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

Resumo Técnico: Scholar-ML-1000

Definição do Problema
Apesar dos amplos comentários sobre a transformação estrutural do aprendizado de máquina (ML) de um subcampo da ciência da computação para uma metodologia interdisciplinar, e a concomitante mudança da atividade de pesquisa das universidades para os laboratórios industriais, o panorama global de talentos permanece mal documentado. A literatura existente carece de um instantâneo abrangente e ordenado por citações dos pesquisadores de ML mais citados do mundo. Conjuntos de dados anteriores, como o focado na indústria MAANG-AI-450, são limitados em escopo, excluindo acadêmicos e falhando em capturar a amplitude disciplinar total do campo. Este artigo aborda a necessidade de responder a questões fundamentais: Quem são os pesquisadores de ML mais citados globalmente? Qual é o equilíbrio entre academia e indústria? Quais instituições concentram a maior parte do talento e quão diversos são os interesses de pesquisa dentro do nível superior?

Metodologia
Os autores construíram o Scholar-ML-1000, um conjunto de dados que compreende os 1.000 pesquisadores mais citados no Google Scholar que se identificam com o rótulo "machine learning".

• Recuperação de Dados: Usando um script de automação de navegador personalizado, os autores consultaram o endpoint de busca pública de autores do Google Scholar (label:machine_learning), ordenando os resultados pelo número total de citações. Eles recuperaram 100 páginas consecutivas (1.000 entradas) ao longo de uma janela de 72 horas em junho de 2026 para minimizar inconsistências temporais.
• Campos Coletados: Para cada pesquisador, o conjunto de dados inclui classificação, nome, afiliação, interesses autorrelatados (palavras-chave) e total de citações cumulativas.
• Limpeza de Dados: A inspeção manual das 20 principais entradas identificou quatro contas anômalas (perfis com citações infladas ou fora de tópico, incluindo um físico de partículas cujas citações provêm de grandes colaborações de detectores em vez de foco em ML). Essas quatro foram sinalizadas e excluídas da análise quantitativa, resultando em um conjunto de dados limpo de n = 996.
• Classificação: As afiliações foram classificadas em "Academia", "Indústria", "Ambos" ou "Desconhecido" usando correspondência de palavras-chave (ex: "universidade", "professor" vs. nomes de empresas específicas como "Google", "Meta"). A distribuição geográfica foi determinada via um sistema de correspondência de palavras-chave de prioridade que priorizou palavras-chave explícitas de cidade/instituição sobre as localizações de sede das empresas para evitar a classificação errônea de pesquisadores internacionais (ex: distinguir pesquisadores da DeepMind baseados no Reino Unido de pesquisadores do Google baseados nos EUA).

Principais Contribuições

1. Lançamento do Conjunto de Dados: O artigo introduz e lança o Scholar-ML-1000, o primeiro instantâneo do mundo disponível publicamente, ordenado por citações, da população de pesquisadores de ML global cobrindo o topo de 1.000.
2. Análise da Distribuição de Citações: O estudo caracteriza a distribuição global de citações, encontrando um coeficiente de Gini de 0,37. Isso é significativamente menor que o 0,57 observado no conjunto de dados MAANG-AI-450, focado apenas na indústria, sugerindo que a concentração extrema de impacto é mais característica dos laboratórios industriais do que do ecossistema global de ML.
3. Quantificação Indústria–Academia: O artigo quantifica a divisão de setores, desafiando a narrativa de que a indústria capturou completamente a pesquisa em ML. Ele constata que a academia permanece como o setor dominante tanto em contagem de pesquisadores quanto em participação de citações.
4. Amplitude Disciplinar: O conjunto de dados revela comunidades substanciais de campos não tradicionais de ML, especificamente física de partículas, biologia computacional e astrofísica, que são frequentemente invisíveis em análises focadas na indústria.

Principais Resultados

• Estatísticas de Citação: O conjunto de dados limpo (n=996) abrange uma faixa de citações de 40.809 a 1.118.561 (mediana: 69.320; média: 101.379). Os 10% superiores de pesquisadores respondem por 31,6% do total de citações, enquanto os 58,8% superiores respondem por 80%.
• Divisão de Setores: 52,3% dos pesquisadores possuem afiliações predominantemente acadêmicas, respondendo por 52,3% do total de citações. Pesquisadores puramente da indústria constituem 22,6% da contagem, mas respondem por 26,6% das citações, indicando uma modesta vantagem de produtividade de citações para pesquisadores da indústria.
• Concentração Institucional:
  • Google e Google DeepMind listam coletivamente 209 pesquisadores (21,0% do conjunto de dados), um número mais que o dobro do total combinado de Stanford, MIT e UC Berkeley (74 pesquisadores).
  • Entre as universidades, as cinco principais são norte-americanas: Stanford (31), MIT (23), UC Berkeley (20), Carnegie Mellon (16) e Universidade de Toronto (13).
• Distribuição Geográfica: Pesquisadores baseados nos EUA constituem aproximadamente 32,4% do conjunto de dados (combinando classificações de universidade e sede da empresa). O Reino Unido ocupa o terceiro lugar com 13,1% (130 pesquisadores), em grande parte devido à sede de Londres da Google DeepMind. Uma parte significativa (34,5%) permanece como "Desconhecido" devido a afiliações que carecem de palavras-chave de localização explícitas.
• Diversidade Disciplinar: Além do ML central (Visão Computacional, IA, Aprendizado Profundo), os 1.000 principais incluem comunidades distintas em Física de Partículas (49), Biologia Computacional (50) e Astrofísica (15).

Significância e Alegações
O artigo alega fornecer o primeiro retrato bibliométrico sistemático do ecossistema global de talentos de ML. Sua principal significância reside em corrigir a percepção de uma "fuga de cérebros" total para a indústria; embora a migração seja real, o estoque global de pesquisadores acadêmicos altamente citados permanece substancial o suficiente para manter a maioria da participação da academia.

O estudo destaca que o Google e a DeepMind representam uma concentração sem precedentes de talento de alta citação dentro de uma única entidade corporativa, superando a produção combinada dos departamentos de Ciência da Computação mais prestigiados do mundo. Além disso, a inclusão de físicos e biólogos ressalta que o ML tornou-se uma ferramenta primária em diversos domínios científicos, uma nuance frequentemente perdida em análises baseadas em conferências ou centradas na indústria. Os autores posicionam o conjunto de dados como um recurso fundamental para futuras pesquisas de "ciência da ciência", permitindo o rastreamento longitudinal da mobilidade de pesquisadores e a evolução das fronteiras disciplinares.