인지 탐색 거리: 과학적 새로움을 측정하는 새로운 네트워크 지표

초록

본 논문은 기존의 쌍별 거리 기반 새로움 측정의 한계를 극복하고, 논문에 포함된 모든 지식 단위를 연결하는 최단 경로 길이인 인지 탐색 거리(CTD)를 제안한다. MeSH 용어와 OpenAlex 데이터를 활용해 2천7백만 건의 생의학 논문을 분석했으며, F1000Prime 추천 논문과 노벨상 수상 논문을 기준으로 CTD가 기존 지표보다 일관되게 우수함을 입증한다. 또한 텍스트 기반 새로움 지표와 비교해 MeSH 기반 CTD가 새로운 라벨 등장에 덜 민감함을 확인한다.

상세 분석

이 연구는 과학적 새로움을 평가할 때 ‘지식 단위 간의 전역적 구조’를 고려해야 한다는 점을 명확히 제시한다. 기존 방법은 주로 두 개념 사이의 거리나 희소성을 계산하고, 이를 평균·분위수·합계 등으로 종합해 논문 수준의 점수를 만든다. 그러나 이러한 집계는 다수의 지식 단위가 어떻게 상호 연결되는지를 전혀 반영하지 못한다. 저자들은 이를 보완하기 위해 가중 네트워크 상에서 모든 지식 단위를 방문하는 최단 경로 길이, 즉 ‘인지 탐색 거리(CTD)’를 정의한다. 이때 네트워크의 가중치는 과거 5년간 논문 간 인용·공동 출현 정보를 기반으로 계산된 쌍별 거리이다. CTD는 여행하는 세일즈맨 문제(TSP)의 변형으로, 최소한 한 번씩 모든 노드를 방문하는 경로의 총 가중치를 구한다. 따라서 논문이 밀집된 지식 영역에 머무르면 짧은 CTD, 서로 멀리 떨어진 영역을 연결하면 긴 CTD가 산출돼 새로움 정도를 정량화한다.

방법론적으로는 MeSH 용어를 지식 단위로 선택한 것이 큰 장점이다. MeSH는 전문가가 관리하는 계층적 어휘로, 동의어·다의어 문제를 크게 완화한다. 또한 OpenAlex와 결합해 대규모 데이터셋을 구축함으로써 실증 검증의 신뢰성을 높였다. 실험에서는 두 가지 외부 벤치마크—F1000Prime 추천 논문과 노벨상 수상 논문—에 대해 CTD와 기존 지표(평균 거리, 90번째 백분위수, 합계 등)를 비교했다. 결과는 CTD가 두 벤치마크 모두에서 기존 지표보다 높은 AUC와 정확도를 보였으며, 특히 F1000Prime에서는 텍스트 기반 새로움 지표를 앞섰다. 이는 MeSH 기반 CTD가 전문가 평가와 더 잘 일치한다는 증거다.

하지만 몇 가지 한계도 존재한다. 첫째, CTD는 ‘최단 경로’를 가정하므로 실제 연구자의 인지 과정—비효율적 탐색, 실패, 우연적 발견—을 반영하지 않는다. 저자들은 이를 ‘청중 관점’이라고 해명하지만, 연구자 중심의 창의성 메커니즘을 포착하려면 추가적인 모델링이 필요하다. 둘째, MeSH는 생의학 분야에 특화돼 있어 다른 학문 분야에 바로 적용하기 어렵다. 텍스트 기반 새로움 지표가 새로운 라벨 등장에 민감한 반면, CTD는 기존 라벨 간의 구조적 거리만을 활용하므로 ‘전혀 새로운 개념’을 포착하는 데 한계가 있다. 셋째, 최단 경로 문제는 NP‑hard이며, 논문당 지식 단위 수가 많아질수록 근사 알고리즘에 의존해야 하는데, 이 과정에서 계산 비용과 근사 오차가 발생한다. 이러한 점들을 보완하기 위해서는 하이퍼그래프 모델이나 동적 네트워크 업데이트 기법을 도입할 여지가 있다.

전반적으로 이 논문은 ‘지식 통합의 전역적 비용’이라는 새로운 관점을 제시함으로써 새로움 측정에 중요한 이론적·실증적 기여를 한다. 특히 대규모 데이터와 검증 벤치마크를 활용한 실증 결과는 CTD가 기존 지표를 대체하거나 보완할 수 있음을 보여준다. 향후 다양한 분야와 다른 지식 단위(예: 특허 분류, 코드 스니펫)에도 적용해 보완 연구가 진행된다면, 과학 혁신을 예측하고 지원하는 정책·전략 수립에 유용한 도구가 될 것이다.