[論文レビュー] Early Detection of Research Trends

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

Big Data and Business Intelligence被引用数 6

ひとこと要約

本稿では、既存の研究分野間の動的共同作業パターンを分析することで、新規研究分野の早期検出を可能にする新規手法Augurを提案する。『先祖』と呼ばれる、相互連携が急激に増加するトピックのクラスタを特定することで、新規トピックが正式にラベル付けされる前にもそれを予測可能である。2000年から2011年までの1,408件の新規登場トピックから構成されるゴールドスタンダードデータセットを用いた評価において、4つのベースラインを上回る精度と再現率を達成した。

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.

研究の動機と目的

• 新規研究分野が正式にラベル付けされたり、広く引用されたりする前段階、つまり胚細胞段階でその検出に取り組むこと。
• 新規研究分野が出現する直前に現れる前兆的ダイナミクス、特に分野間連携の役割を理解すること。
• 新規トピックが主流の認識を得る前に対象を特定できる、スケーラブルでデータ駆動型のシステムの開発。
• 歴史的に検証済みの新規登場トピックのゴールドスタンダードを用いて評価することで、信頼性と妥当性を保証すること。
• 資金提供機関や出版機関などの制度的ステークホルダーが、新規研究トレンドを事前に予測し、的確に対応できるフレームワークを提供すること。

提案手法

• Augurは、引用情報と出版データを用いて、研究分野間の時間的変化を伴う関係を分析し、協力関係の増加を検出する。
• 共通の成長を示すトピックの凝集的クラスタを特定するために、独自開発のコミュニティ検出アルゴリズム「高度化クライクパーコレーション法（ACPM）」を採用する。
• ACPMは、類似度閾値とリンク密度に基づいて、完全に接続された部分グラフ（クライク）を統合することで、重複するコミュニティを検出可能であり、進化するトピッククラスタの検出を可能にする。
• ノードが研究分野を表し、エッジが時間経過に伴う分野間連携強度を表す動的ネットワークとして、トピックの進化をモデル化する。
• 時間的クラスタリングを用いて、複数のトピックが後に新しい明確なトピックとして出現するのと相関する形で、共に進化し始めた瞬間を特定する。
• 分野固有の出版行動に合わせて、クラスタ連結閾値や類似度測定法を最適化するためのパrameterチューニングを実施する。

実験結果

リサーチクエスチョン

• RQ1 新規研究分野の出現を予測するための、分野間連携における前兆的パターンは何か？
• RQ2 既存の研究分野間の動的連携パターンは、新規トピック形成の信頼できる早期シグナルとして機能できるか？
• RQ3 コミュニティ検出アルゴリズムをどのように変更すれば、新規研究分野に先行する進化するトピッククラスタを特定できるか？
• RQ4 システムは、新規トピックが正式にラベル付けされたり、広く引用されたりする前までに、どれほど早くその出現を検出できるか？
• RQ5 Augurの性能は、既存の手法と比較して、新規トピック検出の精度と再現率においてどの程度優れているか？

主な発見

• 異なる研究分野間での協力の著しい増加—『先祖』と呼ばれる—が、新規トピックの出現を予測する信頼できる早期シグナルを提供する。
• 2000年から2011年までの1,408件の新規登場トピックから構成されるゴールドスタンダードデータセットを用いた評価において、Augurは4つの代替手法を精度と再現率の両面で上回った。
• 高度化クライクパーコレーション法（ACPM）は、研究分野間の密な、時間的に整合性のある相互作用を特定することで、進化するトピッククラスタを効果的に検出できる。
• 2009年の場合、9,865ノードと99,660のリンクを含む大規模な進化ネットワークを24時間以内に処理可能であり、実世界の応用に向けた強力なスケーラビリティを示している。
• 分野の専門家による人為的評価は、今後の価値ある方向性であるが、現時点では運用上の制約と時間的制限により限定的である。
• 本手法は分野固有の出版行動に敏感であるため、異なる科学分野に応じたパrameterチューニングの必要性が示唆される。