ISSN : 1013-0799
본 연구에서는 AI 의료영상 진단 분야를 중심으로 공동연구 네트워크의 특성을 살펴보고, 사회자본의 2가지 개념인 네트워크 폐쇄와 구조적 공백이 연구성과에 미치는 영향을 분석하였다. 분석 결과, 네트워크의 구조는 하나의 큰 컴포넌트를 가지고 있으며, 이를 제외하고는 클러스터 간의 분절이 심하고 각 클러스터 내의 응집성은 매우 높은 것으로 나타났다. 또한 네트워크 폐쇄는 밀도로, 구조적 공백은 효율성으로 측정하여 연구성과와의 관계를 QAP 회귀분석을 통해 확인한 결과, 네트워크 폐쇄와 구조적 공백은 모두 연구성과에 긍정적인 영향을 미치는 것으로 나타났다. 이는 영상의학의 한 분야인 의료영상 진단에 AI 라는 새로운 분야가 접목될 때, 연구자들 간의 강한 연결뿐만 아니라 다양한 지식을 수용할 수 있는 구조적 공백 또한 연구 성과에 영향을 미친다는 것을 의미한다. 이러한 연구 결과는 공동 지식 생산을 위한 연구 협업에서 적절하게 조화를 이루는 네트워크의 필요성을 시사한다.
This study investigates the collaboration networks in the field of AI-driven diagnostic medical imaging, focusing on the influence of two social capital concepts—network closure and structural holes—on research performance. The analysis reveals a highly fragmented network structure with one dominant component, while individual clusters exhibit strong internal cohesion. Both network closure, measured by density, and structural holes, assessed through efficiency, positively impact research performance, as demonstrated by QAP regression analysis. The findings highlight that, in the integration of AI into diagnostic medical imaging, robust connections among researchers are vital, and the presence of structural holes, which enable the assimilation of diverse knowledge, also significantly enhances research outcomes. This underscores the importance of fostering a well-balanced network to optimize collaboration and knowledge production in this emerging interdisciplinary field.