Doctoral Theses in France (1985-2025): A Linked Dataset of PhDs, Academic Networks, and Institutions

논문 요약: 프랑스 박사 학위 논문 (1985~2025) 의 연결된 데이터셋

1. 문제 정의 (Problem)

• 데이터의 부재와 비표준화: 학문적 네트워크와 학자의 궤적에 대한 연구는 꾸준히 이루어져 왔으나, 프랑스를 포함한 많은 국가에서 박사 학위 심사 위원회 (Jury) 구성, 지도 교수, 후보자 간의 관계를 체계적으로 분석할 수 있는 대규모 데이터셋은 부족했습니다.
• 기존 인프라의 한계:
  • 유럽 차원: DART-Europe 와 같은 기존 포털은 오픈 액세스 논문 메타데이터를 수집했으나, '심사 사건 (Defense Event)' 자체나 '심사 위원회 역할'을 구조화된 엔티티로 모델링하지 않아 정량적 분석에 한계가 있었습니다. (DART-Europe 는 2025 년 폐쇄됨)
  • 국가 차원: 독일 (DNB), 스웨덴 (DiVA), 포르투갈 (RCAAP) 등의 시스템은 주로 문헌 목록 중심이며, 심사 위원 구성, 역할, 성별 등 인구통계학적 정보가 체계적으로 제공되지 않거나 일관성이 부족합니다.
  • 스페인 (Teseo) 의 비교: Teseo 는 심사 위원 정보를 포함하지만, 지속적인 식별자 (Persistent Identifiers) 와 국가 차원의 권위 제어 (Authority Control) 시스템이 통합되지 않아 데이터 정제와 풍부화 (Enrichment) 에 추가 작업이 필요했습니다.
• 필요성: 지도 방식, 심사 위원 구성, 학문적 네트워크, 경력 궤적 등을 분석하기 위해 심층적이고 상호 운용 가능한 (Interoperable) 데이터가 절실히 필요했습니다.

2. 방법론 (Methodology)

이 연구는 프랑스 국가 논문 플랫폼인 Thèses.fr을 기반으로 하여, 다단계 파이프라인을 통해 데이터를 수집, 정제, 풍부화 (Enrichment) 하는 과정을 거쳤습니다.

• 데이터 소스:
  • 주 소스: ABES(고등교육 문헌 기관) 가 운영하는 Thèses.fr (1985 년 이후 프랑스 내 모든 박사 논문 메타데이터).
  • 보조 소스: IdRef (프랑스 학술 식별자 및 권위 데이터베이스), TEL (HAL 의 온라인 논문 저장소), SUDOC (프랑스 대학 도서관 문서 시스템).
• 데이터 처리 파이프라인:
  1. 수집: Thèses.fr 의 JSON 대량 내보내기 (Bulk Export) 와 2022~2025 년 누락된 데이터에 대한 API 조회를 병행하여 수집.
  2. 정제 (Correction):
     • Thèses.fr 에 포함된 잘못된 IdRef 식별자를 수동 및 자동 방식으로 교정 (168 건 수정).
     • 이름 순서가 뒤바뀐 경우를 IdRef 의 표준 이름으로 대체.
  3. 풍부화 (Enrichment):
     • 성별 추론: IdRef 에 성별 정보가 누락된 경우, nomquamgender Python 패키지를 활용하여 이름 기반의 성별을 추론 (미확인 성별 433,340 명 중 37,621 명을 보정).
     • 인구통계학적 정보: IdRef 를 통해 출생/사망일, 국적, 작성 언어 등 추가 정보 통합.
  4. 특징 공학 (Feature Engineering):
     • 개인 수준: 논문 방어 시점의 나이, 최근 4 년간 심사 위원회 참여 횟수 (박사 과정 기간 고려), 박사 학위 취득 후 경과 연수 (학문적 경력), 첫 심사 참여 이후 경과 연수 등을 계산.
     • 논문 수준: 주요 언어, 제목/초록의 다국어 제공 여부, 관련 기관 수 등.
  5. 상호 운용성 확보: 각 논문 레코드에 TEL 및 SUDOC 식별자를 통합하여 외부 풀텍스트 저장소 및 문헌 카탈로그와의 연결성을 강화.

3. 주요 기여 (Key Contributions)

• 대규모 연결 데이터셋 구축: 1985 년부터 2025 년까지 프랑스에서 방어된 박사 논문에 대한 포괄적이고 구조화된 데이터셋을 공개했습니다.
• 심사 위원회 네트워크 모델링: Thèses.fr 이 가진 행정적 구조 (심사 사건 및 위원 역할 모델링) 를 활용하여, 지도 교수, 심사 위원, 후보자 간의 공발생 (Co-occurrence) 네트워크를 대규모로 재구성할 수 있는 기반을 마련했습니다.
• 고급 메타데이터 및 식별자 통합:
  • IdRef를 통한 인물 및 기관의 권위 식별자 정합성 확보.
  • TEL 및 SUDOC 식별자 통합을 통해 풀텍스트 및 도서관 카탈로그와의 연동성 극대화.
  • 성별, 나이, 경력 등 분석에 필수적인 인구통계학적 변수의 자동 생성 및 보정.
• 다국어 및 시계열 데이터: 프랑스어뿐만 아니라 영어 등 다양한 언어로 작성된 논문 메타데이터를 포함하며, 40 년 이상의 장기 시계열 데이터를 제공합니다.

4. 결과 및 데이터 특성 (Results & Characteristics)

• 데이터 규모: 1985~2025 년까지의 수천 건의 논문과 관련된 수백만 건의 인물 및 기관 레코드를 포함합니다.
• 데이터 품질 및 완전성:
  • 심사 위원 정보: 초기 (1990 년대 이전) 데이터는 심사 위원 정보가 누락된 경우가 많으나, 2006 년 박사 교육 제도 개혁 이후 데이터의 완전성이 크게 향상되었습니다.
  • 지도 교수 및 위원 수: 시간이 지남에 따라 공동 지도 (Co-supervision) 와 다양한 심사 위원 구성이 증가하는 추세를 보입니다 (Figure 3 참조).
  • 언어 분포: 약 86.6% 의 논문이 프랑스어로 작성되었으나, 제목 (82%) 과 초록 (61%) 의 영어 버전이 광범위하게 포함되어 있어 국제적 비교 연구가 가능합니다 (Table 1 참조).
• 데이터 구조:
  • 논문, 저자, 지도 교수, 심사 위원, 기관, 주제 등 6 가지 주요 범주로 변수가 조직화되었습니다.
  • 다중 언어 텍스트 (제목, 초록) 와 다중 인물 (심사 위원 등) 을 처리하기 위해 인덱싱된 변수 (예: jury_member.0, title.0.language) 를 사용하여 구조화되었습니다.

5. 의의 및 활용 가능성 (Significance)

• 학문적 연구의 확장: 과학기술학 (Scientometrics), 과학 사회학, 네트워크 분석 분야에서 지도 방식, 심사 위원 구성, 학문적 커뮤니티의 진화, 성별 네트워크 분석 등을 위한 강력한 기반을 제공합니다.
• 정책 및 제도 분석: 프랑스의 박사 교육 제도 개혁 (2006 년 등) 이 학문적 네트워크와 지도 관행에 미친 영향을 장기적으로 분석할 수 있습니다.
• 재사용 및 확장성:
  • 오픈 데이터 저장소 (Zenodo) 와 GitHub 코드를 통해 공개되어 재현성과 재사용이 가능합니다.
  • TEL, SUDOC, IdRef 등의 식별자를 포함하고 있어, 향후 출판 기록, 기관 순위, 텍스트 마이닝 등 외부 데이터와의 연계를 통한 데이터셋 확장이 용이합니다.
• 국제적 비교: 프랑스 내 비프랑스어권 박사 후보자 데이터도 포함되어 있어, 국제화 (Internationalization) 과정과 비교 연구에 활용될 수 있습니다.

이 논문은 단순한 메타데이터 수집을 넘어, 행정적 기록을 정량적 연구가 가능한 구조화된 데이터셋으로 변환하는 방법론적 모델을 제시했다는 점에서 중요한 의의를 가집니다.