超越噪声：通过高阶网络中的弱信号预测来早期识别新兴技术

《Information Processing & Management》：Beyond the noise: Early identification of emerging technologies through weak signal prediction in higher-order networks

　　

• •
  提出了一种跨科学、技术和产业的多源超图模型。
• •
  通过异常值-突变-关键节点轨迹来映射弱信号，实现动态跟踪。
• •
  通过ICL-LLM将高阶网络拓扑与大型语言模型（LLM）的语义推理相结合。
• •
  ICL-LLM在预测准确性上表现最佳，能够过滤随机噪声。

引言

在当前全球科技竞争激烈的时代，能够在技术发展的早期阶段识别出新兴技术已成为国家、企业和研究机构的战略必修课（Kong等人，2020年；Liang等人，2021年；Savov等人，2020年）。这有助于突破早期信息滞后的障碍，使得研发（R&D）资源能够在技术生命周期的初期阶段就被分配，从而获得先发优势（Eckhoff等人，2014年；El Akrouchi等人，2021年；Kim和Lee，2017年；Ma等人，2024年）。例如，ASML早早发现了极紫外（EUV）光刻技术中潜藏的颠覆性潜力，并提前几年就组织了大规模的研发供应链。这种战略预见性使该公司在传统光学方法达到物理极限时抓住了主动权，最终在全球先进半导体制造设备领域实现了绝对垄断。因此，在技术发展的早期阶段，有效地检测和解读弱信号至关重要，尤其是在高风险、高度动态的技术创新生态系统中（Day和Schoemaker，2006年；Jabbour等人，2026年）。

出于这一战略需要，研究人员不断寻找方法来识别和追踪技术创新生态系统中的弱信号。然而，现代科学的复杂性以及其日益增强的跨学科性（Wang等人，2025年）使得弱信号的检测变得更加困难（Ebadi等人，2026年）。现有研究采用了计量文学（Dotsika和Watkins，2017年；Noh等人，2016年；Zamani等人，2022年）、关键词分析（Bzhalava等人，2024年）、主题建模（Ghaffari等人，2023年；Thorleuchter和Van den Poel，2013年）、网络分析（Afifuddin和Seo，2024年；Miao等人，2024年）以及机器学习（Ebadi等人，2022年；Ebadi等人，2023年）等方法来分析弱信号的新颖性、可见性、传播性和影响力（Griol-Barres等人，2020年；Ma等人，2024年），从而提高了检测的准确性和及时性。

尽管取得了这些进展，现有范式仍存在三个关键局限性。首先，现有研究往往从静态的角度分析弱信号的特点，忽略了弱信号的一个基本本质：它具有转变为强信号的动态潜力（Lee等人，2025年；Yu等人，2022年）。因此，从动态演化的角度理解弱信号的本质仍存在显著差距。其次，虽然学者们使用各种网络来描述技术要素之间的关系和互动，但底层的拓扑表示主要局限于低阶网络。将复杂的多方向技术互动简化为独立的成对链接无法准确反映现实世界中的技术创新生态系统（Li等人，2025年）。这种简化阻碍了对弱信号背后复杂关联和多维互动的捕捉（Zhou和Zhu，2026年），从而大大降低了检测的准确性。最后，大多数现有研究侧重于在历史数据中回顾性地识别弱信号，缺乏对其未来演化轨迹的预测能力。尽管检测当前的弱信号具有内在价值，但技术预见的最终目标是预测这些新兴信号是否真的会发展成颠覆性技术。因此，迫切需要将分析范式从被动的历史检测转变为主动的未来预测，为新兴技术的战略部署提供更前瞻性的基础。

本研究有三个主要研究目标：(a) 从动态演化跟踪的角度重新概念化弱信号。这一目标旨在将弱信号描述为具有结构转型潜力的过渡性实体，而不仅仅是短暂的异常现象；(b) 构建一个多源高阶网络。这一目标旨在尽可能保留技术创新生态系统中的复杂多维互动，从而为量化弱信号演变的隐性知识结构提供分析基础；(c) 开发一个弱信号的前瞻性预测框架。这一目标旨在将分析范式从回顾性的历史检测转变为前瞻性的未来预测，从而在弱信号成熟为主导技术之前就识别出它们。

在这项研究中，我们提出了一个通过高阶网络中的弱信号预测来早期识别新兴技术的新框架。首先，为了克服低阶网络中多变量关系的过度简化，我们整合了论文、专利和小企业创新研究（SBIR）项目数据，构建了一个覆盖“科学-技术-产业”维度的多源异构超图，最大限度地保留了技术创新过程中固有的复杂关联。其次，我们将弱信号重新定义为不是在单一时间点捕获的静态异常现象，而是从边缘出现到主流整合的动态实体。基于技术生命周期和颠覆性创新理论，我们概念化并量化了弱信号在“异常值-突变-关键节点”轨迹上的完整结构相变。量化结果通过严格的兩轮德尔菲专家评估得到了验证。第三，我们使用MLP、DHCN和LLM来预测具有颠覆潜力的弱信号，从而将弱信号的识别从回顾性识别转变为前瞻性预测。

为了验证所提出的框架，我们将其应用于新能源汽车（NEV）燃料电池领域，使用了来自Web of Science、Derwent Innovations Index和SBIR数据库的145,316篇论文、79,050项专利和5,941个项目记录的数据集，时间跨度为2015年至2024年。我们识别出226个表现出“异常值-突变-关键节点”轨迹特征的候选节点。通过涉及八位领域专家的严格兩轮德尔菲专家评估，我们获得了193个专家确认的弱信号标签。实证结果表明，在弱信号预测任务中，ICL-LLM在测试模型中表现最佳，其宏观F1分数为61.25%，优于MLP（49.76%）、DHCN（56.84%）和ZS-LLM（46.35%）。这一结果表明，将高阶结构信息与语义推理相结合具有相对优势，尽管整体的预测能力仍较为中等。此外，“钙钛矿型结构”案例展示了该框架如何通过结合结构状态和语义推理来支持潜在弱信号的解释。

本研究的主要贡献总结如下：

(1) 我们通过将弱信号的概念从静态异常检测转向动态演化跟踪来推进对其的理解。通过实现弱信号在“异常值-突变-关键节点”轨迹上的完整拓扑相变，我们提供了一个可观察的动态模式，用以表征它们从边缘信号向更核心技术要素的演变。(2) 我们引入了一种异构超图方法，克服了低阶网络表示的根本局限性。这种方法真实地捕捉并保留了复杂技术创新生态系统中的高阶拓扑语义和多维互动。(3) 我们通过系统的比较评估证明了将高阶结构量化与语义推理相结合的相对优势。(4) 所提出的框架为不同利益相关者提供了一种探索性的决策支持方法。

节片

新兴技术的弱信号分析

“弱信号”一词起源于物理学，传统上指的是声学、电学或光学参数中的微小波动，其特点是振幅极小但可能产生系统性影响。Ansoff（1975年）将“弱信号”的概念引入社会科学，将其视为具有重大影响的早期不确定性迹象。在(Hiltunen, 2008年)的基础工作基础上，Yoon（2012年）认为弱信号是与

方法论

本研究设计了一个系统化的分析框架，用于通过高阶网络中的弱信号预测来早期识别新兴技术。如图1所示，该方法包括四个相互连接的模块：数据收集、高阶网络的构建、弱信号的识别以及基于人工智能的新兴技术早期识别。

高阶网络统计

按照第3.2节中详细介绍的严格数据预处理程序和超图构建框架，我们建立了一个覆盖2015年至2024年新能源汽车燃料电池领域多源异构高阶网络。表2总结了所构建动态超图的全球拓扑统计信息。

如表2所示，该网络的总体规模和连通性经历了快速扩张。节点总数增加了

讨论

以下讨论解释了实证发现及其对理解弱信号发展和支持技术预见实践的意义。

结论

本研究构建了一个框架，通过在高阶网络中预测弱信号来早期识别新兴技术。利用2015年至2024年新能源汽车燃料电池领域的多源数据集，我们构建了一个覆盖“科学-技术-产业”维度的异构超图，以代表现实世界中的技术创新生态系统。这种方法有助于表示与弱信号相关的复杂关联和多维互动

CRediT作者贡献声明

Mingzhu Wei：撰写——原始草案、方法论、资金获取、概念化。Rong Zheng：撰写——审稿与编辑、方法论。Rui Song：撰写——原始草案、软件、方法论、数据管理。

致谢

本研究得到了中国国家社会科学基金（编号24CTQ041）的支持。

Mingzhu Wei|Rong Zheng|Rui Song