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

Sintesi Tecnica: Scholar-ML-1000

Problematica
Nonostante i diffusi commenti sulla trasformazione strutturale del machine learning (ML) da sottocampo dell'informatica a metodologia interdisciplinare, e il concomitante spostamento dell'attività di ricerca dalle università ai laboratori industriali, il panorama globale dei talenti rimane scarsamente documentato. La letteratura esistente manca di un'istantanea completa e ordinata per citazioni dei ricercatori di ML più citati al mondo. I dataset precedenti, come l'orientato all'industria MAANG-AI-450, sono limitati nell'ambito, escludendo gli accademici e non riuscendo a catturare l'intera ampiezza disciplinare del campo. Questo articolo affronta la necessità di rispondere a domande fondamentali: Chi sono i ricercatori di ML più citati a livello globale? Qual è l'equilibrio tra accademia e industria? Quali istituzioni concentrano il maggior talento e quanto è diversificata la ricerca di interessi all'interno del segmento di punta?

Metodologia
Gli autori hanno costruito Scholar-ML-1000, un dataset composto dai 1.000 ricercatori più citati su Google Scholar che si identificano con l'etichetta "machine learning".

• Recupero dei dati: Utilizzando uno script di automazione del browser personalizzato, gli autori hanno interrogato l'endpoint di ricerca pubblica degli autori di Google Scholar (label:machine_learning), ordinando i risultati per numero totale di citazioni. Hanno recuperato 100 pagine consecutive (1.000 voci) in una finestra di 72 ore nel giugno 2026 per minimizzare le incongruenze temporali.
• Campi raccolti: Per ogni ricercatore, il dataset include grado, nome, affiliazione, interessi auto-dichiarati (parole chiave) e citazioni totali cumulative.
• Pulizia dei dati: L'ispezione manuale delle prime 20 voci ha identificato quattro account anomali (profili con citazioni gonfiate o fuori tema, incluso un fisico delle particelle le cui citazioni derivano da grandi collaborazioni su rilevatori piuttosto che dal focus ML). Questi quattro sono stati segnalati ed esclusi dall'analisi quantitativa, risultando in un dataset pulito di n = 996.
• Classificazione: Le affiliazioni sono state classificate in "Accademia", "Industria", "Entrambi" o "Sconosciuto" tramite il corrispondimento di parole chiave (es. "università", "professore" rispetto a nomi di aziende specifiche come "Google", "Meta"). La distribuzione geografica è stata determinata tramite un sistema di corrispondenza a priorità di parole chiave che ha dato priorità a parole chiave esplicite di città/istituzione per evitare di classificare erroneamente i ricercatori internazionali (es. distinguere i ricercatori di DeepMind basati nel Regno Unito dai ricercatori di Google basati negli Stati Uniti).

Contributi Chiave

1. Rilascio del Dataset: Il documento introduce e rilascia Scholar-ML-1000, il primo snapshot del mondo dei ricercatori ML disponibile pubblicamente, ordinato per citazioni e che copre l'intero top-1.000.
2. Analisi della Distribuzione delle Citazioni: Lo studio caratterizza la distribuzione globale delle citazioni, riscontrando un coefficiente di Gini di 0,37. Questo è significativamente inferiore allo 0,57 osservato nel dataset orientato solo all'industria MAANG-AI-450, suggerendo che una concentrazione di impatto estrema sia più caratteristica dei laboratori industriali che dell'ecosistema ML globale.
3. Quantificazione Industria-Accademia: Il documento quantifica la divisione tra i settori, sfidando la narrazione secondo cui l'industria ha completamente catturato la ricerca sul ML. Trova che l'accademia rimane il settore dominante sia in termini di numero di ricercatori che di quota di citazioni.
4. Ampiezza Disciplinare: Il dataset rivela sostanziali comunità provenienti da campi non tradizionali del ML, specificamente la fisica delle particelle, la biologia computazionale e l'astrofisica, che sono spesso invisibili nei dataset focalizzati sull'industria.

Risultati Chiave

• Statistiche sulle Citazioni: Il dataset pulito (n=996) spazia da un intervallo di citazioni da 40.809 a 1.118.561 (mediana: 69.320; media: 101.379). Il top 10% dei ricercatori rappresenta il 31,6% delle citazioni totali, mentre il top 58,8% ne rappresenta l'80%.
• Divisione del Settore: Il 52,3% dei ricercatori detiene principalmente affiliazioni accademiche, rappresentando il 52,3% delle citazioni totali. I ricercatori puramente industriali costituiscono il 22,6% del conteggio ma rappresentano il 26,6% delle citazioni, indicando un modesto vantaggio di produttività delle citazioni per i ricercatori dell'industria.
• Concentrazione Istituzionale:
  • Google e Google DeepMind elencano collettivamente 209 ricercatori (21,0% del dataset), una cifra più del doppio del totale combinato di Stanford, MIT e UC Berkeley (74 ricercatori).
  • Tra le università, le prime cinque sono nordamericane: Stanford (31), MIT (23), UC Berkeley (20), Carnegie Mellon (16) e University of Toronto (13).
• Distribuzione Geografica: I ricercatori basati negli Stati Uniti costituiscono circa il 32,4% del dataset (combinando le classificazioni di università e sede centrale dell'azienda). Il Regno Unito si posiziona terzo con il 13,1% (130 ricercatori), in gran parte grazie alla sede londinese di Google DeepMind. Una parte significativa (34,5%) rimane "Sconosciuta" a causa di affiliazioni prive di parole chiave esplicite sulla posizione.
• Diversità Disciplinare: Oltre al ML core (Computer Vision, AI, Deep Learning), il top 1.000 include distinte comunità nella Fisica delle Particelle (49), Biologia Computazionale (50) e Astrofisica (15).

Significato e Rivendicazioni
L'articolo sostiene di fornire il primo ritratto bibliometrico sistematico dell'ecosistema globale dei talenti del ML. Il suo significato primario risiede nel correggere la percezione di un totale "brain drain" verso l'industria; sebbene la migrazione sia reale, il patrimonio globale di ricercatori accademici altamente citati rimane sufficientemente sostanzioso da mantenere la maggioranza delle quote dell'accademia nel segmento di punta.

Lo studio evidenzia che Google e DeepMind rappresentano una concentrazione senza precedenti di talento ad alta citazione all'interno di una singola entità aziendale, superando l'output combinato dei dipartimenti di informatica più prestigiosi al mondo. Inoltre, l'inclusione di fisici e biologi sottolinea che il ML è diventato uno strumento primario in diversi domini scientifici, una sfumatura spesso trascurata nelle analisi basate sui luoghi di pubblicazione o incentrate sull'industria. Gli autori pongono il dataset come una risorsa fondamentale per la futura ricerca sulla "scienza della scienza", consentendo il monitoraggio longitudinale della mobilità dei ricercatori e dell'evoluzione dei confini disciplinari.