The evolution of citation graphs in artificial intelligence research

Motivation

• Known: 인공지능의 사회적 영향과 편향 문제에 대한 인식이 증대하고 있으며, AI가 일반 목적 기술(general-purpose technology)로 자리잡았다는 점이 알려져 있다. 또한 컴퓨터과학 분야의 논문 생산 증가와 AI 관련 연구의 중요성이 인식되고 있다.
• Gap: 사회과학과 현대 AI 연구 커뮤니티 간의 연결 부족이 주요 문제로, AI 시스템의 사회적·윤리적 영향을 종합적으로 이해할 필요가 있음에도 AI 개발자와 사회 문제 연구자 간의 분리가 심각하다.
• Why: AI 기술이 인간의 편향을 줄일 수 있는 긍정적 잠재력을 지니고 있으나, 얼굴인식의 인종차별, 자율주행차의 윤리 딜레마, 컴퓨터 자동화로 인한 소득불평등 등 부정적 영향도 있기 때문에 사회과학과 AI 연구 간의 정보 흐름 분석이 중요하다.
• Approach: Microsoft Academic Graph를 사용하여 1950-2018년의 인용 네트워크를 구성하고, natural language processing 기반 필드 분류를 통해 CS 부분 분야들 간의 인용 패턴을 시간대별(1960년대, 1980년대, 2010년대)로 비교 분석하며, 다양한 학문 분야와 AI 연구 간의 상호 인용 강도 변화를 추적한다.

Achievement

Fig. 1 | Citation patterns among CS subfields identify areas of AI-related research. a–c, We examine the rate of citatio

AI 연구 진화의 명확한 추적: Computer vision, machine learning, pattern recognition 등 주요 AI 부분 분야의 논문 생산량이 1950년 이후 지속적으로 증가하여 현재 컴퓨터과학에서 가장 큰 비중을 차지함을 제시

NLP의 역할 변화 규명: NLP가 1980년대 중반 이전에는 AI 연구와 강하게 관련되었으나 이후 정보 검색과 데이터 마이닝으로 방향이 변화했음을 지도화

참조 행동의 분야별 차이 분석: AI 연구자는 수학과 CS를 강하게 인용하는 반면, 사회과학(philosophy, sociology, economics)은 AI 논문을 충분히 인용하지 않음을 정량화

산업 연구의 증가 경향: 산업 기반 연구 기관의 AI 커뮤니티 내 중요성 증가 추적

How

Fig. 1 | Citation patterns among CS subfields identify areas of AI-related research. a–c, We examine the rate of citatio

• Microsoft Academic Graph의 NLP 기반 필드 분류를 통해 각 논문의 학문 분야 자동 식별

• 1950-2018년 기간을 10년 단위 시대로 구분하여 시간적 변화 추적

• CS 부분 분야 간 인용 네트워크 구성 및 topological clustering 적용으로 시각화

• 논문 생산량(node size)과 인용 강도(link width)를 네트워크 그래프로 표현

• 각 학문 분야에서 AI로의 인용 강도와 AI에서 각 분야로의 인용 강도를 시계열 그래프로 비교

• 산업 대 학계의 AI 연구 기관 분포 및 인용 영향력 비교 분석

Originality

• AI 인용 네트워크의 장기(70년) 진화를 처음으로 체계적으로 분석하여 필드의 과학적 기초가 어떻게 변화했는지 추적

• 논문 공개 위치(학술 저널 대 학회)의 변화가 외부 분야의 AI 인용에 미치는 영향을 실증적으로 규명

• 산업 연구와 학계 연구의 인용 역학을 구분하여 분석하는 새로운 관점 제시

• 사회과학과 AI 연구 간의 인용 불균형이 구조적 원인(학회 선호, 산업 연구의 폐쇄성)에서 비롯되었음을 입증

Limitation & Further Study

• Microsoft Academic Graph의 필드 분류가 상대적으로 broad하여 CS와 AI 내 세부 전문 영역의 구분에 제한이 있음

• 2018년까지의 데이터만 포함하여 최근 AI 붐(2019년 이후)을 반영하지 못함

• 회색 문헌(grey literature), 프리프린트(arXiv 등), 특허 인용 등을 포함하지 않아 산업 연구의 영향을 과소 평가할 가능성

• 인용만 분석하고 실제 개념적 영향이나 방법론 수용을 직접 측정하지 못함

후속 연구 방향:

• 더 정밀한 NLP 기반 분야 분류 체계 개발

• 산업 논문과 오픈 소스 코드의 인용 연결 분석

• 사회과학자가 AI 연구에 더 참여할 수 있는 제도적 장애물 분석

Evaluation

총평: 이 연구는 AI 연구의 진화를 대규모 인용 네트워크 데이터로 처음 체계적으로 추적한 중요한 관찰 논문이다. 사회과학과 AI 연구 간의 단절을 정량적으로 입증하고 그 원인(학회 출판 선호, 산업 연구의 폐쇄성)을 제시하여 정책 입안자와 연구자에게 직접적인 함의를 제공한다. 다만 필드 분류의 한계와 제한된 시간 범위가 분석의 세부성을 제약하고 있다.