지속성은 과학계에서 종종 미덕으로 여겨집니다. 그러나 본 논문에서는 지속성이 지닌 맥락적 특성, 특히 패러다임 전환기 동안 지속성이 어떻게 오히려 불리함으로 작용할 수 있는지를 조명함으로써 이러한 전통적 관점에 의문을 제기합니다. 우리는 2012년 AlexNet에 의해 촉발된 심층 학습(deep learning) 혁명에 주목합니다. 그 이전 10년 동안 최상위 머신러닝 학술 무대에서 활동했던 5,000명 이상의 과학자들의 20년에 걸친 경력 궤적을 분석하여, 이들의 연구 초점과 성과가 어떻게 변화했는지 살펴봅니다. 우리는 먼저 선도적인 학술 무대들이 전통적인 통계적 학습 방법을 밀어내고 최첨단 심층 학습 발전을 점진적으로 우선시했던 역동적인 시기를 밝혀냅니다. 과학자들은 이러한 변화에 현저히 다른 방식으로 대응했습니다. 즉, 이전에 성공했거나 확고한 입지의 연구진에 소속된 이들일수록 더 느리게 적응했습니다. 이러한 지속성은 생산성과는 양의 상관관계를 보였으나, 2012년 이후에는 과학적 영향력과 음의 상관관계를 나타냈습니다. 대부분의 연구자와 해당 분야 성과의 가장 큰 비중은 보통 수준의 지속성 구간에 밀집해 있으며, 이는 생산성과 영향력 사이의 상충 관계뿐만 아니라 더 큰 전환을 어렵게 만드는 제도적 마찰을 시사합니다. 이러한 결론은 대안적 식별 전략과 주제 인기 프리미엄, 생존 편향(survivorship bias)과 같은 대립적 설명에 대해서도 일관되게 유지됩니다. 종합하자면, 우리의 거시적 및 미시적 수준의 연구 결과는 이 사례에서 패러다임 전환이 기존 기득권층에게 유리함을 제공했던 바로 그 전문 지식의 가치를 떨어뜨림으로써 새로운 기회 구조를 창출함을 시사합니다.
본 논문에서는 단순한 인용이나 키워드 조사가 아닌, 과학 분야에서의 인공지능(AI) 파운데이션 모델(foundation model) 활용에 대한 최초의 대규모 분석을 제시합니다. 연구 결과, 모델 도입은 거의 지수적인 속도로 급격히 증가했으며 언어학, 컴퓨터 과학, 공학 분야에서 가장 높은 활용도를 보였습니다. 언어 모델의 비중이 커지고 있음에도 불구하고, 과학 분야에서 가장 널리 사용되는 파운데이션 모델은 비전 모델이었습니다. 또한 공개 가중치(open-weight) 모델이 지배적인 것으로 나타났습니다. AI 개발자들이 모델의 매개변수(parameter) 수를 늘려감에 따라 과학자들도 이를 따르고 있으나 그 속도는 훨씬 느립니다. 2015년에는 과학 분야에서 채택된 파운데이션 모델의 평균 크기가 개발된 평균 모델보다 5.4배 더 컸지만, 2024년에는 이 관계가 역전되어 새로 구축된 모델의 평균 크기가 도입된 평균 모델보다 6.9배 더 커졌습니다. 아울러 과학자들이 이러한 더 작은 모델을 사용하는 것이 AI 기반 과학의 모든 이점을 얻는 데 한계로 작용할 수 있음을 시사하는 증거도 제시합니다. 더 큰 모델을 사용하는 논문일수록 영향력이 더 높은 저널에 게재되고 더 많은 인용 수를 기록하고 있습니다.
대규모 언어 모델(LLM)이 학술 작업에서 점점 더 많이 사용되고 있지만, 그 생산성 향상이 연구 신규성의 변화를 수반하는지는 여전히 불분명하다. 우리는 ChatGPT가 널리 보급된 이후 정보시스템 저널에서 상대적 초록 수준의 의미적 신규성이 어떻게 변했는지, 그리고 이러한 변화가 기관 언어 맥락에 따라 달라졌는지를 검토한다. 2020년부터 2025년까지 44개 A* 및 A 등급 정보시스템 저널에 게재된 13,847편의 논문을 분석한다. 제목과 초록의 SPECTER2 표현을 사용하여 각 논문의 가장 가까운 최근 선행 연구와의 의미적 거리를 측정하고 비교적 전/후 모델을 추정한다. 영어가 주류가 아닌 국가의 기관에 소속된 제1저자 논문은 영어가 주류인 소속 논문보다 상대적 의미적 신규성의 2022년 이후 하락이 표준편차 0.176만큼 더 크며, 이는 약 7 백분위수 포인트에 해당한다. 여러 대안적 명세에서도 패턴은 유사하지만, 균형 저자 추정치는 덜 정밀하다. 이 발견을 생성형 AI(GenAI) 지원 지식 작업 내의 긴장 관계를 통해 해석한다. GenAI는 선행 지식에 대한 접근을 넓히고 새로운 결합을 지원할 수 있지만, 기존의 틀을 더 쉽게 재현하게 만들 수도 있다. 개별 LLM 사용은 관측되지 않기 때문에, 이 결과는 LLM 도입의 효과라기보다 이질적인 2022년 이후 변화를 식별한다. 본 연구는 출판 건수에서 게재 논문의 의미적 위치로 관심을 전환하고, 2022년 이후 변화가 기관 맥락에 따라 다름을 보여 줌으로써 LLM과 학술 생산성에 관한 연구를 확장한다.
Research in the social sciences has shown that there are gender differences in the selection of research methods, with women often opting for qualitative methods while men prefer quantitative methods. However, it is important to consider that research methods are generally chosen based on the research topic. To figure out the influence of gender on research method selection, a study was conducted in the field of Library and Information Science, using a more fine-grained method classification system and an automatic classification model called CogFT, which is based on full-text cognition. The findings showed that women tend to use Interview while men prefer Theoretical approach, across a range of topics. The study offers insights into the specific research design processes that contribute to gender differences in method selection and suggests ways to promoting gender inclusivity and equality in academia by considering research method use and guidance.
본 연구는 1991년부터 2021년 사이에 21개 주요 문헌정보학(LIS, Library and Information Science) 학술지에 게재된 26,000편 이상의 연구 논문을 분석하였으며, 기계학습(ML) 접근법을 활용하여 LIS 학자들이 사용하는 연구방법을 범주화하였다. 본 연구의 결과는 다음과 같은 점에서 중요한 의미를 지닌다. 첫째, 지난 31년간 LIS 연구에서 개념적 연구(예: "이론적 접근")에서 실증적 연구(예: "인터뷰")로 연구 전략의 전환이 이루어졌다. 둘째, 이 기간 동안 LIS 학자들이 탐구하는 연구 주제가 시스템 중심 이슈(예: "정보 검색/모델 및 알고리즘")에서 이용자 중심 주제(예: "정보 서비스")로 이동하였다. 셋째, 본 연구에서 식별된 18개의 연구 주제와 LIS 분야에서 일반적으로 채택되는 16개의 연구방법 간의 역동적이고 시사적인 관계가 밝혀졌다. 이러한 역동적 관계는 본 연구에서 제작한 인터랙티브 맵을 통해 연도별 및 종단적으로 시각화할 수 있다.
저자 팀의 구성은 학술 논문의 참신성에 영향을 미치는 중요한 요인이다. 그러나 기존 연구들은 기관 구성의 역할에 대해 제한적인 관심만을 기울여 왔으며, 대부분의 참신성 측정 방법은 일반적인 수준에 머물러 있어 논문의 참신성의 구체적인 원천과 유형을 설명하기 어렵다. 본 연구는 자연어 처리(NLP) 분야를 예시로 삼아 팀 기관 구성과 학술 논문의 세밀한 참신성 간의 관계를 분석한다. 저자 팀은 학술 기관, 산업 기관, 그리고 학술-산업 혼합 기관의 세 가지 유형으로 분류된다. 논문 전문에서 방법(method), 데이터셋(dataset), 도구(tool), 지표(metric)를 포함한 네 가지 유형의 세밀한 지식 엔티티를 추출한다. 이후 엔티티 조합을 기반으로 논문의 참신성을 측정하고, 서로 다른 엔티티 유형 간의 쌍별 조합을 추가 분석하여 참신한 논문에 대한 기여도를 조사한다. 분석 결과, 자연어 처리 분야에서 산업 기관과 학술 기관 간의 협력은 순수 산업 협력보다 참신한 논문을 생산할 가능성이 더 높은 것으로 나타났다. 세밀한 지식 엔티티 관점에서, 학술-산업 혼합 팀은 방법-지표 조합의 참신성에 더 주목하는 반면, 산업 팀은 방법-도구 조합의 참신성에 더 주목하는 경향을 보인다. 본 연구는 세밀한 참신성 측정을 통해 기관 팀 구성과 논문 참신성 간의 관계를 밝히고, 논문 품질 향상 및 산학연 협력 촉진을 위한 유용한 근거를 제공한다.
기술 발전에 관한 대부분의 연구는 주제적 관점에서 수행되어 왔으나, 주제는 거칠게 분류되어 기술을 정확히 표현하기에 충분하지 않다. 자동 개체 인식 기법의 발전으로 기술 관련 개체를 대규모로 추출하는 것이 가능해졌다. 이에 따라 본 연구는 개체 중심 관점에서 기술 발전을 보다 정확하게 분석한다. 먼저 자연어 처리(NLP) 분야 논문에서 방법(methods), 데이터셋(datasets), 평가지표(metrics), 도구(tools) 등 기술 관련 개체를 추출하고, 반자동 방식으로 개체를 정규화한다. 이후 개체의 공출현 네트워크를 기반으로 z-점수를 산출하여 영향도를 측정하고, 21세기 초부터 NLP 분야의 신기술 발전 추이를 분석한다. 본 논문의 주요 발견은 세 가지 측면으로 구성된다. 첫째, 논문당 평균 개체 수의 지속적인 증가는 연구자들이 관련 기술적 배경 지식을 습득해야 하는 부담이 늘어나고 있음을 시사한다. 그러나 사전학습 언어 모델의 등장은 NLP 분야의 기술 혁신에 새로운 활력을 불어넣었다. 둘째, 고영향도 개체 179개 중 방법(Methods) 범주가 지배적이다. 상위 10개 개체의 z-점수 추이 분석 결과, BERT와 트랜스포머로 대표되는 사전학습 언어 모델이 최근 주류로 자리잡았음이 확인된다. 나머지 8개 방법 개체의 추이와 달리, Wikipedia 데이터셋과 BLEU 평가지표의 영향도는 장기적으로 지속 상승해 왔다. 셋째, 최근 몇 년간 새로운 고영향도 기술의 인기가 전례 없이 급격히 증가하였으며, 연구자들의 수용 속도도 전례 없이 빨라지고 있다. 본 연구는 특정 도메인의 기술 발전을 분석하는 새로운 관점을 제시한다.
Algorithms have become central to scientific research in the era of artificial intelligence (AI). Although algorithm mentions in papers are often used to indicate popularity and influence, existing studies usually evaluate individual algorithms in isolation and pay limited attention to the collective influence formed through their interconnections. This study constructs large-scale algorithm co-occurrence networks in natural language processing (NLP) based on the full text of academic papers and investigates algorithm influence from a network perspective. Using deep learning models, we extract algorithm entities and build overall, cumulative, and annual co-occurrence networks. We analyze their structural characteristics and apply multiple centrality measures to assess the group influence of algorithms across the whole field and over time. The results show that algorithm networks display typical features of complex networks, with increasingly dense connections developing over approximately two decades. Classic, high-performing algorithms and those located at the intersections of different research periods tend to have high popularity, control, centrality, and balanced influence. When the influence of an algorithm declines, it usually loses its core network position first, followed by weaker associations with other algorithms. This study is the first large-scale analysis of algorithm co-occurrence networks. Covering more than four decades of academic publications, it provides a temporal and structural view of algorithm influence and offers a foundation for future research on networks linking algorithms, scholars, and tasks.
학술 경력 연령은 경력 발전에 중요한 영향을 미치며, 연구 행동, 산출물 규모, 방법론적 선택에 영향을 준다. 학술 경력 연령별 방법론 변화를 분석하는 것은 학문적 진화에 대한 새로운 이론적 관점을 제공하며, 초기 경력 연구자에게 방법 선택에 대한 실용적 지침을 제공한다. 1990년부터 2023년까지 14개 권위 있는 문헌정보학 저널에 게재된 26,677편의 논문으로 코퍼스를 구축하였다. CogFT 모델이 이러한 논문에 포함된 연구 방법을 자동으로 분류하였고, Top2Vec이 토픽 모델을 생성하였다. 이 과정을 통해 연구 방법과 토픽을 연결한 포괄적 데이터셋이 만들어졌다. 저자명 동명이인 구별을 통해 각 학자의 학술 경력 연령을 계산할 수 있었다. 방법에 대한 인기도와 Shannon 다양성 지수, 그리고 토픽 다양성을 학술 경력 연령 그룹 간에 비교하였다. 결과는 역동적인 방법론적 추세를 보여준다: 이론적 접근법의 비중은 점차 감소한 반면, 실험적 방법과 서지계량학적(bibliometric) 방법은 확대되었다. 방법의 인기도는 코호트 간에 유의미하게 다르다. 중년 경력 학자는 가장 높은 방법 다양성을 보이며, 말년 경력 학자는 가장 낮은 다양성을 보인다.
참신성은 학술 논문의 품질을 평가하는 중요한 지표입니다. 학자들은 특히 제목, 초록, 서론에서 자신의 연구의 참신한 측면을 부각하려고 노력합니다. 과학적 엄밀성을 지키는 문지기 역할을 하는 동료 심사는 논문의 참신성을 엄격하게 평가하지만, 저자의 자기 홍보와 심사자의 평가 사이에는 인지적 격차가 존재할 수 있습니다. 이를 조사하기 위해 우리는 2016년부터 2021년까지 Nature Communications에 게재된 15,328편의 학술 논문과 그에 대한 동료 심사 의견을 분석했습니다. 그 결과, 심사자와 저자 모두 결과 중심의 혁신을 강조하며, 심사자는 더 포괄적인 평가 관점을 채택한다는 사실을 발견했습니다. 또한, 논문의 고유한 참신성에 대한 홍보 강도를 분석한 결과, 그 효과는 논문의 실제 혁신 수준에 따라 달라진다는 것을 확인했습니다. 매우 혁신적인 논문은 강력한 홍보 언어를 통해 더 긍정적인 평가를 받는 혜택을 누립니다. 또한 홍보 언어는 혁신성이 중간 수준인 논문의 경우 참신성에 대한 심사자 간의 의견 불일치와 유의미한 상관관계가 있는 반면, 참신성이 매우 높거나 매우 낮은 논문에서는 미미한 영향만 미치는 것으로 나타났습니다. 이는 홍보 언어가 학술 평가의 회색 지대에서 가장 두드러지게 작용함을 시사합니다.