利用机器学习预测物理学研究的演化
物理与社会
2019-12-06 v1 机器学习
社会与信息网络
摘要
波普尔和库恩所勾勒的科学进步在很大程度上是定性的，但借助文献计量数据，发展科学进展的定量图景是可能且可取的。此外，将有限资源分配给具有增长潜力的研究主题，以加速从科学突破到技术创新的进程也十分重要。在本文中，我们通过分析1981年至2010年的APS出版数据集来解决这一定量知识演化问题。我们构建文献耦合与共被引网络，使用Louvain方法逐年检测主题簇（TCs），度量相邻年份TCs的相似性，并将结果可视化为冲积图。在具备描述给定TC及其下一年已知演化的预测特征后，我们可以训练机器学习模型来预测TCs的未来变化，即其延续、解散、合并与分裂。我们发现来自特定期刊的论文数量、度、紧密度和介数是最具预测性的特征。此外，合并事件的介数显著上升，分裂事件的介数显著下降。我们的结果代表了从科学学（SciSci）的描述性理解，迈向最终规范性理解的第一步。
引用
@article{arxiv.1810.12116,
title = {Using Machine Learning to Predict the Evolution of Physics Research},
author = {Wenyuan Liu and Stanisław Saganowski and Przemysław Kazienko and Siew Ann Cheong},
journal= {arXiv preprint arXiv:1810.12116},
year = {2019}
}
备注
24 pages, 10 figures, 4 tables, supplementary information is included