Artificial intelligence tools expand scientists' impact but contract science's focus

Motivation

• Known: AI의 급속한 발전(AlphaFold 등 노벨상 수상)과 과학에서의 광범위한 도입이 진행 중
• Gap: AI가 과학 전체에 미치는 영향에 대한 대규모 정량적 증거와 동적 이해가 부족하며, 개인 과학자의 이익과 집단 과학의 진보 간의 긴장 관계를 체계적으로 분석한 연구가 없음
• Why: AI 도입이 과학 시스템에 미치는 전체적 영향을 이해하는 것은 정책, 교육, 자원 배분 결정에 필수적
• Approach: 1980-2025년 OpenAlex 데이터베이스의 41.3백만 논문을 대상으로 미세조정된 BERT 모델(F1=0.875)로 AI 활용 논문을 식별하고, 생물학, 의학, 화학, 물리학, 재료과학, 지질학 6개 학문 분야에 대해 개인 및 집단 수준의 분석 수행

Achievement

그림 2: AI 활용 연구자의 경력 향상: (좌) 연간 인용 수 증가, (중) 상위 1% 및 상위 10% 논문 비율 상승, (우) 확립된 연구자로의 전환 시간 단축

1. 개인 과학자 성과 극대화:
   • AI 활용 논문의 연간 인용 수가 비-AI 논문 대비 98.70% 높음 (p<0.001, 모든 연도)
   • AI 활용 과학자가 3.02배 더 많은 논문 발표
   • 4.84배 더 높은 인용 수 획득
   • 연구 프로젝트 리더 지위까지 1.37년 더 빨리 도달
2. 집단 과학 초점의 축소:
   • AI 활용으로 과학 주제의 '지식 범위(knowledge extent)' 4.63% 감소 (벡터 공간에서 논문 클러스터의 지름)
   • 후속 학자들의 연구 참여도 22% 감소
   • AI 활용 연구가 데이터가 풍부한 기존 인기 주제로 수렴

How

그림 3: AI 도입에 따른 집단 과학의 주제 다양성 축소. 지식 범위는 논문 임베딩 공간에서의 거리로 측정.

• AI 논문 식별 방법론:
  • BERT 모델을 2단계로 미세조정: (1단계) 제목과 초록 기반 별도 학습, (2단계) 앙상블로 최적화
  • AI 기준 논문(저널/컨퍼런스)로 학습하여 컨텍스트 기반 해석
  • 휴먼 전문가 검증: Fleiss' κ = 0.964 (높은 합의)
• 분석 구조:
  • 시간대 분할: 기계학습(ML), 딥러닝(DL), 생성형 AI(GAI) 세 시대
  • 6개 학문 분야별 독립 분석 및 통합 평가
  • 인용 수, 저자 경력 궤적, 주제 범위(LDA 기반 토픽 모델링), 후속 인용 패턴 분석
• 핵심 지표:
  • 연간 인용 수 (temporal citation patterns)
  • 저자 생존 함수 및 카리어 전환 시간 (exponential survival model)
  • 지식 범위 (vector space diameter)
  • 후속 인용 비율 및 학자 간 협력도

Originality

• 대규모 데이터 활용의 창의성: 4천만 편 이상의 논문을 단일 정량적 틀에서 분석하여 수십 년의 AI 발전 궤적을 포착한 첫 시도
• 방법론적 혁신: 사전학습 언어모델(BERT)을 domain-specific 하게 미세조정하되, 휴먼 전문가 검증으로 신뢰성을 확보한 체계적 접근
• 개념적 통찰: "개인 이익 vs. 집단 진보" 역설을 명확히 제시하고 정량화—단순한 적응적 변화가 아닌 구조적 전환을 증거로 입증
• 시간적 다층성: ML→DL→GAI 시대 구분으로 기술 진화 단계별 과학 체계의 변화를 추적 가능하게 설계

Limitation & Further Study

• 한계:
  • 분석 대상을 6개 자연과학 학문으로 제한하여 컴퓨터과학, 수학, 공학, 사회과학 등의 AI 활용 양상을 포함하지 않음
  • 생성형 AI(GAI) 시대는 데이터가 아직 제한적이어서 통계적 신뢰도가 상대적으로 낮을 가능성
  • AI 논문 식별이 제목/초록에 기반하므로, AI를 방법론으로 사용하되 명시하지 않은 "숨겨진 AI 활용" 논문을 놓칠 수 있음
  • 인과관계가 아닌 상관관계만 제시—AI 도입이 성공의 원인인지 성공한 과학자가 AI를 채택하는지 방향성 불명확
• 후속 연구:
  • 생성형 AI 시대가 더 오래 축적되면 GAI의 영향을 더 정밀하게 분석
  • 인과추론(causal inference) 방법 도입으로 인과성 규명
  • 학제 간(cross-disciplinary) AI 활용이 새로운 주제 개척에 미치는 영향 조사
  • AI 도입 정도와 주제 참신성 간의 비선형 관계 탐색
  • 정책 개입(funding incentives, collaboration mechanisms)이 집단 다양성 회복에 미치는 효과 검증

Evaluation

총평: 본 논문은 AI 도입이 개인 과학자의 생산성과 영향력을 극적으로 증대하지만, 동시에 과학 전체의 주제 다양성과 창의적 탐색을 위축시킨다는 중요한 구조적 문제를 정량적으로 증증했다. Nature 게재 수준의 높은 엄밀성과 사회적 함의를 갖춘 연구이나, 인과성 규명과 정책 처방은 향후 과제로 남아있다.