네트워크 과학과 텍스트 분석을 활용한 과학 분야 설문 자동화

초록

본 논문은 인용 네트워크와 텍스트 분석을 결합해 과학 분야의 구조를 자동으로 파악하고, 키워드 기반 커뮤니티를 도출함으로써 설문(리뷰) 작성을 지원하는 방법론을 제시한다. 복합 네트워크와 포토닉 크리스탈 두 분야를 사례로 사용해 커뮤니티 탐지, 키워드 중요도 지표, 그리고 계층적 덴드로그램을 생성하였다.

상세 분석

이 연구는 과학 자체를 메타분석하는 ‘과학의 과학’ 흐름에 발맞추어, 대규모 문헌 데이터를 정량적으로 해석하는 프레임워크를 구축한다. 먼저 Web of Science에서 “complex network”와 “photonic crystal”라는 키워드로 논문을 수집하고, 각 논문의 초록, 연도, 인용 횟수, 참고문헌을 메타데이터로 추출한다. 인용 관계를 기반으로 무방향 그래프를 구성하고, Fruchterman‑Reingold 알고리즘을 이용해 3차원 공간에 시각화한다.

커뮤니티 탐지는 Blondel et al. (2008)의 멀티레벨 모듈러리티 최적화(Louvain) 방법을 적용했으며, 이는 높은 모듈러리티와 낮은 계산 비용을 동시에 제공한다. 탐지된 각 커뮤니티는 과학적 서브토픽에 대응한다. 커뮤니티 간 관계는 코어스( coarse‑grained) 네트워크로 축소하고, 가중치 Wαβ = Eαβ /(|α||β|) 로 정의해 상호 연결 강도를 정량화한다.

텍스트 분석 측면에서는 초록만을 이용해 키워드 중요도를 측정하는 새로운 지표를 고안했다. 전통적인 TF‑IDF가 작은 텍스트에 취약한 점을 보완하기 위해, 각 커뮤니티 내부에서 단어 빈도와 전체 네트워크에서의 빈도를 비교하는 비율 기반 스코어를 도입하였다. 이 스코어는 커뮤니티를 대표하는 핵심 용어를 자동 추출하는 데 효과적이었다.

또한 접근성(accessibility) 메트릭을 활용해 네트워크 내 중심·주변 노드를 구분하였다. 접근성이 낮은 커뮤니티는 분야 내 주변 영역, 즉 특수화된 연구 주제로 해석되었다. 결과적으로 복합 네트워크 분야는 다수의 상호 연결된 서브커뮤니티를 보였으며, 포토닉 크리스탈 분야는 통신공학과 물리학 두 개의 뚜렷한 커뮤니티로 분리되었다. 이는 기존 학계 인식과 일치한다.

시간적 분석을 위해 연도별 논문 비중을 추적했으며, 특정 키워드가 급증하거나 감소하는 추세를 시각화했다. 이를 통해 신흥 주제와 쇠퇴 주제를 식별하고, 학문 간 융합 현상을 정량적으로 파악할 수 있었다.

전반적으로 이 방법론은 (1) 대규모 인용 네트워크를 통한 구조적 지도화, (2) 커뮤니티 기반 키워드 추출, (3) 계층적 덴드로그램 및 시간 흐름 분석이라는 세 축을 결합해, 연구자가 특정 분야를 빠르게 파악하고 체계적인 리뷰를 작성하도록 돕는다.