Forecasting high-impact research topics via machine learning on evolving knowledge graphs

要約

科学出版物の急激な増加は、人間の研究者にとって深刻な課題を引き起こしています。
より狭い下位分野に注意を向けざるを得なくなるため、自分の分野外で新たな影響力のある研究アイデアやコラボレーションを発見することが困難になります。
科学論文の将来の引用数を予測する方法はありますが、研究を終了して論文を執筆する必要があり、通常はアイデアが思い浮かんだずっと後に影響を評価します。
ここでは、研究者によってこれまで発表されたことのないアイデアの始まりの影響を予測する方法を示します。
そのために、2,100 万を超える科学論文から構築された、進化する大規模なナレッジ グラフを開発しました。
これは、論文の内容から作成されたセマンティック ネットワークと、論文の歴史的な引用から作成されたインパクト ネットワークを組み合わせたものです。
機械学習を使用すると、将来にわたって進化するネットワークのダイナミクスを高精度で予測でき、それによって新しい研究の方向性が与える影響を予測できます。
私たちは、新しいアイデアの影響を予測する能力が、新しい影響力のある興味深い科学的アイデアを生み出すことができる将来の人工ミューズの重要な要素になると想定しています。

要約(オリジナル)

The exponential growth in scientific publications poses a severe challenge for human researchers. It forces attention to more narrow sub-fields, which makes it challenging to discover new impactful research ideas and collaborations outside one’s own field. While there are ways to predict a scientific paper’s future citation counts, they need the research to be finished and the paper written, usually assessing impact long after the idea was conceived. Here we show how to predict the impact of onsets of ideas that have never been published by researchers. For that, we developed a large evolving knowledge graph built from more than 21 million scientific papers. It combines a semantic network created from the content of the papers and an impact network created from the historic citations of papers. Using machine learning, we can predict the dynamic of the evolving network into the future with high accuracy, and thereby the impact of new research directions. We envision that the ability to predict the impact of new ideas will be a crucial component of future artificial muses that can inspire new impactful and interesting scientific ideas.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google