Ein maschinelles Lern-Tool, das vorhersagt, ob eine wissenschaftliche Arbeit irgendwann in einem Patent zitiert wird, zieht die Aufmerksamkeit von Investoren und Technologietransfer-Büros auf sich, wie ein heute in Nature veröffentlichter Bericht zeigt.
Der Translation Readiness Index (TRI), entwickelt von Forschern des Datenanalyse-Unternehmens League of Scholars in Sydney, führt eine sprachwissenschaftliche Analyse des Titels und der Zusammenfassung einer Arbeit durch. Er misst, wie ähnlich der Wortschatz einer Arbeit Publikationen ist, die zuvor mit Patenten gepaart wurden — und erkennt Begriffe wie Prototyp, Vorrichtung und Design, die mit kommerziellem Potenzial korrelieren.
Bei Tests hatte der leistungsstärkste TRI-Klassifikator eine 78%ige Chance, eine patentverknüpfte Arbeit über eine vergleichbare Nicht-Patent-Arbeit einzureihen. Bei Anwendung auf die 100 am höchsten gerangten Arbeiten der University of Western Australia hatten 83 industriespezifische Ko-Autoren und 34 betrafen Autoren, die zuvor Forschung patentiert hatten.
Es ist eine neue Art, Forschung zu sichten oder zu ordnen, sagt Mitautor Paul McCarthy. Es könnte helfen, unerwartete Schätze zu entdecken.
TRI gesellt sich zu einem wachsenden Feld von Forschungs-Suchwerkzeugen. Die Cornell University nutzt ein Tool namens Haystack, um bis zu 13.000 Arbeiten pro Jahr für ihr Technologietransfer-Team zu scannen. Doch Forscher warnen, dass Patentierbarkeit keine kommerzielle Tragfähigkeit garantiert und das Tool nur Titel und Abstracts analysiert — nicht die zugrundeliegenden Daten oder Ergebnisse.
