[论文解读] Early Detection of Research Trends

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

Big Data and Business Intelligence被引用 6

一句话总结

本文提出 Augur，一种通过分析现有研究领域之间的动态协作模式，实现对新兴研究主题早期检测的新方法。通过识别协作加速的跨领域主题集群（称为“祖先”），Augur 在 2000–2011 年间经验证的 1,408 个新主题的黄金标准数据集上，于精确率和召回率方面均优于四种基线方法，实现对新主题的提前预测。

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.

研究动机与目标

• 为解决在新研究主题被正式命名或广泛引用之前，于其萌芽阶段即检测到其出现的挑战。
• 理解在新研究主题出现之前所表现出的前兆动态，特别是跨领域协作的作用。
• 开发一种可扩展、数据驱动的系统，能够在新主题获得主流认可之前识别其潜在出现。
• 在历史验证的新主题黄金标准上评估该方法，以确保其可靠性和有效性。
• 为机构利益相关方（如资助机构和出版商）提供一个框架，以主动预见并响应新兴研究趋势。

提出的方法

• Augur 利用引文和出版数据，分析研究领域之间的历时性（随时间演变）关系，以检测协作增加的模式。
• 采用自定义的社区检测算法——高级团簇渗透法（ACPM），识别表现出协调增长的紧密主题集群。
• ACPM 通过基于相似性阈值和链接密度合并团簇（完全连通子图）的方式检测重叠社区，从而实现对演化中主题集群的检测。
• 系统通过动态网络建模主题演化，其中节点代表研究领域，边代表随时间变化的跨领域协作强度。
• Augur 使用时间聚类方法检测一组主题何时开始以与后续新主题出现相关的方式共同演化。
• 通过参数调优优化检测灵敏度，包括聚类链接阈值和相似性度量，以适应不同领域的出版行为特征。

实验结果

研究问题

• RQ1 跨领域协作中存在哪些前兆模式可预测新研究主题的出现？
• RQ2 现有研究领域之间的动态协作模式能否作为新主题形成的可靠早期信号？
• RQ3 如何调整社区检测算法，以识别在新研究领域出现之前所演化的主题集群？
• RQ4 系统在新主题被正式命名或广泛引用之前，能多大程度上实现其检测？
• RQ5 Augur 在早期主题检测方面的精确率和召回率与现有方法相比表现如何？

主要发现

• 显著增加的跨不同研究领域之间的协作——称为“祖先”——在新主题出现之前即已显现，构成可靠的早期信号。
• 在 2000 至 2011 年间经验证的 1,408 个新主题的黄金标准数据集上，Augur 在精确率和召回率方面均优于四种替代方法。
• 高级团簇渗透法（ACPM）通过识别研究领域之间密集且时间协调的互动，有效检测出演化的主题集群。
• 处理大规模演化网络（如 2009 年的 9,865 个节点和 99,660 条边）在 24 小时内即可完成，表明其在现实应用中具备出色的可扩展性。
• 尽管目前受限于后勤和时间成本，但与领域专家进行人工评估被认定为未来的重要方向。
• 该方法对特定领域的出版行为仍保持敏感，表明需根据不同科学领域调整参数。