및 분야 내 지식 흐름 분석을 가능하게 하며, 과거 60년간의 컴퓨터 과학 및 수학 분야에서의 동적인 협업 패턴과 영향력 있는 연구자들을 드러낸다.

ABSTRACT

In scientometrics, scientific collaboration is often analyzed by means of co-authorships. An aspect which is often overlooked and more difficult to quantify is the flow of expertise between authors from different research topics, which is an important part of scientific progress. With the Topic Flow Network (TFN) we propose a graph structure for the analysis of research topic flows between scientific authors and their respective research fields. Based on a multi-graph and a topic model, our proposed network structure accounts for intratopic as well as intertopic flows. Our method requires for the construction of a TFN solely a corpus of publications (i.e., author and abstract information). From this, research topics are discovered automatically through non-negative matrix factorization. The thereof derived TFN allows for the application of social network analysis techniques, such as common metrics and community detection. Most importantly, it allows for the analysis of intertopic flows on a large, macroscopic scale, i.e., between research topic, as well as on a microscopic scale, i.e., between certain sets of authors. We demonstrate the utility of TFNs by applying our method to two comprehensive corpora of altogether 20 Mio. publications spanning more than 60 years of research in the fields computer science and mathematics. Our results give evidence that TFNs are suitable, e.g., for the analysis of topical communities, the discovery of important authors in different fields, and, most notably, the analysis of intertopic flows, i.e., the transfer of topical expertise. Besides that, our method opens new directions for future research, such as the investigation of influence relationships between research fields.

연구 동기 및 목표

• 기존의 공저자 네트워크 분석에서 자주 간과되는 연구자와 연구 분야 간의 주제 전문성 흐름을 모델링하는 것.
• 인용 데이터가 필요 없이도 분야 간 및 분야 내 협업 흐름을 분석할 수 있는 확장 가능하고 해석 가능한 방법을 개발하는 것.
• 저자 및 초록 정보와 같은 출판 메타데이터만을 사용하여 연구 분야 간 지식 이행의 거시적 및 미시적 분석을 수행하는 것.
• 대규모 과학적 문헌 집합에서 주제 커뮤니티, 영향력 있는 저자, 시간에 따른 동적인 주제 흐름을 탐지하는 데 TFN의 유용성을 입증하는 것.
• 특히 연구 분야 간 영향 관계와 전문성 이행을 연구하는 데 있어 과학지수학 분야에서 새로운 연구 방향을 열어주는 것.

제안 방법

• 방향성 있는 간선이 주제 협업을 나타내는 다중 그래프 구조(TFN)를 구축하며, 간선의 가중치는 소스 저자가 특정 주제에서의 상대적 전문성에 따라 결정된다.
• 초록에 비음수 행렬 분해(NMF)를 적용하여 자동으로 연구 주제를 발견하고 각 저자별 주제별 전문성 수준을 추정한다.
• 간선의 가중치를 소스 저자의 주제별 전문성과 대상 저자의 전문성 비율로 정의하여, 방향성 있는 흐름이 지식 이행 가능성을 반영하도록 한다.
• 저자 간 주제 흐름을 집계하여 거시적 수준(주제 간)의 주제 흐름을 계산하고 시간에 따라 분석한다.
• 결과로 도출된 TFN에 표준 사회망 분석 기법(예: PageRank, k-핵 분해, 커뮤니티 탐지)을 통합하여 영향력 있는 저자와 주제 기반 커뮤니티를 식별한다.
• 1960년대 이후 컴퓨터 과학 및 수학 분야를 아우르는 대규모 두 개의 데이터 코퍼스(2,000만 건의 출판물, 90만 명의 저자)를 사용하며, Semantic Scholar Open Research Corpus에서 데이터를 확보한다.

실험 결과

연구 질문

• RQ1 대규모 공저자 네트워크에서 연구자와 연구 분야 간의 주제 전문성 흐름은 어떻게 모델링하고 정량화할 수 있는가?
• RQ2 주제 모델링과 공저자 데이터를 어떻게 융합하여 시간에 따라 변화하는 분야 간 지식 이행 패tern을 드러낼 수 있는가?
• RQ3 실제 과학적 문헌 집합에서 수십 년에 걸쳐 주제 흐름 네트워크의 구조적 및 동적 특성은 어떠한가?
• RQ4 다양한 연구 분야와 시간대에서 분야 간 흐름의 강도와 방향은 어떻게 다를 수 있는가?
• RQ5 TFN은 전문성 흐름 패턴을 바탕으로 영향력 있는 저자와 주제 기반 커뮤니티를 식별할 수 있으며, 기존의 네트워크 지표와 비교해 볼 때 어떤가?

주요 결과

• TFN 모델은 인용 정보가 없이도 공저자 및 초록 데이터만을 사용하여 분야 내 및 분야 간 전문성 흐름을 성공적으로 포착한다.
• 이 방법은 컴퓨터 과학 및 수학 분야에서 60년 이상에 걸쳐 2,000만 건의 출판물에 걸쳐 주제 흐름의 대규모 분석을 가능하게 한다.
• 주제 흐름 네트워크는 분야 간 흐름의 역동적 변화를 드러내며, 시간과 연구 분야에 따라 뚜렷한 흐름 패턴의 차이를 관찰할 수 있다.
• 커뮤니티 탐지 및 PageRank 분석을 통해 TFN에서 영향력 있는 저자와 주제 기반 커뮤니티를 식별할 수 있었으며, 이는 알려진 과학적 발전과 일치하여 모델의 해석 가능성에 대한 타당성을 입증한다.
• TFN 구조는 표준 그래프 이론 분석을 지원하여 주제 협업 패턴 탐지에 있어 그 강건성과 유용성을 입증한다.
• 전문성 이행을 시간에 따라 모델링함으로써, 신경망이 컴퓨터 시각 분야에 미친 영향과 같은 연구 분야 간 인과적 영향 관계를 연구할 수 있는 새로운 길을 열어준다.