[论文解读] New Directions in Science Emerge from Disconnection and Discord

Yiling Lin, James A. Evans+1 more|arXiv (Cornell University)|Mar 5, 2021

Complex Systems and Time Series Analysis被引用 8

一句话总结

本文提出了一套计算框架，通过测量‘异常性’（即其先前研究组合的非典型性）和‘颠覆性’（即其超越学术先驱的程度）来识别具有颠覆性的科学论文。利用神经网络学习的潜在知识空间，作者发现异常性高的论文几乎两倍于常规论文引发科学颠覆，尽管这种影响需十余年才逐渐显现，揭示了今日的学术惯例如何源于昨日的创新。

ABSTRACT

Science is built on the scholarly consensus that shifts with time. This raises the question of how new and revolutionary ideas are evaluated and become accepted into the canon of science. Using two recently proposed metrics, we identify papers with high atypicality, which models how research draws upon novel combinations of prior research, and evaluate disruption, which captures the degree to which a study creates a new direction by eclipsing its intellectual forebears. Atypical papers are nearly two times more likely to disrupt science than conventional papers, but this is a slow process taking ten years or longer for disruption scores to converge. We provide the first computational model reformulating atypicality as the distance across latent knowledge spaces learned by neural networks. The evolution of this knowledge space characterizes how yesterday's novelty forms today's scientific conventions, which condition the novelty--and surprise--of tomorrow's breakthroughs.

研究动机与目标

• 理解学术话语中的断裂与分歧如何催生新的科学方向。
• 识别并量化异常研究论文——即以新颖方式整合既有研究的论文——在推动科学颠覆中的作用。
• 将科学知识的演化建模为神经网络学习的潜在空间，捕捉过去的新颖性如何演变为当前的惯例。
• 研究颠覆性的时序动态，评估异常论文获得影响力所需的时间。
• 将异常性重新定义为学习知识空间中的距离度量，为科学新颖性的计算测量提供基础。

提出的方法

• 作者采用两种度量：异常性，用于衡量论文在多大程度上以独特方式整合先前研究；颠覆性，用于量化论文超越其学术先驱的程度。
• 应用神经网络从科学文献中学习潜在知识空间，将论文表示为连续嵌入空间中的向量。
• 将异常性重新定义为论文嵌入向量与其直接学术邻近物中心点之间的距离。
• 通过比较论文的引文影响力与其学术先驱的影响力来计算颠覆性，衡量其对领域方向的改变程度。
• 该模型追踪知识空间随时间的演化，揭示过去的新颖性如何演变为当前的惯例。
• 分析使用大规模科学论文数据集，各项度量在多个科学领域中计算并得到验证。

实验结果

研究问题

• RQ1 以新颖方式整合既有研究的异常研究论文如何推动科学颠覆？
• RQ2 颠覆性的时序动态如何？异常论文需要多长时间才能获得显著影响力？
• RQ3 如何将异常性正式建模为神经网络学习的潜在知识空间中的距离？
• RQ4 今日的科学惯例在多大程度上源于昨日的创新思想？
• RQ5 潜在知识空间的结构如何影响新科学方向的出现？

主要发现

• 高异常性论文引发科学颠覆的可能性几乎是常规论文的两倍。
• 异常论文的颠覆性得分需十年或更长时间才趋于收敛，表明影响力显现存在长期过程。
• 神经网络学习的潜在知识空间有效捕捉了科学思想的演化，过去的新颖性逐渐演变为当前的惯例。
• 将异常性重新定义为学习空间中的距离，提供了稳健且可解释的科学新颖性度量方法。
• 该模型揭示，学术上的断裂与分歧——体现为对既有研究的创新性组合——是推动新科学方向的关键驱动力。
• 本研究表明，颠覆并非立即发生，而是逐步积累，长期影响力仅在持续被引用和整合后才显现。