| 研究課題/領域番号 |
21K12592
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分90020:図書館情報学および人文社会情報学関連
|
|---|
| 研究機関 | 筑波大学 |
|---|
研究代表者 |
芳鐘 冬樹 筑波大学, 図書館情報メディア系, 教授 (30353428)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| 研究課題ステータス |
交付 (2022年度)
|
| 配分額 *注記 |
2,600千円 (直接経費: 2,000千円、間接経費: 600千円)
2023年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2022年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2021年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
|
|---|
| キーワード | 図書館情報学 / 情報図書館学 / 引用分析 / 科学社会学 / 科学計量学 / 計量情報学 / 計量書誌学 / 引用分類 |
|---|
| 研究開始時の研究の概要 |
特許間の引用関係は，技術再活用や累積的な技術革新を示唆するものとして，技術動向の把握や予測に応用されるが，学術論文における引用と同様，特許の引用にも様々な種別が存在すると考えられる。特許の引用情報から，より精緻で具体的な示唆を得るためには，まず引用種別の類型を整理する必要があると考え，本研究は，引用が担う機能の差異に着目した類型化を行う。日本の出願特許を対象に，生起する引用の機能を調査した上で，それらの類型を系統的に整理することを主たる目的とする。あわせて，特許が受ける引用の種別の時系列変化にも着目し，特許の特性と引用種別の傾向の変化との関係を明らかにする。
|
| 研究実績の概要 |
特許などの専門的な文書を対象に生起する引用を調査した上でそれらの類型を系統的に整理することを主たる目的に，情報源（特許，論文，Wikipediaの学術関連の記事）からデータを抽出・整形して試行的な分析を行った前年度の研究結果を踏まえて，令和4年度は，それらのデータを用いた大規模な分析を行った。分析結果から得られた主な知見は，以下の3点である。
(1) 引用元の特許を引用文脈（引用センテンス）に紐付けたコンコーダンス（索引）を分析した結果，機能的観点を含む5つの観点から特許の引用を類型化できた。論文の引用における社会的観点（著者の社会的な背景）については，特許の場合は類型として観察されなかった。一方，機能的観点については，防衛的動機など，特許特有の種別が観察された。
(2) 文書の分野横断性（学際性）は，おおむね年々高まっているが，その変化の特徴は分野によって異なることが分かった。例えば，材料科学分野では，直接つながっている領域の関係の結集性（クラスタ傾向）が特に強くなってきている。分野横断的な研究開発が盛んな今日，引用の機能を検討するにあたっては，こうした時系列変化にも留意すべきであることが示唆された。
(3) Wikipediaにおいて引用に相当する参照記述の追加の状況を調査し，Wikipediaにおける引用の機能を分析する基盤を整えた。特に，参照記述の追加時期および引用元文書の新しさ（引用年齢）の傾向を明らかにした。論文における引用の機能と合わせて考察することで，特許における引用の機能の時系列変化を整理する上での示唆を得ることができると考えられる。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
令和4年度の計画として挙げている(1)について，おおむね予定どおり進め，さらに加えて，補足的な分析として(2)(3)を行ったため，「おおむね順調に進展している」と判定した。
(1) 各種別の引用数の分布，および，引用種別の時系列変化に関して，技術分野の特徴を分析する。特許が属す技術分野の判別は，明細書に記載された国際特許分類IPCの主分類に基づく。分野の粒度は，IPCの上位階層（セクション）を基本にし，傾向の把握が困難なものは，より詳細な下位階層（サブクラス）まで見る。
(2) 論文の学際性の時系列変化についても分析し，分野横断的な研究開発における引用の傾向の変化に関する示唆を得る。
(3) Wikipediaの学術関連の記事における引用についても時系列分析（引用年齢の分析など）を行い，引用の時系列変化の傾向を総合的に把握する。
|
| 今後の研究の推進方策 |
令和5年度は，前年度までに整理した (1) 特許の特性と，(2) 引用傾向の時系列変化を合わせて分析することで，引用種別の変化パターンと関わりの強い特性を特定する。具体的には，機械学習法の1つであるランダムフォレストによる判別・回帰分析を行う。発明者（著者）数，ページ数，引用文献数などの付随的要因とともに，引用ネットワークにおける位置づけ（前方引用の多様性など）を特徴量として投入し，各技術分野につき引用種別の変化パターンの自動分類を行う。分類への寄与から，いずれの側面が引用種別の変化に大きく影響しているかを推測する。
|
