Proximity Matters: Analyzing the Role of Geographical Proximity in Shaping AI Research Collaborations

기술 요약: 근접성의 중요성: AI 연구 협력 형성에 있어 지리적 근접성의 역할 분석

문제 제기
지역 간 및 조직 간 협력을 촉진하는 데 있어 지리적 근접성이 수행하는 역할은 이미 잘 입증되어 있으나, 개인 수준에서 과학적 협력을 형성하는 데 미치는 구체적인 영향에 대해서는 여전히 충분히 다뤄지지 않고 있다. 교통 및 통신 기술의 비약적인 발전에도 불구하고, 지리학은 여전히 협력의 주요 결정 요인으로 남아 있으며, 이는 장거리 파트너십 형성을 저해하곤 한다. 본 연구는 인공지능(AI)이라는 급변하는 분야에서 지리적 거리가 개인 수준의 과학적 협력을 지속적으로 방해하는지 조사하고, 네트워크 근접성이 지리적 근접성을 대체하여 장거리 협력을 장려할 수 있는지 검토한다.

연구 방법론
본 연구는 Elsevier의 Scopus 데이터베이스에서 추출한 2001년부터 2019년까지의 AI 분야 출판 데이터를 활용한다. 데이터셋에는 162개국 153,720명의 연구자가 저술한 45,738건의 출판물(논문, 컨퍼런스 페이퍼, 북 챕터, 도서)이 포함되어 있다. 데이터 분석을 위해 저자들은 서로 다른 수준에서의 결과를 비교하기 위해 네 가지 별도의 시나리오를 구성하였다:

1. 캐나다 AI 연구자들만 포함.
2. 캐나다와 미국 연구자 포함.
3. 캐나다, 미국, 유럽 연구자 포함.
4. 데이터베이스 내의 모든 AI 연구자 포함.

데이터 구축 및 변수:

• 시간 창(Time Windows): 동시성 편향(simultaneity bias)을 방지하기 위해 2년 및 3년 슬라이딩 시간 창을 사용하였다. 독립 변수는 3년의 시간 창을 기준으로 계산되었으며, 종속 변수(공동 출판)는 이후 2년의 창 동안 측정되었다.
• 종속 변수: 2년의 시간 창 동안 두 저자가 최소 1회의 공동 출판을 했는지 여부를 나타내는 이진 변수.
• 독립 변수:
  • 지리적 근접성(Geographical Proximity): 저자 소속 기관 간의 "직선거리"(Haversine 공식)로 측정.
  • 네트워크 근접성(Network Proximity): 저자들 사이의 간접적인 연결을 정량화하는 "총 기대 브릿징 경로 수(Total Expected Number of Bridging Paths, TENB)"를 사용하여 추정.
  • 제도적 근접성(Institutional Proximity): 저자들이 동일한 주(province) 또는 국가를 공유하는지를 나타내는 이진 변수.
  • 인지적 근접성(Cognitive Proximity): 논문 제목과 초록에 대한 잠재 디리클레 할당(LDA) 토픽 모델링으로부터 도출된 지식 기반 벡터 간 상관관계의 역수로 계산.
  • 지역적 인접성(Regional Contiguity): 저자들이 인접한 주 또는 국가에 위치하는지를 포착하는 이진 변수.

분석 접근 방식:
본 연구는 이중 방법론을 채택하였다:

1. 전통적 로지스틱 회귀(Conventional Logistic Regression): 근접성 차원의 계수를 추정하고 근접성과 협력 가능성 사이의 선형 관계에 대한 가설을 검증하기 위해 사용됨.
2. 머신러닝 분류(Machine Learning Classification): 여러 분류기(로지스틱 회귀, 나이브 베이즈, 최근접 이웃, SVM, 랜덤 포레스트, XGBoost)를 학습시켜 공동 출판을 예측하였다. Extreme Gradient Boosting(XGBoost) 모델이 가장 우수한 성능을 보였다. 특성의 중요도와 방향성을 해석하기 위해 SHapley Additive exPlanations(SHAP) 기법이 사용되었다.

주요 결과

• 지리적 거리: 네 가지 시나리오 모두에서 지리적 거리는 과학적 협력 가능성과 유의미한 음(-)의 상관관계를 보인다. 로지스틱 회귀 결과는 다른 요인들을 통제한 후에도 거리가 멀어질수록 협력이 저해된다는 점을 확인한다. 머신러닝 특성 중요도 분석(SHAP) 또한 이를 뒷받침하며, 지리적 거리가 커질수록 협력 예측 확률이 낮아짐을 보여준다.
• 네트워크 근접성: 네트워크 근접성(TENB)은 협력에 유의미한 양(+)의 효과를 보인다. 네트워크 내에서 더 많은 브릿징 경로를 가진 저자들은 협력할 가능성이 높다.
• 대체 가능성(Substitutability): 핵심적인 발견은 지리적 거리와 네트워크 근접성 사이의 유의미한 상호작용이다. 이는 네트워크 근접성이 협력 가능성에 미치는 효과가 지리적 거리가 멀어질수록 증가함을 의미한다. 결과적으로, 네트워크 근접성은 지리적 근접성을 위한 대체재 역할을 한다. 즉, 지리적으로 떨어진 연구자들 사이의 협력을 가능하게 하는 데 있어 네트워크 근접성이 특히 중요하다.
• 기타 요인: 인지적 거리(연구 주제의 불일치)는 협력에 부정적인 영향을 미친다. 제도적 근접성(국가 공유) 또한 협력에 긍정적인 영향을 미치며, 그 효과는 범위가 넓은 다국적 시나리오에서 더 두드러지게 나타난다.

주요 기여
본 논문은 문헌에 네 가지 구체적인 기여를 한다:

1. 개인 수준의 분석: 지역이나 조직에 초점을 맞춘 기존 연구와 달리, 본 연구는 개인 연구자 수준에서 지리적 패턴을 분석하여 집계된 데이터에서는 가려지기 쉬운 미묘한 차이를 밝혀냈다.
2. 다중 확장성(Multi-Scalability): 국가적(캐나다) 규모에서 글로벌 규모로 단계별 확장을 적용하여, 다양한 지리적 척도에서 근접성 차원이 어떻게 기능하는지에 대한 종합적인 관점을 제공한다.
3. 시간적 범위: 2001년부터 2019년까지의 AI 출판물을 다룸으로써, 2000년 이후 폭발적인 성장을 거듭한 분야의 최근 발전 과정을 포착하였다.
4. 방법론적 엄밀성: 전통적인 계량 경제학 기법과 고급 머신러닝 분류기 및 해석 도구(SHAP)의 통합을 통해 근접성과 협력 간의 관계를 강력하게 검증하였다.

의의 및 주장
저자들은 자신의 연구 결과가 통신 기술의 발전이 물리적 거리의 역할을 감소시켰다는 가정을 반박한다고 주장한다. 대신, 지리학은 개인 수준의 협력에 있어 여전히 강력한 장벽으로 남아 있음을 강조한다. 그러나 본 연구는 이 장벽을 극복하기 위한 메커니즘으로 '네트워크 근접성'을 제시한다. 대체 가능성 패턴의 확인은 네트워크 연결(예: 이전의 협력 경험이나 공유된 중개자)을 강화하는 것이 지리적 근접성의 부족을 보완할 수 있음을 시사한다.

정책적 관점에서 저자들은 장거리 협력을 지원하는 것이 고품질 연구를 생산하는 데 유익할 뿐만 아니라 구조적 기능을 수행한다고 제안한다: 즉, 참여 연구자들의 네트워크 근접성을 높여 미래 협력을 촉발하는 긍정적인 피드백 루프를 생성한다는 것이다. 이는 원거리 파트너십을 육성하는 정책이 미래의 지식 흐름을 완화하고, 특히 AI 분야의 전반적인 과학 생태계를 강화하는 데 효과적일 수 있음을 의미한다.

한계점
저자들은 본 연구가 AI 분야에 국한되어 있다는 점을 인정하며, 대체 가능성 패턴의 일반성을 검증하기 위해 다른 과학 분야로의 확장이 필요하다고 밝히고 있다. 또한, 개인 수준의 통제 변수(예: 연령, 성별)가 결여되어 있으며, 팬데믹 이후의 시대가 협력 역학에 미치는 영향은 향후 연구의 과제로 남아 있다.