발명의 배경과 필요성

기술의 배경과 문제점

• 기존의 연구 집단 우수성 평가는 주로 논문이나 특허 수와 같은 정량적 잣대에 의존해왔습니다.

• 단순한 성과의 수만으로는 연구 집단의 질적인 우수성을 판단하기 어렵다는 한계가 명확합니다.

• 이를 보완하기 위해 사용되는 impact factor, h-index 등의 지표 역시, 연구 분야별 인용 경향의 차이를 반영하지 못하고 성과의 양이 많을수록 유리해지는 문제가 있습니다.

기술의 필요성

• 단순히 성과의 양으로 우수성을 판단하는 방식을 넘어, 질적으로 우수한 성과의 분포가 높은 집단을 수치적으로 분석하여 직관적으로 보여줄 수 있는 새로운 방법이 필요합니다.

• 연구 집단 간의 상대적 우수성뿐만 아니라, 특정 연구 분야의 인용 강도를 정성적 지표로 제공하여, 분야 간 영향력을 객관적으로 비교할 수 있는 분석 도구가 요구됩니다.

구현 방법

기술의 원리

본 기술은 연구성과들 간의 인용 관계를 네트워크로 분석하여 질적 우수성을 평가하는 새로운 방법론을 제시합니다. 핵심 원리는 다음과 같습니다.

• Tsallis q-exponential 함수 활용: 각 연구 그룹의 '인용 횟수'와 '연구성과 개수' 간의 관계를 통계 물리학의 Tsallis q-exponential 함수로 근사화합니다. 이를 통해 그룹별 영향력을 나타내는 지표인 유효 온도(effective Temperature) T 값을 추출하여 그룹 간 우수성을 정량적으로 비교합니다.

• 네트워크 Modularity 분석: 연구성과 간 인용 관계를 네트워크로 구성하고, 모듈성(Modularity) 행렬의 고유벡터(eigenvector)를 분석합니다. 고유벡터의 원소 값은 각 연구성과가 그룹화에 기여하는 정도를 나타내므로, 이를 통해 개별 연구성과의 중요도 및 그룹 전체의 우수성을 측정하는 지표로 활용합니다.

구체적인 구현 방법

1. 데이터 추출: 데이터베이스에서 연구성과(논문, 특허 등)와 성과 간 인용관계 정보를 읽어옵니다.

2. 그룹화: 연구성과를 속성(기간, 분야, 국가, 기관 등)에 따라 나누거나, 인용관계 네트워크 분석(Modularity 분석)을 통해 의미 있는 그룹으로 자동 분류합니다.

3. 함수 근사화: 각 그룹에 대해 인용횟수와 연구성과 수의 관계를 Tsallis q-exponential 함수로 근사(fitting)합니다.

4. T 값 추출: 근사화된 함수로부터 각 그룹의 영향력을 나타내는 지표인 effective Temperature T 값을 추출합니다.

5. 시각화 및 비교: 추출된 T 값 또는 Modularity 고유벡터 분석 결과를 그래프나 순위 등으로 시각화하여, 그룹 간 또는 개별 성과 간의 질적 우수성을 직관적으로 비교하고 평가합니다.

기술의 장점

• 객관적 질적 평가: 연구성과의 수가 아닌, 인용도가 높은 영향력 있는 성과를 창출하는 그룹을 우수 그룹으로 식별하여 정성적 평가를 객관적이고 일관되게 수행할 수 있습니다.

• 분야 간 영향력 비교: 분야별 인용 경향의 차이를 보정하여, 서로 다른 분야의 연구성과 영향력을 상대적으로 비교할 수 있습니다.

• 유연한 그룹 분석: 학교, 연구소, 국가, 특정 연구 분야 등 사용자가 원하는 임의의 그룹을 설정하여 우수성을 분석하고 순위를 매길 수 있습니다.

• 핵심 성과 식별: 네트워크 분석을 통해 특정 연구성과의 상대적 중요도를 정량적으로 파악하여, 원천 특허나 핵심 논문을 가려내는 지표를 제공할 수 있습니다.

실험 및 결과

본 특허는 방법론을 제시하고 있어 구체적인 실험 데이터가 포함되어 있지 않습니다. 하지만 유사한 방법론을 적용한 연구 사례를 통해 본 기술의 잠재적 성능과 결과를 예측해 볼 수 있습니다.

실험의 목적

텍스트 마이닝과 복잡 네트워크 분석을 활용하여 미래 예측을 위한 정량적 방법을 개발하고, 전문가 기반의 질적 방법과 비교하여 그 유용성을 검증하는 것을 목적으로 합니다.

실험 방법 및 과정

1. 키워드 추출: 최신 트렌드를 반영하기 위해 최신 연도에 가중치를 부여하는 TF-DI(Term Frequency - Date Index) 알고리즘을 사용하여 인터넷 검색 결과에서 핵심 키워드를 추출합니다.

2. 네트워크 구성: 추출된 키워드들을 노드로, 키워드 간 동시 출현 빈도(검색 결과 수)를 링크 가중치로 하는 네트워크를 구성하고, Pathfinder 알고리즘으로 최적화합니다.

3. 중심성 분석: 연결 중심성(허브), 매개 중심성(중개), 근접 중심성(영향력) 등 중심성 분석을 수행하여 네트워크 내에서 각 기술의 역할과 중요도를 식별합니다.

4. 비교 검증: 건설 분야를 대상으로, 전문가 예측 조사 결과(질적 대조군)와 정량적 분석 결과(실험군)를 비교하여 방법론의 유효성을 검증합니다.

실험 결과

정량적 텍스트 마이닝으로 도출한 기술과 전문가가 예측한 기술을 비교했을 때 82%의 높은 일치율을 보여, 본 방법론이 전문가 기반 예측을 효과적으로 보완하거나 일부 대체할 수 있음을 시사했습니다. 네트워크 중심성 분석을 통해 각 예측 조사의 핵심 기술 그룹을 다음과 같이 식별할 수 있었습니다.

활용 방안 및 기대효과

활용 방안

• R&D 전략 수립: 국가, 기관, 대학의 R&D 투자 효율성을 제고하고, 유망 연구 분야를 발굴하며, 기술 투자 포트폴리오를 최적화하는 데 활용될 수 있습니다.

• 연구자 및 기관 평가: 연구자 및 연구 기관의 질적 성과를 객관적으로 평가하는 보조 지표로 사용하여, 보다 공정한 평가 체계를 구축하는 데 기여합니다.

• 기술이전 및 사업화: 특정 기술의 원천성 및 시장성을 평가하고, 사업화 유망 기술을 식별하는 분석 도구로 활용될 수 있습니다.

• 경쟁 정보 분석: 경쟁 기관이나 국가의 연구 역량 및 핵심 기술 분야를 파악하는 경쟁 인텔리전스 시스템에 적용할 수 있습니다.

기대효과

• 기존 양적 평가의 한계를 극복하고, 검증된 분석 방법을 통해 연구 성과에 대한 정성적 평가의 신뢰성과 객관성을 확보할 수 있습니다.

• 데이터 기반의 과학적인 의사결정을 지원하여, 한정된 연구 자원을 보다 효율적으로 배분하는 데 기여할 수 있습니다.

• 연구 생태계의 구조적 특성과 동향을 파악하여, 과학기술 정책 수립에 중요한 기초 자료를 제공할 수 있습니다.

시장 동향

시장 규모 및 성장 전망

연구성과 분석 및 계량정보학 시장은 명확한 규모가 집계되지는 않으나, 관련 시장의 성장을 견인하는 여러 요인으로 인해 지속적인 성장이 전망됩니다. 특히 R&D 투자가 양적, 질적으로 확대됨에 따라, 투자 효과를 검증하고 성과를 객관적으로 측정하려는 수요가 급증하고 있습니다. 이는 정교한 분석 플랫폼 및 컨설팅 서비스 시장의 성장을 촉진하고 있습니다.

주요 플레이어 및 경쟁 환경

이 시장은 글로벌 학술 정보 기업(예: Clarivate, Elsevier)과 각국의 정부 출연 연구기관이 주요 플레이어로 활동하고 있습니다. 한국에서는 KISTI(한국과학기술정보연구원)와 같은 기관이 과학기술 및 산업 정보의 종합적인 수집, 분석, 관리를 위한 경쟁정보 분석 시스템(COMPAS), 시장 분석 보고서, 미래 기술 지식베이스 등을 개발하여 시장 및 기술 동향 예측, R&D 의사결정 지원 서비스를 제공하며 중요한 역할을 하고 있습니다. (출처)

산업 동인 및 기회 요인

1. 질적 평가에 대한 요구 증대: 단순한 양적 지표를 넘어 연구의 실제 영향력, 혁신성 등 질적 측면을 평가하려는 수요가 증가하며 관련 분석 기술 시장이 성장하고 있습니다.

2. 데이터 기반 분석 기술의 고도화: AI, 머신러닝, 자연어 처리 등 데이터 기반 분석 기술의 발전이 연구 성과 분석의 정확도와 깊이를 더하고 있습니다. (출처)

3. 기초 연구 투자 확대: 각국의 기초 연구 투자 확대는 투자 효과를 검증하고 유망 분야를 식별하기 위한 정량적/정성적 연구성과 분석 도구 및 서비스 수요를 높이고 있습니다. (출처)

4. 기술이전 및 사업화 지원 강화: 기초 연구 성과의 기술이전 및 창업 활성화가 중요해지면서, 기술의 시장성과 경제성을 평가하는 분석 컨설팅의 필요성이 커지고 있습니다.