[[400942]]

對(duì)于科研人開心莫過(guò)于paper被「Accept」，發(fā)表后你的論文影響力如何？你所研究領(lǐng)域在未來(lái)潛力怎么樣？......現(xiàn)在，機(jī)器學(xué)習(xí)「突破」傳統(tǒng)評(píng)價(jià)標(biāo)準(zhǔn)，將以一種新方式去詮釋。

目前，有許多基于論文引用的度量指標(biāo)，比如引用次數(shù)、h指數(shù)、期刊影響因子等。這些指標(biāo)不僅是論文質(zhì)量的次優(yōu)指標(biāo)，而且還會(huì)影響后續(xù)學(xué)術(shù)招聘、晉升和資金籌措方面的次優(yōu)決策等。

而這些指標(biāo)只能提供不完善的、不一致的且易于操縱的研究質(zhì)量度量。隨著機(jī)器學(xué)習(xí)的興起，可以從更多角度去評(píng)判他們發(fā)表研究的潛在影響力

基于此，美國(guó)麻省理工學(xué)院（MIT）的研究人員建立了一個(gè)名為DELPHI（Dynamic Early-warning by Learning to Predict High Impact，通過(guò)學(xué)習(xí)預(yù)測(cè)高影響實(shí)現(xiàn)動(dòng)態(tài)預(yù)警）的人工智能框架，可以通過(guò)學(xué)習(xí)以前的科學(xué)出版物中的模式，為未來(lái)的高影響力技術(shù)提供「預(yù)警」信號(hào)。并解鎖大量現(xiàn)有的但尚未開發(fā)的資源。以更有效、更公平的方式分配有限的資源，從而提高集體部署到科學(xué)中的資源回報(bào)率和技術(shù)。

該研究于5月17日以題為「 Learning on knowledge graph dynamics provides an early warning of impactful research 」發(fā)表在《自然•生物技術(shù)》（ Nature Biotechnology ）雜志上。

科學(xué)事業(yè)的有效發(fā)展取決于在一組有前途的研究人員和項(xiàng)目中識(shí)別和優(yōu)化分配資源的集體能力。反過(guò)來(lái)，此過(guò)程主要取決于直接采用的分配方法，這種分配方法間接地通過(guò)雇用、晉升和社論出版物進(jìn)行。

數(shù)字科學(xué)語(yǔ)料庫(kù)的規(guī)模激增，有助于開發(fā)新的數(shù)據(jù)驅(qū)動(dòng)方法。從人工智能到現(xiàn)代科學(xué)企業(yè)產(chǎn)生的大量數(shù)據(jù)的方法應(yīng)用，可提供更早或更有意義的新科學(xué)影響和創(chuàng)新信號(hào)。

數(shù)據(jù)驅(qū)動(dòng)的算法將消化現(xiàn)有的大量高維數(shù)字科學(xué)信息，產(chǎn)生有意義的低維信號(hào)，然后將其與人類專業(yè)知識(shí)和直覺(jué)相結(jié)合。此外，這樣的方法可以包含多個(gè)目標(biāo)函數(shù)，可擴(kuò)展到一系列期望的結(jié)果上。

此前的研究已經(jīng)證明從知識(shí)圖中提取信號(hào)的價(jià)值。但是，目前還沒(méi)有框架將這些方法與人工智能方法相結(jié)合，從而使我們能夠從過(guò)去中學(xué)到東西，以提高我們識(shí)別未來(lái)最具影響力的科學(xué)技術(shù)的能力。

本研究提出一個(gè)機(jī)器學(xué)習(xí)框架DELPHI，通過(guò)分析科學(xué)文獻(xiàn)中計(jì)算的一系列特征之間的高維關(guān)系，預(yù)測(cè)可能產(chǎn)生高影響力的工作。研究人員使用的數(shù)據(jù)集包含1980-2019年期間發(fā)表的1,687,850篇研究論文（42種與生物技術(shù)相關(guān)的期刊），從中得到了論文發(fā)表后1-5年與每篇論文、作者、期刊、網(wǎng)絡(luò)相關(guān)的29個(gè)特征。再用每篇論文的特征訓(xùn)練一個(gè)機(jī)器學(xué)習(xí)模型，讓這個(gè)模型給出影響力「預(yù)警」信號(hào)。

從動(dòng)態(tài)知識(shí)圖中收集、構(gòu)建、計(jì)算和學(xué)習(xí)科學(xué)影響預(yù)警信號(hào)。（來(lái)源：論文）

研究人員使用DELPHI預(yù)測(cè)了到2023年將產(chǎn)生巨大影響的50篇最新科學(xué)論文。論文涵蓋的主題包括：用于癌癥治療的DNA納米機(jī)器人、高能量密度鋰氧電池和利用深層神經(jīng)網(wǎng)絡(luò)的化學(xué)合成。

「本質(zhì)上，我們的算法通過(guò)從科學(xué)史中學(xué)習(xí)模式，然后在新出版物上進(jìn)行模式匹配來(lái)發(fā)現(xiàn)有高影響力的早期信號(hào)，」 Weis說(shuō)?！竿ㄟ^(guò)追蹤思想的早期傳播，我們可以預(yù)測(cè)它們以有意義的方式傳播到更廣泛的學(xué)術(shù)界的可能性有多大。」 

預(yù)測(cè)潛在影響力

Weis和Jacobson開發(fā)的機(jī)器學(xué)習(xí)算法利用了自1980年代以來(lái)科學(xué)出版物呈指數(shù)增長(zhǎng)的大量數(shù)字信息。但DELPHI并沒(méi)有使用諸如引用次數(shù)之類的一維度量來(lái)判斷出版物的影響，而是接受了期刊文章元數(shù)據(jù)的完整時(shí)間序列網(wǎng)絡(luò)的培訓(xùn)，以揭示其在整個(gè)科學(xué)生態(tài)系統(tǒng)中的高維分布。

結(jié)果是一個(gè)知識(shí)圖，包含代表論文、作者、機(jī)構(gòu)和其他類型數(shù)據(jù)的節(jié)點(diǎn)之間的連接。這些節(jié)點(diǎn)之間復(fù)雜連接的強(qiáng)度和類型決定了它們?cè)诳蚣苤惺褂玫膶傩浴！高@些節(jié)點(diǎn)和邊定義了一個(gè)基于時(shí)間的圖形，DELPHI使用它來(lái)學(xué)習(xí)預(yù)測(cè)未來(lái)高影響的模式?！?Weis解釋說(shuō)。

論文在發(fā)表5年后在時(shí)間尺度節(jié)點(diǎn)中心位置的前5%的論文被認(rèn)為DELPHI旨在識(shí)別的「高度影響」目標(biāo)集。前5％的論文占圖表總影響力的35％。 

可視化的低影響力和高影響力出版物的共同作者和引文網(wǎng)絡(luò)結(jié)構(gòu)的比較演變。（來(lái)源：論文）

與引文數(shù)量相比，DELPHI識(shí)別出的高度影響力的論文的數(shù)量是其兩倍多，包括60％的「隱藏寶石」或被引文閾值遺漏的論文。

研究人員驚訝地發(fā)現(xiàn)，在某些情況下，使用DELPHI能夠顯示出高影響力的論文「警報(bào)信號(hào)」時(shí)間如此之早?！冈诎l(fā)布的一年內(nèi)，我們已經(jīng)確定了『隱藏寶石』，這些『寶石』將在以后產(chǎn)生重大影響?！?Weis說(shuō)。

他警告說(shuō)，「但DELPHI并不能完全預(yù)測(cè)未來(lái)。我們正在使用機(jī)器學(xué)習(xí)來(lái)提取和量化隱藏在現(xiàn)有數(shù)據(jù)的維度和動(dòng)態(tài)中的信號(hào)。」 

公平、高效

過(guò)去，論文影響力的衡量標(biāo)準(zhǔn)（如引文和期刊影響因子等指標(biāo)）都可以被操縱，研究人員說(shuō)，「希望DELPHI將提供一種偏見(jiàn)更少的方式來(lái)評(píng)估論文的影響力?！?/p>

Weis說(shuō)，「與所有機(jī)器學(xué)習(xí)框架一樣，設(shè)計(jì)人員和用戶應(yīng)警惕偏見(jiàn)。我們需要不斷意識(shí)到數(shù)據(jù)和模型中的潛在偏差。我們希望DELPHI能夠以較少偏見(jiàn)的方式幫助找到最佳的研究——因此，我們需要注意，我們的模型不能僅根據(jù)次優(yōu)指標(biāo)（例如h-Index，作者引用計(jì)數(shù)或機(jī)構(gòu)隸屬關(guān)系）來(lái)預(yù)測(cè)未來(lái)的影響。」

Weis在為生物技術(shù)初創(chuàng)公司啟動(dòng)風(fēng)險(xiǎn)投資基金和實(shí)驗(yàn)室孵化設(shè)施之后，思考了很多的問(wèn)題。

他說(shuō)：「我越來(lái)越意識(shí)到，包括我自己在內(nèi)的投資者一直在相同的地點(diǎn)，以相同的觀念來(lái)尋找新公司?！?「我開始瞥見(jiàn)大量的人才和驚人的技術(shù)，但這常常被忽視。我認(rèn)為一定有一種方法可以在這個(gè)領(lǐng)域工作——機(jī)器學(xué)習(xí)可以幫助我們發(fā)現(xiàn)并更有效地實(shí)現(xiàn)所有這些未被挖掘的潛力?！?nbsp;

參考內(nèi)容：

https://news.mit.edu/2021/using-machine-learning-predict-high-impact-research-0517

論文鏈接：

https://www.nature.com/articles/s41587-021-00907-6