학술 논문 전체 텍스트 기반 공존 네트워크를 이용한 알고리즘의 학술적 영향력 탐색

Exploring Academic Influence of Algorithms by Co-occurrence Network Based on Full-text of Academic Papers

인공지능(AI) 시대에 알고리즘은 과학 연구의 핵심 요소가 되었습니다. 논문에 언급된 알고리즘은 종종 인기와 영향력을 나타내는 지표로 사용되지만, 기존 연구는 주로 개별 알고리즘을 독립적으로 평가하고, 알고리즘 간의 연결을 통해 형성되는 집단적 영향력에는 제한적인 관심을 기울이는 경향이 있습니다. 본 연구는 자연어 처리(NLP) 분야의 학술 논문 전체 텍스트를 기반으로 대규모 알고리즘 공존 네트워크를 구축하고, 네트워크 관점에서 알고리즘의 영향력을 분석합니다. 딥러닝 모델을 사용하여 알고리즘 엔티티를 추출하고, 전체, 누적 및 연간 공존 네트워크를 구축합니다. 이러한 네트워크의 구조적 특징을 분석하고 다양한 중심성 지표를 적용하여 전체 분야 및 시간 경과에 따른 알고리즘 집단의 영향력을 평가합니다. 연구 결과는 알고리즘 네트워크가 복잡 네트워크의 일반적인 특징을 나타내며, 약 20년에 걸쳐 연결이 점차 밀해지는 것을 보여줍니다. 성능이 우수하고 다양한 연구 기간의 교차점에 위치한 고전적인 알고리즘은 높은 인기, 통제력, 중심성 및 균형 잡힌 영향력을 갖는 경향이 있습니다. 알고리즘의 영향력이 감소할 때, 일반적으로 핵심 네트워크 위치를 먼저 잃고, 다른 알고리즘과의 연관성이 약화되는 현상이 나타납니다. 본 연구는 알고리즘 공존 네트워크에 대한 최초의 대규모 분석이며, 40년 이상의 학술 간행물을 포괄하여 알고리즘 영향력의 시간적 및 구조적 측면을 보여주고, 알고리즘, 연구자 및 과제를 연결하는 네트워크에 대한 향후 연구의 기반을 제공합니다.

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.