Vorhersage der technologischen Auswirkungen von wissenschaftlichen Arbeiten: Erkundung optimaler Modelle und der wichtigsten Merkmale

Patentzitierungen, die eine Arbeit erhalten hat, gelten als einer der geeignetsten Indikatoren zur Quantifizierung der technologischen Auswirkungen wissenschaftlicher Forschung. Angesichts der großen Anzahl veröffentlichter Forschungsergebnisse benötigen Technologieförderer eine effektive Methode, um akademische Arbeiten mit potenziellen technologischen Auswirkungen zu identifizieren und wissenschaftliche Theorien für die Entwicklung relevanter Technologien bereitzustellen. Diese Studie konzentriert sich auf das technische Feld der künstlichen Intelligenz (KI) und konstruiert ein Set von 47 Merkmalen aus sieben Dimensionen, wobei Merkmalsauswahl und maschinelles Lernen eingesetzt werden, um genau vorherzusagen, wie Forschungspapiere die KI-Technologie beeinflussen. Die Ergebnisse zeigen, dass das Random-Forest-Modell den anderen getesteten Modellen in der Vorhersage von KI-Patentzitierungen von Arbeiten überlegen ist, wobei zitationsbezogene Merkmale (wie 'PaperCitations' und 'Background') eine entscheidende Rolle bei der Vorhersage spielen.