Analyzing the Directionality of Citations in the Map of Science
Zusammenfassung
Kurz
Der Bericht beschreibt eine Methode, die Zitate als Importe und Exporte von Wissen zwischen Forschungsclustern auswertet, um mögliche Übergänge von Grundlagenforschung zu Anwendungen zu erkennen. Zwei Beispiele zeigen unterschiedliche Muster der Wissensaufnahme und -verbreitung; die Analyse nutzt Korpusdaten, die sich laut Bericht nicht direkt über die Map-of-Science-Oberfläche reproduzieren lassen.
Mittel
Der Bericht schlägt vor, Zitate als gerichtete Wissensflüsse zu analysieren: Frühere Arbeiten, die ein Cluster zitiert, stehen für importiertes Wissen; spätere Arbeiten, die es zitieren, für exportiertes Wissen. So sollen Übergänge von grundlegender Forschung zu Anwendungen zwischen Forschungsclustern sichtbar werden. Die Auswertung betrachtet Import- und Exportverbindungen sowie Veröffentlichungszahlen über die Zeit. Sie beruht auf zusammengeführten Korpusdaten und lässt sich laut Bericht nicht direkt in der Map-of-Science-Oberfläche wiederholen.
Zwei Deep-Learning-Beispiele zeigen unterschiedliche Muster für 2016 bis 2021. Beim Cluster 3886 zu neuronalen Architekturen stiegen die Exporte ab 2017 stark an und lagen 2021 bei fast 2.500, während Cluster- und Importzahlen ungefähr 1.000 erreichten. Beim Cluster 19241 zur hyperspektralen Bildklassifikation überwogen Importverbindungen; die Exporte nahmen aber zu. Der Bericht deutet dies so, dass Clusterwachstum und praktische Aufnahme auseinanderfallen können, und empfiehlt, bei verbreiteter Forschung auch die Anwendungsfelder und deren Fachleute zu betrachten. Im Schlussteil steht abweichend die Nummer 19421 statt 19241; der Bericht erklärt den Unterschied nicht.
Ausführlich lesen
Der Bericht von Autumn Toney und Melissa Flagg beschreibt, wie sich die Richtung von Zitaten nutzen lässt, um Verbindungen zwischen Forschungsclustern in CSETs „Map of Science“ zu untersuchen. Zitate werden dabei als Wissensflüsse verstanden: Eine Arbeit importiert Wissen, wenn sie frühere Veröffentlichungen zitiert, und exportiert Wissen, wenn spätere Arbeiten sie zitieren. Die Autorinnen und Autoren sehen darin eine Möglichkeit, Übergänge von grundlegender Forschung zu stärker angewandten Feldern nachzuzeichnen.
Auf Ebene einzelner Arbeiten illustriert der Bericht das an einem Beitrag über übertragbare Architekturen für Bilderkennung. Dieser greife auf allgemeinere Forschung zur Gestaltung neuronaler Netze zurück und werde später in einer Übersicht zu Deep Learning für die medizinische MRT-Bildgebung aufgegriffen. Das Beispiel soll zeigen, wie Zitatwege eine zunehmende Spezialisierung und mögliche Translation von Forschung sichtbar machen können.
Die Methode wird auf Forschungscluster übertragen: Über die Veröffentlichungen eines ausgewählten Clusters lassen sich dessen Import- und Exportbeziehungen zu anderen Clustern verfolgen. Die Auswahl kann laut Bericht über Stichwortsuche und Verfahren zur Clusterbestimmung erfolgen. Werden Importe, Exporte und Veröffentlichungszahlen über die Zeit verglichen, könne dies Hinweise darauf geben, ob ein Forschungsgebiet vor allem Wissen aufnimmt, selbst Wissen verbreitet oder in andere Anwendungsbereiche hineinwirkt. Der Bericht betont, dass die vorgestellte Analyse auf zusammengeführten zugrunde liegenden Korpusdaten beruht und sich nicht direkt in der interaktiven Map-of-Science-Oberfläche reproduzieren lässt.
Zwei Beispiele aus einer Suche nach Deep-Learning-Forschung veranschaulichen die Auswertung für den Zeitraum 2016 bis 2021. Beim Cluster 3886 („Neural Architectures“) hätten die Exporte 2017 stark zugenommen und bis 2021 nahezu 2.500 erreicht. Veröffentlichungen des Clusters und Arbeiten mit Importverbindungen hätten sich dagegen bei ungefähr 1.000 eingependelt. Der Bericht folgert, dass ein Blick allein auf das Wachstum des Clusters die zunehmende Nutzung seiner Forschung übersehen könnte.
Beim Cluster 19241 („Hyperspectral Image Classification“) lägen Veröffentlichungen mit Importverbindungen dem Bericht zufolge durchgehend über der Gesamtzahl der Clusterveröffentlichungen und den Exportveröffentlichungen. Das Cluster nehme demnach viel Wissen aus anderen Bereichen auf, während die Weitergabe zunächst geringer sei; die Exporte nähmen jedoch im Zeitverlauf zu. Für politische Beobachtung leitet der Bericht daraus ab, dass rasches Wachstum eines Forschungsgebiets nicht automatisch eine ebenso schnelle Nutzung in anderen Bereichen bedeutet. Bei Cluster 3886 sei eine stärkere Aufnahme der Forschung zu erkennen; deshalb könne es sinnvoll sein, auch die Felder zu untersuchen, in die das Cluster exportiert, und dort tätige Fachleute einzubeziehen.
Die dargestellten Befunde sind Beispiele und keine allgemeingültige Bewertung aller Forschungsfelder. Zudem nennt der Schlussteil einmal Cluster „19421“, obwohl das zuvor beschriebene Beispiel Cluster 19241 heißt; der Text klärt diese Abweichung nicht auf.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Luna hat die Abweichung zwischen 19241 und 19421 im Schlussteil korrekt bemerkt. Die Zusammenfassung ist inhaltlich zutreffend, lässt aber das zentrale Wissenstransfer-Beispiel aus Abbildung 1 aus. Die Einordnung beruht allein auf dem Bericht; Lunas eigene Stufen und Anteile wurden nicht übernommen.
Im Bericht, aber nicht in der Zusammenfassung
- Das Beispiel aus Abbildung 1: Zoph et al. importieren Wissen aus einer Arbeit zur Architekturentwicklung per Verstärkendem Lernen (grundlegender) und exportieren es in einen Überblick zu Deep Learning in der MRT-Bildgebung (angewandter).
- Die Zielsetzung der Methode, translationale Wissenschaftspfade in der Map of Science sichtbar zu machen.
- Die Policy-Empfehlung, nicht nur Fachleute der Forschungsfelder, sondern auch Experten der anwendenden Domänen einzubeziehen, ist nur angedeutet, aber nicht als Kernaussage des Berichts ausgearbeitet.
- Die Einordnung von Cluster 19241 als „research to watch“: Forschung bewegt sich, die Verbreitung in anderen Bereichen bleibt aber langsam.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 67 %Hintergrund, keine Belege
- JEV 33 %Hintergrund, keine Belege
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht
Beteiligung und Gemeinwohl
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 44 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht