2024年5月21日時点で利用可能な次世代SciValトピック

現在のトピックセットは2016年に導入されました。それ以来、必要に応じて新しいトピックが作成され、最先端の手法を使用して、新しい論文がトピック構造に割り当てられてきました。しかし、7年が経過し、最近の手法の進歩をふまえ、トピック内でより正確で一貫性のある出版物のグループ化が可能になったため、更新された新しいトピックセットをリリースすることが適切だと考えました。

方法論の概念は変わりません。

私たちは1996年以降のScopusにインデックス付与された5,900万件以上の出版物間での約17億件の被引用リンクに加え、少なくとも2回引用された2,400万件以上の非インデックス付与文献、さらに1996年より前のインデックスおよび非インデックス付与文献を含む全体の直接的な被引用ネットワークを基に、それを約9万4,000件のトピックと1,500件のトピッククラスターに分割します。

トピックが作成されるのは、トピック内の直接被引用の繋がりが強く、そのトピック外との直接被引用の繋がりが弱い場合です。SciValで分析可能なトピックには、1996年以降のScopusにインデックス付与された出版物のみが含まれます。

しかし、トピック内でより密接な（より結びつきの強い）出版物セットを形成するために、正しい情報とノイズを高い精度で分離する方法についての学習を継続的に行ってきました。新しいトピックは、トピックに強くリンクされている出版物の割合がきわめて高くなっています（現在の63.6%に対して平均71.8%）。

• トピックの中でよりまとまりのある出版物のセット

  出版物をトピックにクラスタリングする際に信号とノイズをより適切に分離する機能により、新しいトピックセットでは、トピックに強くリンクしている、またはトピックの中核をなす出版物の割合が大幅に増加しています。平均71.8%で、前世代のトピックの63.6%と比較して、より関連性が高く、正確な洞察が実現しています。 

  任意の出版物がトピックに結びつきの強さを定義する、中心性のカテゴリが5つあります。 
  1 - 決定的に強い、2 - かなり強い、3 - 妥当である、4 - 弱い、5 - その他

  最初の2つのカテゴリ（1 - 決定的に強い、または2 - かなり強い）のいずれかに該当する場合、任意の出版物がそのトピックに強く結びついているものとみなします。一般的に、出版物の被引用リンク（後続の出版物からの参照または引用のいずれか）の少なくとも30%（最低5リンク）または少なくとも20%（最低10%）が同じトピック内の出版物である場合、その出版物は中心的とみなされます。 

  すべての出版物が任意のトピックに強くリンクされることを期待するのは現実的ではありません。参照文献があまりない出版物がある一方で、先行する研究を幅広く参照する出版物や、多くのトピックの幅広い出版物で引用されているものもあります。トピックとのリンクが弱い（4 - 弱い、または5 - その他）のは、出版物のごく一部（平均6%）だけであり、これらのほとんどは、参考文献や被引用がきわめて少ない出版物です。 

• これまで非常に大きかったトピックの粒度と精度が向上

  古いバージョンのトピックでは、一部のトピックが時間の経過とともに非常に大きくなっていました。これらは重要なトピックであり、非常に活発であるため、非常に大きくなっていました。新世代のSciValトピックでは、これらの非常に大きなトピックを複数の論理的に一貫性のある出版物クラスターに効果的に分割することで、これらの重要な領域におけるトピック空間の詳細度を向上させることができました。 

  例：
  古いトピック #4338：「Object Detection; Deep Learning; IOU（物体検出、ディープラーニング、IOU）」はディープラーニングと畳み込みニューラルネットワーク（CNN）に焦点を当てていました。前世代のトピックが公開された2016年の時点では、このトピックに含まれている出版物はわずか約1,600でした。2023年末までに、このトピックは15万以上の出版物を含む量まで成長し、2023年だけで4万5,000以上の出版物が追加されました。 

  こうした指数関数的な成長は、このトピックで作成されたツールを異なる応用に利用する他の（競合する）トピックが存在しなかったことに起因します。そのため、2017年～2023年の出版物がトピックに追加されていくに従い、新しい手法の開発に関するものか、新しい応用に関するものかに関係なく、ディープラーニング/CNN関連の出版物の大部分は、このトピックに割り当てられました。 

  新しいトピックのセットでは、古いトピック#4338は数十の新しいトピックに分割されました。最大の新世代トピック#0には、DL/ML/CNN手法に焦点を当てた1万6,000以上の出版物が含まれています。他の13のトピックには、現在のトピック#4338から1,000以上の出版物が含まれています。これらのトピックの大部分も、敵対的生成ネットワーク、フィルタープルーニング、CNNアクセラレータ、説明可能なAI、セマンティックセグメンテーションなどの分野を持つ手法に焦点を当てています。しかし、出版物の大部分は、ディープラーニングが主要な焦点ではなく、医療診断用画像分析、自動運転車のナビゲーション、気候・気象予測モデル、廃棄物分類、害虫検出などのその他の問題を解決するために使用される、より小規模な応用重視のトピックに移行しています。

  大規模なトピックに対してより詳細な分類を提供する一方で、小規模なトピックのロングテールを減らし、50以上の出版物を持つトピックに再割り当てし、以前よりも強い繋がりを表示しています。 

• トピックとトピッククラスターについての生成AIによるサマリー

  ベータ版： トピックとトピッククラスターに対する生成AI（GenAI）とLLMテクノロジーを活用した要約は、トピック内で扱われる研究分野と質問を迅速に理解するのに役立ちます。トピックエンティティーヘッダーの「About this Topic/ Topic Cluster」リンクをクリックするか、トピックリストの「i」アイコンをクリックすると、そのトピック/ トピッククラスターの要約の詳細にアクセスできます。皆さまからのフィードバックもお待ちしております。

  トピックとトピッククラスターサマリーの詳細はこちら。

• トピックとトピッククラスターの名前を改善

  新世代トピックの命名には、新しいOmniScienceシソーラスを使用しています - これはElsevierが独自に開発した単一の統合型シソーラスで、すべての主要な分野にわたり、標準化された概念のリストを作成し、トピックを構成する各出版物クラスターの本質をこれまで以上に網羅しています。

  トピックおよびトピッククラスターの名前の生成方法の詳細はこちら

トピックの大半では、古いトピックから新しいトピックへの直接の1対1のマッピングはありません。古いトピックの出版物の大きな割合の部分または小さな割合の部分が、新しいトピックの中の出版物の大きな割合の部分を形成したり、または小さな割合の部分を形成したります。

ただし、新旧のトピックセットを比較すると、特にトピックのコア部分（強く結びつきのある出版物のグループ）においては強い重複があります。

新世代のトピックとトピッククラスターの導入に伴い、古いトピックとトピッククラスターは利用できなくなりました。約6か月間、移行を支援するための機能が利用可能です。

移行機能の詳細はこちら