发现技术机遇的早期信号：来自跨学科创新的洞见

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：Discovering early signals of technological opportunities: Insights from interdisciplinary innovation

　　

•早期创新信号往往被忽视，导致错过技术机会。
•探讨了跨学科创新机制，以洞察新机会
•学科关联和知识整合揭示了新兴的跨学科基础
•动态评估创新方面，以捕捉早期技术机会信号
•在水稻遗传改良领域验证了所提出的方法

引言
目前，科技发展呈现出多领域、多学科的趋势，这对现有的经济模式造成了颠覆性影响。以人工智能为代表的颠覆性技术的本质是知识等要素的整合，反映了知识在学科、领域和行业之间的深度整合（Archibugi, 2017; Hung and Chu, 2006; Porter et al., 2002; Rotolo et al., 2015）。随着科学领域的深入发展和复杂社会需求的增加，仅依靠单一学科来解决重大科学和社会问题变得越来越困难。因此，越来越多的科学家通过跨学科合作来解决科学问题。这种合作促进了认知重组，极大地增强了突破性创新的能力（Dosi, 1982; Schumpeter, 1934）。因此，跨学科研究被广泛认为是促进科技创新和应对重大社会挑战的重要途径之一（Porter and Rafols, 2009; Gibbons et al., 1994; Subramani, 2020）。

技术机会发现（TOD）是指导研究主体创新方向的关键工具，可显著提高科技创新效率（Klevorick et al., 1995; Olsson, 2005; Bamel et al., 2023）。技术机会可以通过多种途径产生，包括现有技术轨迹的持续演进（Dosi, 1982）、科学发现、市场和社会需求的变化，以及现有知识的重组（Schumpeter, 1934; Fleming, 2001）。跨学科研究是新兴技术形成和发展的重要途径（Kim et al., 2014; Zhou et al., 2019）。不同学科的知识、方法和研究问题的重组可能会产生新主题，为后续技术发展提供上游科学基础。基于此，本研究专门关注识别由跨学科科学整合产生的技术机会的早期信号，而不是泛指技术机会。然而，采用这一视角的研究通常依赖于成熟的跨学科主题来识别技术机会。它们对早期创新信号的有限关注可能会阻碍此类机会的及时识别。虽然文献关联发现（LRD）和链接预测方法为解决这一问题提供了有价值的见解（Kostoff et al., 2008a, Kostoff et al., 2008b），但这些方法通常分析单一时间点的数据，类似于快照。因此，它们容易受到随机事件的扭曲。

专利数据被广泛用于探索技术机会，主要是因为它们被视为反映技术进步的重要来源。然而，专利申请与发布之间的时间滞后限制了专利数据在早期阶段识别技术机会的使用。科学知识是技术发展的重要基础，可以在其早期阶段为评估潜在方向提供信息（Wang et al., 2015; Cammarano et al., 2024）。学术论文作为科学知识生产和传播的主要载体，在技术创新过程中占据上游位置，因此能够在下游技术产出（如专利和产品）出现之前，记录跨学科知识之间的早期连接、重组和整合（Wu et al., 2025; Curran et al., 2010; Kim et al., 2015; Sick and Br?ring, 2022; Zhou et al., 2019; Sick et al., 2019）。鉴于其能够在下游技术产出显现之前捕捉上游知识整合过程的能力，我们使用科学文献作为主要数据源，以识别由跨学科整合产生的技术机会的早期信号。

本研究建立了一个基于学术论文数据的框架，以识别由跨学科科学整合带来的技术机会的早期信号。首先，我们从三个维度系统分析了跨学科整合机制：领域之间如何形成连接、知识如何整合以及成果创新性的来源。这使得对跨学科创新有了更深的理解，从而有助于更科学、系统地识别由跨学科整合产生的技术机会早期信号。其次，我们利用科学文献识别潜在的跨学科主题，并区分仍处于潜在阶段的主题与具有成熟跨学科关系的主题。随后，结合对每个主题跨学科知识整合阶段的评估及其创新特征的测量，确定哪些潜在的跨学科主题值得作为技术机会的早期信号进一步关注。通过提供识别技术机会早期信号和评估跨学科合作潜力的可操作工具，该方法为创新管理提供了一种主动的方法。它还提供了未来的研究方向，使研究人员和政策制定者能够预测新兴趋势并利用未开发的潜力，促进跨学科学术研究。这对于寻找新的研究领域、识别学科新的增长点以及应对重大的社会或科学技术挑战至关重要。

与以往研究相比，本研究在分析逻辑上实现了两个关键转变，并伴随着方法学的综合创新。首先，它建立了一个理论驱动的分析框架，基于跨学科创新机制，实现了从统计相关性到机制解释的转变。虽然许多基于知识关联（例如共现）的数据驱动方法可以识别 A 与 B 之间的关联，但它们在解释此类关系为何存在或其潜在意义上方面能力有限。相比之下，我们的框架基于第 3 章中阐述的系统理论，研究了跨学科联系如何形成、知识如何整合以及成果如何体现创新。通过将方法与内在机制（如方法扩散或问题收敛）联系起来，它为它们的原因和潜力提供了更具解释力的描述。其次，本研究将关注点从已经获得规模和可见性的成熟跨学科热点，转向在跨学科关系形成过程中出现的潜在知识连接。它使用动态主题分析和阶段分类来识别潜在的跨学科主题，将其分类为潜在或成熟，并评估其创新特征以识别候选的技术机会早期信号。最终，本研究开发了一种系统方法，用于识别和评估由跨学科整合产生的技术机会早期信号。通过在上游科学研究活动中识别这些信号，所提出的方法为后续评估潜在技术方向提供了前瞻性证据。

本文结构如下。第 2 节提供文献综述；第 3 节分析跨学科创新机制，为本研究使用的方法奠定理论基础；第 4 节展示方法框架；第 5 节包括实证研究；第 6 节展示结果的讨论。第 7 节总结全文并讨论其贡献、局限性和未来研究方向。

章节片段
文献综述
技术机会通常被定义为技术进展或进步的一组可能性或潜力（Klevorick et al., 1995）。技术机会发现（TOD）是指识别和探索此类潜在机会的过程，在此过程中，技术可以被利用来解决现有挑战或构建创新解决方案（Yoon et al., 2015）。TOD 是创新管理和科技战略规划的重要组成部分，

跨学科创新机制
本研究的主要目标是通过推进对跨学科创新机制的理解，更科学、系统地识别由跨学科整合产生的技术机会早期信号。然而，目前对这些机制的理解仍然有限，阻碍了真正机会的有效识别。为应对这一挑战，我们进行广泛的基础研究，开发了一种新颖的

方法论
基于上述概念化描述，我们提出了一种方法，通过整合新兴的跨学科基础和有利的创新条件，利用科学论文作为数据源来识别技术机会的早期信号。方法框架如图 6 所示，包括四个步骤：首先，我们收集相关学科的研究论文并预处理数据。然后，我们使用 PhraseLDA 构建多维主题

案例研究
本节强调其发现的实践意义，展示了所提出的方法如何应用于现实世界以识别和评估技术机会的早期信号。本研究通过专注于合成生物学和水稻遗传改良的详细案例研究，展示了所提出方法的适用性和有效性。识别结果提供了合成生物学与作物改良交叉点的宝贵见解，

主题模型比较
本研究从两个角度系统比较了 LDA、BERTopic 和 PhraseLDA 的主题聚类结果：主题模型性能和主题可解释性。
我们使用三个指标来比较主题模型的性能：主题一致性（Stevens et al., 2012）、独特性和规模，如图 12 所示。PhraseLDA 模型在独特性方面实现了最佳性能。BERTopic 利用其预训练语言的深度语义表示

结论
预测技术创新长期以来一直是信息科学、政策制定和产业界面临的挑战。在“大科学”时代，本研究专注于跨学科创新，探索学科如何从最初的交叉点逐渐演进到知识整合，并最终实现创新。旨在识别由跨学科整合产生的技术机会的早期信号。为此，本研究提出了一种方法论

CRediT 作者贡献声明
姚茹：撰写 – 初稿，监督，方法论，概念化。吴宇：撰写 – 审阅与编辑。胡智杰：调查，数据管理。吴锦明：撰写 – 审阅与编辑。张辉：验证，监督。赵静娟：撰写 – 审阅与编辑。林乔：撰写 – 审阅与编辑。张学夫：方法论，资金获取。

数据链接
无。

资助
本研究由中国北京国家哲学社会科学办公室资助 [项目编号 23BTQ054, 2023]。

利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文报道的工作。

致谢
我们要感谢教授们协助进行英文编辑，以及期刊的编辑们。

张学夫，管理学博士，教授，农业科学院二级岗位优秀人才。他现任中国农业科学院农业信息研究所农业发展战略研究室主任。他的研究方向包括技术预测、创新机会识别和农业信息管理。

姚茹 | 吴宇 | 胡智杰 | 吴锦明 | 张辉 | 赵静娟 | 林乔 | 张学夫