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

Technische Samenvatting: Scholar-ML-1000

Probleemstelling
Ondanks wijdverbreide commentaren over de structurele transformatie van machine learning (ML) van een subveld binnen de informatica naar een interdisciplinaire methodologie, en de gelijktijdige verschuiving van onderzoeksactiviteit van universiteiten naar industriële laboratoria, blijft het wereldwijde talentlandschap slecht gedocumenteerd. Bestaande literatuur mist een uitgebreid, op citaties gesorteerd overzicht van de meest geciteerde ML-onderzoekers ter wereld. Eerdere datasets, zoals de industrie-georiënteerde MAANG-AI-450, zijn beperkt in omvang, sluiten academici uit en slagen er niet in de volledige disciplinaire breedte van het veld te vatten. Dit artikel adresseert de noodzaak om fundamentele vragen te beantwoorden: Wie zijn de meest geciteerde ML-onderzoekers wereldwijd? Wat is de balans tussen de academie en de industrie? Welke instellingen concentreren de meeste talenten, en hoe divers zijn de onderzoeksinteresses binnen de toplaag?

Methodologie
De auteurs hebben Scholar-ML-1000 geconstrueerd, een dataset bestaande uit de 1.000 meest geciteerde onderzoekers op Google Scholar die zichzelf identificeren met de label "machine learning".

• Gegevensverzameling: Met behulp van een aangepast browserautomatisatiescript hebben de auteurs de publieke auteur-zoekendpoint van Google Scholar (label:machine_learning) bevraagd, gesorteerd op het totaal aantal citaties. Zij hebben 100 opeenvolgende pagina's (1.000 vermeldingen) opgehaald over een periode van 72 uur in juni 2026 om temporele inconsistenties te minimaliseren.
• Verzamelde velden: Voor elke onderzoeker bevat de dataset de rangorde, naam, affiliatie, zelfgerapporteerde interesses (trefwoorden) en het totaal aantal cumulatieve citaties.
• Gegevensopschoning: Handmatige inspectie van de top 20 vermeldingen identificeerde vier afwijkende accounts (profielen met opgeblazen citaties of buiten het onderwerp staand, waaronder een deeltjesfysicus wiens citaties voortkomen uit grote detector-collaboraties in plaats van een ML-focus). Deze vier werden gemarkeerd en uitgesloten van kwantitatieve analyse, wat resulteerde in een schone dataset van n = 996.
• Classificatie: Affiliaties werden geclassificeerd als "Academie", "Industrie", "Beide" of "Onbekend" met behulp van trefwoordmatching (bijv. "university", "professor" versus specifieke bedrijfsnamen zoals "Google", "Meta"). De geografische distributie werd bepaald via een prioriteitsgestuurd trefwoordmatchingsysteem dat expliciete stad/instelling-trefwoorden prioriteerde boven de locaties van hoofdkantoren van bedrijven om misclassificatie van internationale onderzoekers te voorkomen (bijv. het onderscheid maken tussen in het VK gevestigde DeepMind-onderzoekers versus in de VS gevestigde Google-onderzoekers).

Belangrijkste Bijdragen

1. Publicatie van de Dataset: Het artikel introduceert en publiceert Scholar-ML-1000, de eerste publiek beschikbare, op citaties gesorteerde snapshot van de wereldwijde ML-onderzoekerspopulatie die de volledige top-1.000 beslaat.
2. Analyse van de Citatieverdeling: De studie karakteriseert de wereldwijde citatieverdeling en vindt een Gini-coëfficiënt van 0,37. Dit is aanzienlijk lager dan de 0,57 die werd waargenomen in de industrie-exclusieve MAANG-AI-450-dataset, wat suggereert dat extreme concentratie van impact meer kenmerkend is voor industriële laboratoria dan voor het wereldwijde ML-ecosysteem.
3. Kwantificering Industrie–Academie: Het artikel kwantificeert de sectorale splitsing en daagt het narratief uit dat de industrie de ML-onderzoek volledig heeft overgenomen. Het stelt vast dat de academie nog steeds de dominante sector is, zowel in aantal onderzoekers als in het aandeel citaties.
4. Disciplinaire Breedte: De dataset onthult substantiële gemeenschappen uit niet-traditionele ML-velden, specifiek de deeltjesfysica, computationele biologie en astrofysica, die vaak onzichtbaar zijn in industrie-gecentreerde datasets.

Belangrijkste Resultaten

• Citatiestatistieken: De schone dataset (n=996) beslaat een citatiebereik van 40.809 tot 1.118.561 (mediaan: 69.320; gemiddelde: 101.379). De top 10% van de onderzoekers is verantwoordelijk voor 31,6% van de totale citaties, terwijl de top 58,8% verantwoordelijk is voor 80%.
• Sectorale Splitsing: 52,3% van de onderzoekers heeft primair academische affiliaties en is verantwoordelijk voor 52,3% van de totale citaties. Pure industrie-onderzoekers vormen 22,6% van het aantal, maar zijn verantwoordelijk voor 26,6% van de citaties, wat wijst op een bescheiden voordeel in citatieproductiviteit voor industrie-onderzoekers.
• Institutionele Concentratie:
  • Google en Google DeepMind vermelden gezamenlijk 209 onderzoekers (21,0% van de dataset), een cijfer dat meer dan het dubbele is van de gecombineerde totalen van Stanford, MIT en UC Berkeley (74 onderzoekers).
  • Onder de universiteiten behoren de top vijf tot Noord-Amerika: Stanford (31), MIT (23), UC Berkeley (20), Carnegie Mellon (16) en University of Toronto (13).
• Geografische Distributie: In de VS gevestigde onderzoekers vormen ongeveer 32,4% van de dataset (gecombineerd via classificaties van universiteiten en hoofdkantoren van bedrijven). Het Verenigd Koninkrijk staat op de derde plaats met 13,1% (130 onderzoekers), grotendeels dankzij het hoofdkantoor van Google DeepMind in Londen. Een aanzienlijk deel (34,5%) is "Onbekend" vanwege affiliaties die geen expliciete locatie-trefwoorden bevatten.
• Disciplinaire Diversiteit: Naast kern-ML (Computer Vision, AI, Deep Learning) bevat de top 1.000 duidelijke gemeenschappen in de deeltjesfysica (49), computationele biologie (50) en astrofysica (15).

Betekenis en Claims
Het artikel beweert het eerste systematische bibliometrische portret van het wereldwijde ML-talentecosysteem te bieden. De primaire betekenis ligt in het corrigeren van de perceptie van een totale "braindrain" naar de industrie; hoewel migratie reëel is, blijft de wereldwijde voorraad hoog-geciteerde academische onderzoekers substantieel genoeg om de meerderheid van de academie te handhaven.

De studie benadrukt dat Google en DeepMind een ongekende concentratie van hoog-geciteerd talent binnen één enkel bedrijf vertegenwoordigen, die de gecombineerde output van de meest prestigieuze CS-afdelingen ter wereld overtreft. Bovendien onderstreept de inclusie van natuurkundigen en biologen dat ML een primaire tool is geworden binnen diverse wetenschappelijke domeinen, een nuance die vaak gemist wordt in venue-gebaseerde of industrie-gecentreerde analyses. De auteurs positioneren de dataset als een fundamentele bron voor toekomstig "science of science"-onderzoek, wat het mogelijk maakt om de mobiliteit van onderzoekers en de evolutie van disciplinaire grenzen longitudinaal te volgen.