【CSET】与新兴技术趋势保持同步_：_使用大数据通知规划_42页_2mb

文档总结：保持最新的新兴技术趋势

核心内容

本文探讨了一种人机协作方法，用于系统地识别与特定组织（如国防部）相关的新兴技术研究趋势。该方法结合了数据驱动分析和领域专家的主观判断，以帮助组织更好地了解当前和未来可能影响其利益的技术发展。

主要观点

• 技术预测与视野扫描：虽然数据本身无法预测科学革命，但通过分析数据，可以系统地识别与组织相关的新兴技术研究领域，从而帮助组织保持对新技术的了解或略领先于新技术。
• CSET科学地图与研究集群：CSET（中心安全与新兴技术）构建了一个基于引文模式的科学地图，将全球学术文献聚类为研究集群。这些集群可以反映研究主题、趋势以及跨领域的影响。
• 元数据与集群分析：通过分析集群的元数据（如论文数量、引用次数、关键词、作者信息、资金来源等），可以识别出具有高增长、高引用或出口活动的研究集群。
• 人机协作模型：该方法分为五个步骤，从识别与组织相关的论文开始，通过分析这些论文所属的集群，筛选出具有特定特征的集群，并将这些信息传递给领域专家进行评估和讨论。

关键信息

1. 方法论概述

• 步骤1：识别与组织相关的论文。例如，本文使用了与国防部相关的论文集。
• 步骤2和3：分析集群的元数据，包括核心论文（高被引）、出口论文（被其他集群引用）和增长趋势。
• 步骤4：选择并呈现部分集群，供中小企业（SMEs）进行审查和讨论。
• 步骤5：组织领域专家（SMEs）对选定的集群进行评估，以判断其对组织的潜在影响。

2. 集群特征

• 增长百分位数：衡量集群在五年内的论文增长速度。
• 出口百分位数：衡量集群论文被其他集群引用的频率，反映其对其他领域的影响。
• 集中度：衡量集群中与组织相关的论文比例。
• 关键词与短语：用于描述集群主题的关键词，有助于中小企业理解研究内容。

3. 集群的元数据指标

• 平均年龄：衡量集群论文的发表时间。
• 论文数量：衡量集群的规模。
• 分类比例：如AI、NLP、机器人技术、计算机视觉等。
• 核心论文：在集群内部被频繁引用的论文，可能代表该领域的重要研究。
• 出口论文：被其他集群引用的论文，可能代表知识转移或跨领域影响。

4. 概念验证实验

• 实验使用了与国防部相关的论文，通过CSET科学地图识别了相关研究集群。
• 选定的集群包括具有高增长、高出口和高集中度的类别。
• 在SME研讨会中，参与者对某些集群表现出兴趣，尤其是那些涉及图像伪造检测、软机器人和无人机导航等新兴领域。

5. 方法的局限性

• 集中度指标的局限性：可能遗漏某些重要研究，尤其是非英文文献或非国防部资助的研究。
• 数据滞后性：研究论文的发布滞后于研究发现，因此某些前沿技术（如大型语言模型）可能未被包含。
• 主观判断的必要性：虽然元数据提供定量依据，但最终的集群选择仍需依赖领域专家的判断。
• 集群的非动态性：科学地图每两年更新一次，无法及时反映新兴研究。

附录与补充信息

• 附录A：讨论了集中度指标的局限性，以及如何选择具有高相关性的集群。
• 附录B：解释了如何计算百分位数，以衡量集群的近期活动。
• 附录C：介绍了CSET的AI分类器，用于识别与人工智能相关的论文。
• 附录D：提供了用于SME研讨会的讨论指南，包括如何评估集群与军事相关性、技术转化潜力等。

结论与未来应用

• 本文提出的方法是一种**“自下而上”**的技术趋势识别方法，有助于组织在大量研究数据中发现新兴领域。
• 该方法的未来应用可以包括：
  • 扩展至其他领域：如医疗、金融或环境科学，通过分析不同组织的论文集合。
  • 使用不同的分类器：如NLP或机器人技术分类器，以识别特定技术领域。
  • 探索元数据之间的关系：如增长、出口和集中度之间的相互作用。
  • 结合专家意见与AI分析：进一步优化对技术趋势的判断。

作者信息

• Emelia S. Probasco：CSET的高级研究员。
• Christian Schoeberl：CSET的数据研究分析师。

致谢

• 作者感谢多位专家和研究人员提供的反馈和帮助，包括Alan Brown、Drew Calcagno、Deji Coker等。
• 本文基于CSET的科学地图和相关数据资源。

文献引用

• 引用了多篇关于技术预测、德尔菲方法、科学地图和AI分类器的研究文献，以支持方法论和分析的可靠性。

附录概览

总结

本文提出了一种结合数据科学与领域专家判断的新兴技术趋势识别方法。通过CSET科学地图和研究集群的分析，可以识别与组织相关的研究领域，并利用元数据指标（如增长、出口、集中度）进行筛选。最终，这些集群被呈现给中小企业进行讨论，以评估其潜在影响。尽管该方法具有一定的局限性（如数据滞后、集中度偏差、非动态性等），但其在帮助组织识别新兴技术方面具有显著价值。未来可以进一步优化该方法，以适应不同组织的需求，并探索更多元化的分析工具。