گواهی‌های ثبت اختراع یا پتنت‌ها، تنها اسنادی حقوقی برای حفاظت از مالکیت فکری نیستند؛ بلکه پنجره‌ای منحصربه‌فرد به سوی تاریخ تحولات فناوری و نوآوری بشر به شمار می‌روند. هر پتنت جدید موظف است به «دانش پیشین» (Prior Art) یا اختراعات قبلی که بر پایه آن‌ها بنا شده، استناد کند. این استنادها شبکه‌ای عظیم و پیچیده از دانش را شکل می‌دهند که تحلیل آن می‌تواند الگوهای پنهان در مسیر پیشرفت تکنولوژی را آشکار سازد.

یکی از پدیده‌هایی که دهه‌هاست توجه تحلیل‌گران حوزه نوآوری را به خود جلب کرده، کاهش مداوم تشابه متنی بین پتنت‌های جدید و پتنت‌هایی است که به آن‌ها استناد می‌کنند. این روند نزولی که از اواسط دهه ۱۹۷۰ میلادی مشاهده شده، یک معمای بزرگ را مطرح می‌کند: آیا این کاهش تشابه به معنای آن است که نوآوری‌ها به طور فزاینده‌ای «بنیادین» و «رادیکال» شده‌اند و کمتر به دانش گذشته وابسته‌اند؟ یا شاید این پدیده صرفاً یک محصول جانبی از تغییر در سبک نگارش پتنت‌ها، پیچیدگی روزافزون فناوری، یا استراتژی‌های حقوقی شرکت‌ها برای متمایز نشان دادن اختراعاتشان باشد؟

اهمیت این مقاله در آن است که برای نخستین بار با بهره‌گیری از ابزارهای پیشرفته پردازش زبان طبیعی (NLP) و مدل‌های آماری نوین، به کالبدشکافی این پدیده می‌پردازد و پاسخی بسیار دقیق‌تر و چندلایه‌تر برای این معمای دیرینه ارائه می‌دهد. این پژوهش نه تنها درک ما را از دینامیک نوآوری تغییر می‌دهد، بلکه روش‌شناسی قدرتمندی برای تحلیل داده‌های متنی در مقیاس بزرگ معرفی می‌کند.

این مقاله حاصل همکاری سه پژوهشگر برجسته، ادواردو فیلیپی-ماتزولا (Edoardo Filippi-Mazzola)، فدریکا بیانکی (Federica Bianchi) و ارنست سی. ویت (Ernst C. Wit) است. این تیم تحقیقاتی ترکیبی از تخصص در حوزه‌های علم داده، آمار محاسباتی و پردازش زبان طبیعی را گرد هم آورده است که برای tackling چنین مسئله پیچیده‌ای ضروری است.

این پژوهش در زمینه گسترده‌تری به نام «پتنت‌سنجی» (Patentometrics) یا علم‌سنجی (Scientometrics) قرار می‌گیرد. این حوزه علمی با استفاده از روش‌های کمی و محاسباتی به تحلیل داده‌های مربوط به مقالات علمی، پتنت‌ها و سایر خروجی‌های پژوهشی می‌پردازد تا الگوهای تولید، انتشار و تأثیر دانش را درک کند. مقاله حاضر نمونه‌ای عالی از چگونگی به‌کارگیری رویکردهای مدرن یادگیری ماشین برای پاسخ به سوالات بنیادین در حوزه اقتصاد نوآوری و سیاست‌گذاری علم و فناوری است.

مقاله با طرح این مسئله آغاز می‌شود که شاخص‌های تشابه متنی پتنت‌ها از دهه ۱۹۷۰ روندی نزولی را نشان می‌دهند. اگرچه فرضیه‌های مختلفی برای این پدیده مطرح شده، اما تحلیل‌های جامع و مبتنی بر روش‌های آماری پیشرفته کمیاب بوده‌اند. نویسندگان برای پر کردن این خلاء، از یک معیار کارآمد محاسباتی برای سنجش تشابه پتنت‌ها استفاده می‌کنند که بر پایه جدیدترین ابزارهای پردازش زبان طبیعی (NLP) توسعه یافته است. این رویکرد امکان سنجش تشابه «معنایی» را فراهم می‌کند که بسیار دقیق‌تر از روش‌های سنتی مبتنی بر شمارش کلمات کلیدی است.

سپس، محققان با استفاده از مدل‌های تعمیم‌یافته جمعی (Generalized Additive Models – GAMs) به مدل‌سازی نمرات تشابه می‌پردازند. این مدل‌های آماری قدرتمند، برخلاف مدل‌های خطی ساده، قادرند روابط غیرخطی و پیچیده میان متغیرها را در طول زمان شناسایی کنند. نتیجه این رویکرد شگفت‌انگیز است: مدل جدید نه تنها بخش بسیار بیشتری از تغییرات داده‌ها را توضیح می‌دهد، بلکه نشان می‌دهد که روند نزولی ساده‌ای که پیش از این تصور می‌شد، یک تصویر گمراه‌کننده بوده است. در واقع، یک روند زیربنایی بسیار متفاوت و پیچیده‌تر وجود دارد که توسط عوامل متعدد و متغیر در زمان پوشانده شده بود.

ستون فقرات این پژوهش، ترکیب نوآورانه دو تکنیک قدرتمند است: پردازش زبان طبیعی برای استخراج داده‌های معنادار و مدل‌سازی آماری پیشرفته برای تحلیل الگوها.

• سنجش تشابه با NLP: روش‌های قدیمی‌تر برای مقایسه متون، اغلب بر معیارهایی مانند TF-IDF (تعداد تکرار کلمات) تکیه داشتند که قادر به درک معنا و مفهوم کلمات در بستر جمله نبودند. در مقابل، این مقاله از تکنیک‌های مدرن NLP (مانند مدل‌های تعبیه‌سازی کلمات یا Word Embeddings) بهره می‌برد. این مدل‌ها هر کلمه یا متن را به یک بردار عددی در یک فضای چندبعدی نگاشت می‌کنند، به طوری که متون با معانی نزدیک، بردارهای نزدیک‌تری به هم داشته باشند. این کار به محققان اجازه می‌دهد تا تشابه معنایی و مفهومی بین دو پتنت را اندازه‌گیری کنند، نه فقط تشابه سطحی کلمات.
• مدل‌سازی با GAMs: قلب تحلیل آماری این مقاله، استفاده از مدل‌های تعمیم‌یافته جمعی (GAMs) است. فرض کنید می‌خواهیم روند تشابه پتنت‌ها را در یک بازه ۴۵ ساله (از ۱۹۷۶ تا ۲۰۲۱) بررسی کنیم. یک مدل رگرسیون خطی ساده، تنها می‌تواند یک خط راست صعودی یا نزولی را برآورد کند. اما واقعیت بسیار پیچیده‌تر است. ممکن است تأثیر یک عامل (مثلاً ظهور پتنت‌های نرم‌افزاری) در یک دهه شدید و در دهه بعد کمرنگ شده باشد. GAMs دقیقاً برای چنین سناریوهایی طراحی شده‌اند. این مدل‌ها به جای یک خط راست، مجموعه‌ای از توابع هموار و انعطاف‌پذیر را برای هر متغیر پیش‌بین تخمین می‌زنند و می‌توانند الگوهای غیرخطی، نوسانات و نقاط عطف را در طول زمان به دقت ثبت کنند. این انعطاف‌پذیری به مدل اجازه می‌دهد تا تأثیرات متغیر و پیچیده چندین عامل را به طور همزمان از یکدیگر تفکیک کند.

این پژوهش به سه یافته کلیدی و مهم دست یافته است که درک ما از اکوسیستم نوآوری را به چالش می‌کشد:

1. قدرت تبیین بسیار بالاتر: مدل GAM توسعه‌داده‌شده در این مقاله توانست حدود ۱۸ درصد (R² ~ 18%) از تغییرات (واریانس) در نمرات تشابه پتنت‌ها را توضیح دهد. شاید این عدد در نگاه اول بزرگ به نظر نرسد، اما در علوم اجتماعی و اقتصادی که پدیده‌ها تحت تأثیر عوامل بی‌شمار و غیرقابل اندازه‌گیری هستند، این میزان قدرت تبیین، یک پیشرفت چشمگیر محسوب می‌شود و نشان می‌دهد که مدل به شکل معناداری به درک عوامل اصلی نزدیک شده است.
2. تفکیک محرک‌های زمانی متمایز: مدل‌سازی غیرخطی به نویسندگان این امکان را داد تا بین چندین «محرک» یا عامل تأثیرگذار که در دوره‌های زمانی مختلف فعال بوده‌اند، تمایز قائل شوند. برای مثال، این مدل می‌تواند نشان دهد که کاهش تشابه در دهه ۱۹۸۰ ممکن است عمدتاً ناشی از رشد سریع حوزه کامپیوتر و نرم‌افزار بوده باشد، در حالی که روند مشابه در دهه ۲۰۰۰ می‌تواند تحت تأثیر عواملی چون جهانی‌شدن تحقیق و توسعه یا تغییر در استراتژی‌های نگارش پتنت توسط وکلای مالکیت فکری باشد. این تفکیک‌پذیری، تحلیلی بسیار عمیق‌تر از یک نگاه کلی به روند ارائه می‌دهد.
3. آشکارسازی یک روند زیربنایی کاملاً متفاوت: این مهم‌ترین و شگفت‌انگیزترین یافته مقاله است. پس از آنکه مدل GAM تأثیرات متغیر سایر عوامل را کنترل و جداسازی کرد، روند «خالص» یا زیربنایی تشابه پتنت‌ها آشکار شد. این روند بنیادین، با آن تصویر ساده نزولی که قبلاً تصور می‌شد، تفاوت اساسی دارد. این یافته نشان می‌دهد که کاهش ظاهری تشابه، یک پدیده یکپارچه نیست، بلکه برآیند چندین روند پیچیده و گاه متضاد است. این امر می‌تواند به این معنا باشد که ماهیت نوآوری (میزان تدریجی یا بنیادین بودن آن) در طول زمان آن‌چنان که تصور می‌کردیم تغییر نکرده و بخش بزرگی از مشاهدات قبلی، ناشی از عوامل جانبی بوده است.

نتایج و روش‌شناسی این مقاله پیامدهای عملی و نظری مهمی برای گروه‌های مختلف دارد:

• سیاست‌گذاران علم و فناوری: درک دقیق‌تر از روندهای نوآوری به طراحی سیاست‌های بهتر در حوزه مالکیت فکری کمک می‌کند. برای مثال، اگر کاهش تشابه ناشی از پیچیدگی عمدی در نگارش پتنت‌ها باشد، ممکن است نیاز به بازنگری در قوانین مربوط به «الزام افشای کامل» اختراع باشد.
• اقتصاددانان و تحلیل‌گران نوآوری: این مقاله یک جعبه‌ابزار روش‌شناختی جدید برای مطالعه دینامیک فناوری ارائه می‌دهد. محققان می‌توانند از این رویکرد برای تحلیل سایر داده‌های متنی (مانند مقالات علمی) و کشف روندهای پنهان در حوزه‌های دیگر نیز استفاده کنند.
• شرکت‌ها و مدیران تحقیق و توسعه (R&D): فهم عمیق‌تر از چشم‌انداز فناوری و نحوه ارتباط اختراعات جدید با دانش پیشین، می‌تواند به تصمیم‌گیری‌های استراتژیک در زمینه سرمایه‌گذاری در R&D و مدیریت سبد پتنت‌ها کمک کند.
• ممتحنین پتنت و متخصصان حقوقی: ابزارهای NLP که برای سنجش تشابه معنایی توسعه یافته‌اند، پتانسیل آن را دارند که به سیستم‌های هوشمند برای جستجوی دانش پیشین (Prior Art Search) تبدیل شوند و کیفیت و کارایی فرآیند بررسی پتنت‌ها را افزایش دهند.

مقاله «علل کاهش تشابهات گواهی‌های ثبت اختراع از ۱۹۷۶ تا ۲۰۲۱» یک پژوهش تحول‌آفرین در حوزه تحلیل نوآوری است. این تحقیق با به چالش کشیدن یک باور قدیمی و رایج، نشان می‌دهد که چگونه استفاده از ابزارهای محاسباتی و آماری پیشرفته می‌تواند به درکی عمیق‌تر و دقیق‌تر از پدیده‌های پیچیده اجتماعی و اقتصادی منجر شود. نویسندگان با موفقیت نشان دادند که روند ظاهراً ساده کاهش تشابه پتنت‌ها، در واقع یک سراب آماری بوده که یک واقعیت چندلایه و پویا را پنهان کرده است.

این پژوهش بار دیگر بر اهمیت رویکردهای بین‌رشته‌ای تأکید می‌کند و نشان می‌دهد که چگونه هم‌افزایی میان علم داده، پردازش زبان طبیعی و علوم اجتماعی می‌تواند به ما در رمزگشایی از الگوهای پیچیده حاکم بر جهان اطرافمان یاری رساند. این مقاله نه تنها پاسخ جدیدی به یک سوال قدیمی می‌دهد، بلکه راه را برای پرسیدن سوالات جدیدتر و عمیق‌تر در مورد ماهیت نوآوری و تکامل فناوری هموار می‌سازد.