[論文レビュー] Prediction of next career moves from scientific profiles

Charlotte James, Luca Pappalardo+2 more|arXiv (Cornell University)|Feb 13, 2018

Human Mobility and Location-Based Analysis参考文献 18被引用数 10

ひとこと要約

本稿では、研究者の科学的プロファイル（キャリアの軌跡、研究環境の質、共同研究ネットワークの構造）を用いて、次にどの機関に移るかを予測する二段階の予測モデルを提案する。新規に開発された社会的重力モデルは、共同研究データを統合することで、最先端の手法と比較して予測誤差を85%削減し、外部機関との共同研究（ヘテロフィリア）が移住の主要な予測要因であることを同定した。

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.

研究の動機と目的

• 研究者の科学的プロファイルに基づいて、1年以内に機関を変更するかどうかを予測すること。
• 特にキャリア、環境、共同研究ネットワークの特徴に注目し、研究者が移住を決断する要因を特定すること。
• 共同研究ネットワークデータを統合した新規の社会的重力モデルを用いて、研究者が移動する具体的な機関を予測すること。
• モデルの性能をさまざまな地理的地域で評価し、グローバルおよび地域的な移住パターンへの一般化可能性を検証すること。
• 研究機関や政策立案者にとって、優れた科学的人材を引き付けたり、維持したりするための実用的インサイトを提供すること。

提案手法

• 研究者ごとに、最近のキャリアパフォーマンス、研究環境の質、共同研究ネットワークの構造を含む多次元的科学的プロファイルを構築する。
• データマイニング手法を適用し、来年中に移動する可能性があるかどうかを分類する。
• 研究者固有の共同研究パターンを組み込んだ、従来の人口移動の重力モデルを拡張した社会的重力モデルを開発する。
• 社会的重力モデルを用いて、類似性、距離、共同研究のつながりに基づいて、潜在的な移住先機関をランク付けする。
• 1950年から2009年までのアメリカ物理学会（APS）の36万件の論文からなる大規模データセットを用いて、二段階モデルを学習および評価する。
• 異なる地理的サブセット（例：米国対ヨーロッパ）における交差検証を実施し、モデルの一般化可能性をテストする。

実験結果

リサーチクエスチョン

• RQ1 キャリア、環境、共同研究ネットワークのうち、研究者の移住意思を最も強く予測するのはどの特徴か？
• RQ2 共同研究ネットワークデータを組み込んだ修正された重力モデルは、従来の重力モデルと比較して、移住先の予測精度を向上させられるか？
• RQ3 本予測モデルは、米国とヨーロッパのような異なる地理的地域においても一般化可能か？
• RQ4 研究者が外部機関と共同研究を行う傾向（ヘテロフィリア）が、移住の可能性とどの程度相関しているか？
• RQ5 社会的ネットワーク情報は、移住予測モデルの予測力にどの程度寄与するか？

主な発見

• 社会的重力モデルは、最先端の重力モデルと比較して、移住先機関の予測誤差を85%削減した。
• ヘテロフィリア（自らの所属機関外の研究者と共同研究を行う傾向）は、移住意思決定と強く相関していた。
• モデルはさまざまな地理的地域で一貫した性能を示し、米国研究者で学習しヨーロッパ研究者でテストした場合、逆の場合でも、有意な精度の差は認められなかった。
• 第一段階のデータマイニングモデルは、キャリア、環境、ネットワーク特徴に基づき、高い予測精度で移動の可能性がある研究者を的確に特定できた。
• 重力モデルに共同研究ネットワークデータを統合することで、その予測力が顕著に向上し、社会的つながりと移動パターンの間には相互的な影響があることが示された。
• テストされた研究者に対して、本モデルは真の移住先機関をトップランクとして正しく予測したが、従来の重力モデルはその達成に失敗した。