Bilim dünyasında çığır açacak yenilikler, bazen fark edilmeden kalabiliyor. ABD’li araştırmacılar ise bu durumu değiştirecek yeni bir makine öğrenimi aracı geliştirdi. Bu teknoloji, bilimsel yayınların alandaki köklü değişikliklere etkisini ölçerek, gerçek anlamda devrimsel buluşları daha doğru tespit ediyor. Geleneksel yöntemlerin göremediği değerli keşifleri ortaya çıkarmak için tasarlanan bu araç, bilimsel ilerlemenin hızlanmasına kapı aralayabilir.
Araştırmacılar, 1893 ile 2019 yılları arasında yayımlanmış 55 milyon bilimsel makaleyi değerlendirmeye aldı. Web of Science ve Amerikan Fizik Derneği (APS) veritabanlarından elde edilen veriler, yapay zeka destekli sinir ağları kullanılarak incelendi. Her bir yayının hem geçmişte dayandığı çalışmalar hem de gelecekte ilham verdiği araştırmalar iki ayrı vektörle temsil edildi. Böylece, makalelerin alanlarında ne kadar köklü bir değişime yol açtığı nesnel bir ölçüte dönüştürüldü.
Bu yöntemin temel prensibi, bir makalenin önceki bilimsel yapıdan ne kadar uzaklaştığını ve yeni araştırmalara ne oranda yön verdiğini belirlemek üzerine kurulu. Araştırmanın “Embedding Disruptiveness Measure” (EDM) adı verilen ölçütü, bu uzaklaşmayı sayısal bir skora dönüştürüyor. Yüksek EDM skoruna sahip yayınlar, alanlarında radikal değişikliklere neden olan, yani alışılagelmiş kavramları sorgulayan makaleler olarak tanımlanıyor.
Indiana ve Binghamton üniversitelerinden bilim insanları, geliştirdikleri EDM aracını Nobel ödüllü çalışmalara ve APS tarafından seçilen dönüm noktası niteliğindeki makalelere uyguladı. Sonuçlar, bu yeni ölçütün devrimsel yayınları tespit etmede mevcut diğer yöntemlere kıyasla çok daha tutarlı ve başarılı olduğunu gösterdi. Özellikle “disruption index” gibi önceki metriklerin gözden kaçırdığı bazı buluşlar, EDM sayesinde ön plana çıktı.
Araştırma ekibi, edindikleri verilerde ilginç bir fenomeni fark etti: Birden fazla araştırma grubunun aynı anda aynı önemli keşfe ulaşması durumunda, klasik yöntemler bu eşzamanlı gelişmeleri yeterince iyi yakalayamıyor. Çünkü birbirlerine referans vermeleri, “disruption index” gibi skorları olumsuz etkileyerek gerçek etkiyi gölgeliyor. Örneğin, 1974 yılında yapılan J/ψ mezonunun keşfi veya 1964 yılı Higgs mekanizması çalışmaları gibi, eş zamanlı ve bağımsız olarak ortaya konan önemli çalışmalar bu durumdan etkileniyor. Bu çalışmalarda klasik metrikler düşük puan verirken EDM, bilimsel etkiyi doğru biçimde yansıtıyor.
Ayrıca, EDM yöntemi sadece devrimsel makaleleri tespit etmekle kalmıyor; aynı zamanda bilim dünyasındaki eş zamanlı keşiflerin de altını çiziyor. Araştırmacılar, benzer bilimsel buluşların sonraki çalışmalar tarafından ortak bağlamlarda referans edildiğini ve bu şekilde “geleceğe ait” vektörlerin birbirine sıkı sıkıya bağlı olduğunu gösterdi. Bu özellik, bilimsel ilerlemenin haritasını çıkarmada yeni bir boyut kazandırıyor.
Bilim politikasında ve fonlama kararlarında bu tür ölçütlerin kullanılması önemli sonuçlar doğurabilir. Daha doğru ve kapsamlı veriler sayesinde, hangi araştırma aşamasının yenilikler için kritik olduğunu belirlemek mümkün hale geliyor. Bu da kaynakların daha verimli kullanımını sağlayarak bilimsel atılımların önünü açabilir. Binghamton Üniversitesi’nden veri bilimci Sadamori Kojaku, “Daha hassas metriklere sahip olmak, bilim haritasında nerede ve nasıl devrimlerin gerçekleştiğini anlamamıza yardımcı oluyor” diyerek bu teknolojinin potansiyeline dikkat çekiyor.
Gelecekte, EDM gibi araçların bilim tarihinde yeni dönüm noktalarını daha erkenden saptaması bekleniyor. Böylece bilimsel keşiflerin takibi kolaylaşacak, yenilikçi projelere yönelim artacak ve büyük atılımlar daha hızlı hayata geçirilebilecek. Bu teknoloji, bilim insanlarının ve fon sağlayıcıların stratejik kararlarını destekleyerek, bilimin hızla evrilmesini mümkün kılacak potansiyele sahip.
📎 Kaynak: physicsworld.com
