산업과 학계의 혁신 차이: 지식 엔터티 중심 새로운 평가

초록

본 연구는 논문과 특허에 포함된 ‘방법·도구·데이터셋·지표’ 네 종류의 세밀한 지식 엔터티를 SciBERT 기반 통합 의미 공간에 매핑하고, 엔터티 쌍 간 의미 거리로 혁신성을 정량화한다. 회귀 분석 결과, 학계가 전반적으로 더 높은 혁신성을 보이며 특히 특허에서 그 차이가 두드러진다. 엔터티 수준에서는 양측 모두 ‘방법’에 집중하지만, 산업은 ‘데이터셋’에서 독자적인 강점을 가진다. 산학 협업은 논문의 혁신성에는 큰 영향을 미치지 않지만, 특허에서는 긍정적 효과를 나타낸다.

상세 분석

이 논문은 기존 연구가 논문과 특허 각각에 서로 다른 혁신성 측정 방식을 적용해 비교가 어려웠던 문제를 ‘지식 엔터티’라는 미세 단위로 통합한다는 점에서 혁신적이다. 네 가지 엔터티(방법, 도구, 데이터셋, 지표)를 추출하고, SciBERT를 이용해 동일한 의미 공간에 임베딩함으로써 엔터티 간 의미 거리—즉, 조합 난이도를 혁신성 지표로 사용한다. 이 접근법은 문체 차이와 분야별 코드 체계 차이를 극복하고, 정량적이면서도 해석 가능한 결과를 제공한다. 회귀 모델에 포함된 통제 변수(팀 규모, 저자 다변성, 기관 유형 등)는 기존 문헌에서 논의된 혁신성 요인들을 포괄한다. 실증 결과는 학계가 전반적으로 더 높은 혁신성을 보이며, 특히 특허 수준에서 그 격차가 크게 나타난다. 이는 학계가 새로운 개념을 탐색하고 공개하는 역할을 수행함을 뒷받침한다. 엔터티별 분석에서는 양측 모두 ‘방법’에 집중하지만, 산업은 ‘데이터셋’ 조합에서 높은 혁신성을 보여, 데이터 접근성과 대규모 학습 인프라가 산업의 강점임을 시사한다. 산학 협업이 논문 혁신성에 미치는 효과가 제한적인 반면, 특허에서는 협업이 혁신성을 향상시키는 긍정적 역할을 한다는 점은, 실용적 기술이 특허 단계에서 더 큰 시너지를 발휘한다는 의미로 해석될 수 있다. 다만, 연구는 NLP 분야에 국한되고 SciBERT 기반 임베딩에 의존하므로 다른 분야나 다른 임베딩 모델에 대한 일반화 가능성은 검증이 필요하다. 또한 의미 거리만으로 혁신성을 판단하면 실제 시장 영향력이나 장기적 기술 확산 효과를 충분히 포착하지 못할 가능성이 있다.