Tim peneliti dari MIT telah membangun sebuah kerangka kerja (framework) artficial intelligence yang mampu memberikan peringatan dini terhadap potensi riset yang kelak akan berdampak besar.
Framework-nya disebut DELPHI: Dynamic Early-warning by Learning to Predict High Impact.
Dalam uji coba atas kemampuannya, DELPHI mampu mengidentifikasi semua makalah di bidang bioteknologi pada tahun pertama setelah publikasinya dan apakah kelak mereka akan menjadi pelopor penelitian atau tidak.
Kehadiran DELPHI ini dapat membantu institusi terkait untuk meningkatkan pendanaan bagi penelitian ilmiah dengan cara yang lebih baik. Ia juga dapat mengidentifikasi teknologi bagus yang mungkin akan layu bilamana tidak didanai penelitiannya.
Ia bisa menawarkan cara bagi pemerintah, filantropi, dan perusahaan modal ventura untuk mendukung sains secara lebih efisien dan produktif.
Inti kerjanya, algoritma akan mempelajari pola dari sejarah bidang sains dan teknologi yang terkait, lalu mencocokkannya dengan pola pada makalah baru untuk menemukan sinyal awal yang akan mengisyaratkan apakah suatu makalah kelak akan berdampak besar atau tidak.
Dengan melacak penyebaran ide di periode awal, akan dapat diprediksi seberapa besar kemungkinan ide tersebut menjadi viral atau menyebar ke komunitas akademis yang lebih luas secara signifikan.
Algoritme machine learning yang dikembangkan memanfaatkan informasi digital yang sekarang tersedia.
DELPHI dilatih mempelajari metadata publikasi untuk mengungkap pola yang berdimensi lebih tinggi dalam penyebarannya di seluruh ekosistem ilmiah. Hasilnya akan berupa grafik pengetahuan (knowledge graph) yang berisi koneksi antar titik (node) yang mewakili berbagai makalah, berbagai penulis, berbagai institusi, berbagai referensi dan jenis data lainnya.
Kekuatan dan jenis koneksi yang kompleks antar berbagai node ini akan menentukan pola yang dapat memprediksi dampak masa depan dari publikasi makalahnya.
Penilaian dampak publikasi tidak hanya mengandalkan jumlah kutipan saja. Dua buah makalah bisa saja memiliki jumlah kutipan yang sama di periode waktu yang sama (misalnya pada tahun pertama setelah publikasi) tapi kualitas kutipannya bisa berbeda.
Makalah yang sangat berdampak akan secara dinamik menjangkau khalayak yang lebih luas dan lebih dalam. Sebaliknya pada makalah yang berdampak rendah, kutipannya akan mandek tidak benar-benar digunakan dan dimanfaatkan lagi oleh peneliti lain.
Studi ini memanfaatkan komunitas ilmiah secara keseluruhan, serta lebih inklusif dalam mengidentifikasi arah penelitian yang berdampak tinggi.
DELPHI menggunakan machine learning untuk mengekstrak dan mengukur sinyal yang tersembunyi dalam dimensi dan dinamika data yang tersedia.
DELPHI mungkin berguna pula digunakan di dalam pemberian insentif kepada suatu tim untuk bekerjasama dengan tim lain, meskipun mereka belum saling mengenal. Dana mungkin bisa disalurkan ke mereka agar bekerjasama menangani masalah multidisiplin yang penting.
Diharapkan DELPHI dapat digunakan untuk menemukan bidang penelitian dan menemukan para peneliti yang paling layak, terlepas dari institusi mana mereka berafiliasi atau seberapa jauh mereka telah terhubung sebelumnya.
DELPHI dapat menjadi alat yang ampuh untuk membantu prosedur pendanaan ilmiah agar menjadi lebih efisien dan efektif, dan mungkin pula digunakan untuk menciptakan produk baru keuangan yang terkait dengan investasi ilmiah.
Machine learning dapat membantu untuk menemukan dan secara lebih efektif mewujudkan semua potensi yang semula tidak tersentuh oleh sistem yang ada sebelumnya.
Penelitian ini telah diterbitkan di Nature Biotechnology dengan judul makalah Learning on knowledge graph dynamics provides an early warning of impactful research.
Referensi:
https://news.mit.edu/2021/using-machine-learning-predict-high-impact-research-0517
A Simple Notebook 