Construction of a Battery Research Knowledge Graph using a Global Open Catalog

Dit artikel presenteert een pipeline voor het construeren van een auteursgerichte kennisgrafiek voor batterijonderzoek op basis van OpenAlex, waarbij semantische vectorrepresentaties worden gebruikt om cross-institutionele samenwerking en expertise te identificeren.

De kern

Stel je voor dat de wereld van batterijonderzoek een gigantische, chaotische bibliotheek is. Er zijn honderdduizenden boeken (wetenschappelijke artikelen) geschreven door miljoenen auteurs. Voor een onderzoeker is het bijna onmogelijk om te vinden wie er precies aan hetzelfde werkt, wie je zou kunnen uitnodigen voor een samenwerking, of welke nieuwe trends er opkomen. Het is alsof je in een enorme stad probeert iemand te vinden die net als jij houdt van het bakken van specifieke soorten brood, maar je hebt alleen een lijst met namen en geen idee wat ze doen.

Dit artikel beschrijft een slimme manier om die bibliotheek te ordenen en een levendige "kenniskaart" te maken. Hier is hoe ze dat deden, vertaald naar alledaags taalgebruik:

1. De Basis: Een Open Kaartenkast (OpenAlex)

De onderzoekers begonnen met een enorme, gratis online database genaamd OpenAlex. Dit is als een wereldwijde catalogus van alle wetenschappelijke boeken.

• Het probleem: De categorieën in deze catalogus zijn vaak te breed. Iemand die werkt aan "batterijen" kan ook werken aan "fysica" of "chemie". Dat is te vaag om te zien of twee mensen echt hetzelfde doen.
• De oplossing: Ze keken niet alleen naar de officiële labels, maar lazen ook de titels en samenvattingen van de artikelen om de echte, specifieke woorden te vinden die de auteurs gebruikten.

2. De Slimme Vertaler (AI als Krachtbron)

Om die specifieke woorden te vinden, gebruikten ze een speciale AI (een taalmodel, vergelijkbaar met ChatGPT).

• De analogie: Stel je voor dat je een boek leest en je wilt weten waar het écht over gaat. Een gewone index zegt "Batterij". Maar de AI leest de tekst en zegt: "Ah, dit gaat specifiek over 'lithium-ionen' en 'anodematerialen'."
• Ze testten verschillende "vertalers" en kozen de slimste die de beste specifieke termen kon halen uit de tekst.

3. Het Profiel van de Onderzoeker (De "Reis" in een Vector)

Dit is het meest creatieve deel. Voor elke onderzoeker maakten ze een digitaal profiel (een vector).

• Hoe werkt het? Stel je voor dat elke onderzoeker een rugzak heeft. In die rugzak stoppen ze al hun ideeën.
  • Tijdsverloop: Ideeën van 20 jaar geleden krijgen een lichtere rugzak (minder gewicht), omdat we vooral geïnteresseerd zijn in wat ze nu doen. Nieuwe ideeën zijn zwaarder.
  • Rol: Als iemand de eerste schrijver was van een artikel (de hoofdauteur), is dat als een zware steen in de rugzak. Het betekent: "Dit is mijn eigen idee." Als ze alleen meeschreven, is het een lichtere steen.
  • De inhoud: De rugzak is gevuld met de specifieke woorden (zoals "vastestof-elektrolyt" of "zonne-energie-opslag") die ze in hun artikelen gebruikten.

4. De Kenniskaart (Het Netwerk)

Met al die rugzakken konden ze nu een kaart maken.

• Hoe zie je de connectie? Als twee onderzoekers rugzakken hebben met veel dezelfde zware stenen (dezelfde specifieke onderwerpen), trekken ze elkaar aan op de kaart. Ze lijken op elkaar, zelfs als ze op verschillende continenten werken en elkaar nooit hebben ontmoet.
• De visualisatie:
  • Wolk van woorden: Voor elke onderzoeker maakten ze een "woordwolk". Hoe groter een woord in de wolk, hoe meer dat onderwerp in hun werk voorkomt. Je ziet in één oogopslag of iemand zich bezighoudt met "batterijveiligheid" of "batterijproductie".
  • Het Netwerk: Ze maakten een interactieve kaart waar je een naam kunt zoeken. Je ziet dan wie er direct in de buurt zit (dezelfde onderwerpen) en wie er indirect verbonden is (via een gemeenschappelijke collega). Dit helpt bij het vinden van nieuwe samenwerkingen.

5. De Bouwstenen voor de Toekomst (RDF & Wikidata)

Tot slot bouwden ze dit hele systeem zo dat het "slimme" computers kunnen lezen en koppelen aan andere databases (zoals Wikidata, de Wikipedia voor data).

• De metafoor: Ze bouwden geen gesloten muur, maar legden brugpijlers. Hierdoor kan deze kenniskaart later worden gebruikt voor andere gebieden dan alleen batterijen, of door andere systemen die automatisch nieuwe ontdekkingen doen.

Waarom is dit belangrijk?

Vroeger moest je zelf door duizenden artikelen bladeren om een expert te vinden. Nu heeft dit systeem een slimme radar gebouwd die automatisch ziet: "Hé, deze persoon in Japan werkt precies aan hetzelfde als die persoon in Brazilië, zelfs al kennen ze elkaar niet."

Het helpt wetenschappers om sneller samen te werken, om de juiste mensen te vinden voor een project, en om te zien waar de wereld van batterijen naartoe gaat. Het is alsof je een GPS hebt gekregen voor de wereld van wetenschap, in plaats van alleen een papieren kaart.

Technische samenvatting

Probleemstelling

Batterijonderzoek is een snelgroeiend en sterk interdisciplinair veld dat materiaalkunde, elektrochemie, veiligheid en productie omvat. Door de enorme hoeveelheid gepubliceerde wetenschappelijke artikelen en de versnippering van kennis over verschillende onderzoeksdomeinen heen, is het voor onderzoekers steeds moeilijker geworden om relevante expertise te traceren en potentiële samenwerkingspartners te identificeren die institutionele grenzen overschrijden. Bestaande oplossingen zijn vaak gericht op documenten of entiteiten, maar missen een auteur-gerichte (author-centric) benadering die kwantitatieve vergelijkbaarheid, expertise-identificatie en het ontdekken van potentiële samenwerkingen op auteur-niveau mogelijk maakt.

Methodologie

De auteurs presenteren een pipeline om een kennisgrafiek (knowledge graph) te construeren die is gebaseerd op OpenAlex, een grote, open bibliografische catalogus. De methode bestaat uit de volgende stappen:

1. Dataverzameling en Voorverwerking:

   • Er zijn 189.581 batterijgerelateerde publicaties opgehaald via de OpenAlex API (gebaseerd op het concept "Battery (electricity)").
   • De dataset is gefilterd op publicaties na 1990 en is beperkt tot de top 10.000 auteurs (gesorteerd op aantal publicaties) voor een proof-of-concept met lagere rekenvereisten.
   • Ruisonderdrukking is toegepast door generieke concepten en concepten met een betrouwbaarheidsscore van nul te verwijderen.

2. Extractie van Research Descriptors (Sleutelwoorden):

   • Om de vaak te brede OpenAlex-concepten aan te vullen met fijnkorrelige domeinspecifieke terminologie, zijn sleutelzinnen (keyphrases) geëxtraheerd uit titels en abstracts.
   • Modelselectie: Verschillende modellen (SentenceTransformers, domein-specifieke BERT-varianten en LLMs) zijn getest. ChatGPT (gpt-3.5-turbo) bleek de beste prestaties te leveren (gemiddelde gelijkenis van 0,6781) en is gekozen voor de extractie.
   • Er zijn maximaal 2 sleutelzinnen uit titels en 10 uit abstracts geselecteerd.

3. Aggregatie en Vectorgeneratie:

   • Voor elke auteur wordt een gewogen vector van research descriptors gegenereerd. Deze vector combineert:
     • OpenAlex-concepten.
     • Geëxtraheerde sleutelzinnen.
   • Weegfactoren: De componenten in de vector worden gewogen op basis van drie factoren:
     1. Oorsprong: OpenAlex-concepten vs. sleutelzinnen.
     2. Tijdsrecency: Publicaties uit oudere perioden (1990-2000, 2001-2010) krijgen een lagere weging dan recente publicaties (2011-2023) om de huidige expertise te benadrukken.
     3. Auteurpositie: Publicaties waarbij de auteur de eerste auteur is, krijgen een zwaardere weging dan bijdragen als co-auteur, omdat dit beter de primaire onderzoeksfocus weerspiegelt.

4. Visualisatie en Similariteit:

   • Woordenwolken: Genereren van visuele profielen per auteur waarbij de lettergrootte correspondeert met de relevantie van het descriptor.
   • Similariteitskaart: Berekening van de gelijkenis tussen auteursvectoren om een interactieve grafiek te maken. Directe connecties (gedeelde descriptors) worden blauw weergegeven, indirecte connecties (via co-auteurs) geel.

5. Serialisatie en Interoperabiliteit:

   • De kennisgrafiek is gesequenced in RDF (Resource Description Framework) formaat.
   • De grafiek is gekoppeld aan Wikidata-identificatoren voor auteurs en instellingen, wat zorgt voor interoperabiliteit met andere open data-bronnen en disambiguatie van auteurs.

Belangrijkste Bijdragen

• Auteur-gerichte Benadering: In tegenstelling tot eerdere werken die zich beperkten tot institutionele repositories of document-centrice analyses, biedt deze pipeline een schaalbare, cross-institutionele analyse gebaseerd op semantische similariteit van onderzoeksthema's.
• Hybride Descriptor-methode: De combinatie van grofkorrelige OpenAlex-concepten met fijnkorrelige, door LLM's gegenereerde sleutelzinnen resulteert in een rijker en nauwkeuriger auteursprofiel dan het gebruik van één enkele bron.
• Semantische Similariteit: De gelijkenis tussen onderzoekers wordt bepaald op basis van de inhoudelijke betekenis van hun werk (domeinsemantiek) in plaats van alleen op citaties of co-auteurschapsnetwerken.
• Open en Interoperabele Infrastructuur: Door het gebruik van OpenAlex als basis en RDF/Wikidata als output, is de kennisgrafiek herbruikbaar, uitbreidbaar naar andere domeinen en integreerbaar met het Linked Open Data-web.

Resultaten

• De pipeline is succesvol toegepast op een corpus van bijna 190.000 publicaties.
• Het systeem genereert bruikbare auteursprofielen (woordenwolken) en interactieve similariteitskaarten die onderzoekers in staat stellen om verborgen connecties en potentiële samenwerkingspartners te ontdekken die niet direct via co-auteurschapsnetwerken zichtbaar zijn.
• De evaluatie toonde aan dat het gebruik van ChatGPT voor keyphrase-extractie superieur was aan traditionele BERT-modellen in termen van semantische overlap met de "ground truth" (artikelkeywords).

Significantie

Dit werk biedt een fundamentele stap in de richting van Materials Informatics voor de batterijsector. Het lost het probleem van informatie-overload op door gestructureerde, semantische toegang tot expertise te bieden. Door de focus te leggen op auteursprofielen in plaats van alleen op documenten, faciliteert het de identificatie van expertise en het vormen van nieuwe, interdisciplinaire samenwerkingen die essentieel zijn voor de groene energietransitie. De open en gestandaardiseerde aard van de kennisgrafiek maakt het een waardevol instrument voor beleidsmakers, onderzoeksinstituten en de bredere wetenschappelijke gemeenschap.