Who Leads Machine Learning Research? A Bibliometric Portrait of 1,000 Top-Cited Researchers on Google Scholar

Resumen Técnico: Scholar-ML-1000

Planteamiento del Problema
A pesar de los comentarios generalizados sobre la transformación estructural del aprendizaje automático (ML) de un subcampo de la informática a una metodología interdisciplinaria, y el cambio concurrente de la actividad de investigación de las universidades a los laboratorios industriales, el panorama global del talento permanece insuficientemente documentado. La literatura existente carece de una instantánea exhaustiva y ordenada por citas de los investigadores de ML más citados en el mundo. Los conjuntos de datos previos, como el orientado a la industria MAANG-AI-450, tienen un alcance limitado, excluyen a los académicos y no logran capturar la plena amplitud disciplinaria del campo. Este artículo aborda la necesidad de responder preguntas fundamentales: ¿Quiénes son los investigadores de ML más citados a nivel mundial? ¿Cuál es el equilibrio entre la academia y la industria? ¿Qué instituciones concentran la mayor cantidad de talento y qué tan diversas son los intereses de investigación dentro del nivel superior?

Metodología
Los autores construyeron Scholar-ML-1000, un conjunto de datos que comprende a los 1,000 investigadores más citados en Google Scholar que se identifican con la etiqueta "machine learning".

• Recopilación de Datos: Utilizando un script de automatización de navegador personalizado, los autores consultaron el punto de acceso de búsqueda de autores público de Google Scholar (label:machine_learning), ordenando los resultados por el recuento total de citas. Recuperaron 100 páginas consecutivas (1,000 entradas) durante un periodo de 72 horas en junio de 2026 para minimizar las inconsistencias temporales.
• Campos Recopilados: Para cada investigador, el conjunto de datos incluye rango, nombre, afiliación, intereses autodeclarados (palabras clave) y total de citas acumuladas.
• Limpieza de Datos: La inspección manual de las 20 entradas superiores identificó cuatro cuentas anómalas (perfiles con citas infladas o fuera de tema, incluyendo un físico de partículas cuyas citas provienen de grandes colaboraciones de detectores en lugar de un enfoque en ML). Estas cuatro fueron señaladas y excluidas del análisis cuantitativo, resultando en un conjunto de datos limpio de n = 996.
• Clasificación: Las afiliaciones se clasificaron en "Academia", "Industria", "Ambos" o "Desconocido" mediante la coincidencia de palabras clave (por ejemplo, "universidad", "profesor" frente a nombres de empresas específicas como "Google", "Meta"). La distribución geográfica se determinó mediante un sistema de coincidencia de palabras clave de prioridad que priorizó las palabras clave explícitas de ciudad/institución sobre las ubicaciones de las sedes de las empresas para evitar la clasificación errónea de investigadores internacionales (por ejemplo, distinguir a los investigadores de DeepMind basados en el Reino Unido de los investigadores de Google basados en EE. UU.).

Contribuciones Clave

1. Lanzamiento del Conjunto de Datos: El artículo introduce y lanza Scholar-ML-1000, la primera instantánea disponible públicamente y ordenada por citas de la población mundial de investigadores de ML que cubre el top 1,000 completo.
2. Análisis de la Distribución de Citas: El estudio caracteriza la distribución global de citas, encontrando un coeficiente de Gini de 0.37. Esto es significativamente menor que el 0.57 observado en el conjunto de datos orientado solo a la industria MAANG-AI-450, lo que sugiere que la concentración de impacto extremo es más característica de los laboratorios industriales que del ecosistema global de ML.
3. Cuantificación Industria–Academia: El artículo cuantifica la división de sectores, desafiando la narrativa de que la industria ha capturado completamente la investigación en ML. Encuentra que la academia sigue siendo el sector dominante tanto en número de investigadores como en participación de citas.
4. Amplitud Disciplinaria: El conjunto de datos revela comunidades sustanciales de campos no tradicionales de ML, específicamente la física de partículas, la biología computacional y la astrofísica, que suelen ser invisibles en los conjuntos de datos centrados en la industria.

Resultos Clave

• Estadísticas de Citas: El conjunto de datos limpio (n=996) abarca un rango de citas de 40,809 a 1,118,561 (mediana: 69,320; media: 101,379). El 10% superior de los investigadores representa el 31.6% del total de citas, mientras que el 58.8% superior representa el 80%.
• División de Sectores: El 52.3% de los investigadores poseen afiliaciones principalmente académicas, representando el 52.3% de las citas totales. Los investigadores de industria pura constituyen el 22.6% en recuento, pero representan el 26.6% de las citas, lo que indica una modesta ventaja de productividad de citas para los investigadores de la industria.
• Concentración Institucional:
  • Google y Google DeepMind enumeran colectivamente 209 investigadores (21.0% del conjunto de datos), una cifra que es más del doble del total combinado de Stanford, MIT y UC Berkeley (74 investigadores).
  • Entre las universidades, las cinco principales son norteamericanas: Stanford (31), MIT (23), UC Berkeley (20), Carnegie Mellon (16) y la Universidad de Toronto (13).
• Distribución Geográfica: Los investigadores basados en EE. UU. constituyen aproximadamente el 32.4% del conjunto de datos (combinando clasificaciones de universidad y sede de la empresa). El Reino Unido ocupa el tercer lugar con un 13.1% (130 investigadores), debido en gran medida a la sede de Google DeepMind en Londres. Una parte significativa (34.5%) permanece como "Desconocido" debido a que las afiliaciones carecen de palabras clave de ubicación explícitas.
• Diversidad Disciplinaria: Más allá del ML central (Visión por Computadora, IA, Aprendizaje Profundo), el top 1,000 incluye comunidades distintas en Física de Partículas (49), Biología Computacional (50) y Astrofísica (15).

Significancia y Reivindicaciones
El artículo afirma proporcionar el primer retrato bibliométrico sistemático del ecosistema global de talento de ML. Su principal significancia radica en corregir la percepción de una "fuga de cerebros" total hacia la industria; si bien la migración es real, el stock global de investigadores académicos altamente citados sigue siendo lo suficientemente sustancial como para mantener la mayoría de la academia en el nivel superior.

El estudio destaca que Google y DeepMind representan una concentración sin precedentes de talento de alta citación dentro de una sola entidad corporativa, superando la producción combinada de los departamentos de ciencias de la computación más prestigiosos del mundo. Además, la inclusión de físicos y biólogos subraya que el ML se ha convertido en una herramienta primaria en diversos dominios científicos, un matiz que a menudo se pierde en los análisis basados en sedes o centrados en la industria. Los autores posicionan el conjunto de datos como un recurso fundamental para futuras investigaciones de "ciencia de la ciencia", permitiendo el seguimiento longitudinal de la movilidad de los investigadores y la evolución de los límites disciplinares.