Uso del aprendizaje automático para predecir investigaciones de alto impacto

Un marco de Inteligencia Artificial construido por el MIT, puede dar una señal de “alerta temprana” para futuras tecnologías de alto impacto, aprendiendo de patrones extraídos de publicaciones científicas anteriores.


En una retrospectiva prueba de las capacidades de DELPHI (Alerta temprana dinámica de aprendizaje para predicciones de gran impacto), esta pudo identificar todos los artículos pioneros en una lista de expertos de biotecnologías fundamentales clave, a veces desde el orimer año después de su publicación.


James W. Weis, un investigador del MIT Media Lab y Joseph Jacobson, profesor de artes y ciencias de los medios y director del grupo de investigación molecular de máquinas del Media Lab, utilizaron DELPHI para destacar 50 artículos científicos recientes que predicen de alto impacto en 2023. Los temas de los artículos incluyen nanorobots del ADN utilizados para el tratamiento del cáncer, baterías de litio-oxígeno de alta densidad de energía y síntesis química utilizando redes neuronales profundas, entre otros.


Los investigadores ven a DELPHI como una herramienta para ayudar a humanos a aprovechar mejor los fondos para investigación científica, identificando tecnologías de “diamantes en bruto” que de otra manera podrían languidecer y ofreciendo una forma para que los gobiernos, organizaciones filantrópicas y empresas de capital de riesgo apoyen a la ciencia de manera más eficiente y productiva.


Weis dice “En esencia, nuestro algoritmo funciona aprendiendo patrones de la historia de la ciencia y luego haciendo coincidir patrones en nuevas publicaciones para encontrar señales tempranas de alto impacto”, "Al rastrear la difusión temprana de ideas, podemos predecir la probabilidad de que se vuelvan virales o se difundan a la comunidad académica en general de una manera significativa".

Buscando el “diamante en bruto”

El algoritmo de aprendizaje automático desarrollado por Weis y Jacobson permite aprovechar la gran cantidad de información digital disponible con el crecimiento de la publicación científica des del 1980. Pero en lugar de usar medidas unidimensionales, como el número de citas, para juzgar el impacto de una publicación, DELPHI fue capacitado en una red de series de tiempo completa de metadatos de artículos de revistas para revelar patrones de dimensiones superiores en su propagación por el ecosistema científico.


El resultado obtenido es un gráfico que contiene las conexiones entre nodos que representan artículos, autores, instituciones y otros tipos de datos. La fuerza y el tipo de conexiones complejas entre nodos determinan sus propiedades, que se utilizan en el marco.
Weis explica que “Estos nodos y bordes definen un gráfico basado en el tiempo que DELPHI utiliza para aprender patrones que predicen un alto impacto futuro”


Juntas, estas características de la red se utilizan para predecir el impacto científico, y los artículos que se encuentran en el 5 por ciento superior de la centralidad de nodos escalados en el tiempo cinco años después de la publicación se consideran el conjunto de objetivos “altamente impactantes” que DELPHI pretende identificar. Este 5 por ciento superior de artículos constituye el 35 por ciento del impacto total en el gráfico. DELPHI también puede usar límites del 1, 10 y 15 por ciento superior de centralidad de nodo escalada en el tiempo, dicen los autores.


DELPHI sugiere que los artículos de gran impacto se difundieron casi de forma viral fuera de sus disciplinas y comunidades científicas. Por ejemplo, dos artículos pueden tener el mismo número de citas. No obstante los artículos de gran impacto llegan a una audiencia más amplia y profunda. Por otro lado, los papeles de bajo impacto "no están siendo realmente utilizados y aprovechados por un grupo de personas en expansión", según Weis.


Weis agregó también que el marco podría ser útil para “incentivar a equipos de personas a trabajar juntas, incluso si aún no se conocen entre sí, quizás dirigiendo fondos hacia ellos para que se unan y trabajen en importantes problemas multidisciplinarios”


Solamente DELPHI es capaz de identificar más de el doble de artículos de gran impacto, aparte del 60% de “gemas ocultas” o artículos que se perderían por un umbral de citación.


Jacobson dice: "Avanzar en la investigación fundamental consiste en hacer muchos tiros a portería y luego poder duplicar rápidamente la mejor de esas ideas", "Este estudio trataba de ver si podíamos hacer ese proceso de una manera más escalonada, por utilizando a la comunidad científica en su conjunto, tal como se integra en el gráfico académico, además de ser más inclusivo en la identificación de direcciones de investigación de alto impacto ".


Los investigadores se sorprendieron de lo temprano que apareció en algunos casos la “señal de alerta” de que un articulo era de gran impacto con la utilización de DELPHI.


Weis agregó “Dentro de un año de la publicación, ya estamos identificando gemas ocultas que tendrán un impacto significativo más adelante”. No obstante nos advierte que DELPHI no predice el futuro. "Estamos utilizando el aprendizaje automático para extraer y cuantificar señales que están ocultas en la dimensionalidad y dinámica de los datos que ya existen".

Financiamiento justo, eficiente y efectivo

Según los investigadores, la esperanza recae en que DELPHI pueda ofrecer una forma menos sesgada de evaluar el impacto de un artículo, ya que se pueden manipular otras medidas como las citas y el número del factor de impacto de la revista, como han demostrado anteriores estudios.


Según Weis: "Esperamos poder utilizar esto para encontrar las investigaciones y los investigadores más merecedores, independientemente de las instituciones a las que estén afiliados o de su grado de conexión", “Necesitamos estar constantemente al tanto de posibles sesgos en nuestros datos y modelos. Queremos que DELPHI ayude a encontrar la mejor investigación de una manera menos sesgada, por lo que debemos tener cuidado de que nuestros modelos no aprendan a predecir el impacto futuro únicamente sobre la base de métricas subóptimas como h -Index, recuento de citas de autores o afiliación institucional."


DELPHI podría ser una poderosa herramienta para ayudar a la financiación científica y conseguir que sea más eficiente y eficaz, incluso para crear nuevas clases de productos financieros relacionados con la inversión científica.


El director ejecutivo de Experiment Foundation, David Lang, señaló que “La metaciencia emergente de la financiación de la ciencia apunta hacia la necesidad de un enfoque de cartera para la inversión científica” y que "Weis y Jacobson han hecho una contribución significativa a esa comprensión y, lo que es más importante, a su implementación con DELPHI".


Es algo en lo que Weis ha pensado mucho después de su propia experiencia en el lanzamiento de fondos de capital de riesgo e instalaciones de incubación de laboratorio para nuevas empresas de biotecnología.


También añadió: “Me di cuenta cada vez más de que los inversores, incluido yo mismo, buscaban constantemente nuevas empresas en los mismos lugares y con las mismas ideas preconcebidas”, ”Empecé a vislumbrar una gran cantidad de personas con mucho talento y una tecnología asombrosa, pero que a menudo se pasa por alto. Pensé que debía haber una forma de trabajar en este espacio, y que el aprendizaje automático podría ayudarnos a encontrar y realizar de manera más efectiva todo este potencial sin explotar ".

¿Quieres aplicar soluciones de Machine Learning e Inteligencia Artificial en tu negocio? Déjanos un mensaje y te responderemos ASAP.



Este artículo ha sido elaborado tomando el MIT como fuente