最终，知识的重组将产生新技术、新产业和新集群。政策制定者、投资者和企业希望更精确、更实时地跟踪这些过程，以便确定下一个重大事件。但为了做到这一点，我们需要抛弃现有的工业、科学和技术类别，这些类别从定义上来说忽略了新兴领域。我们还需要处理这样一个事实，即“新兴”主题本质上是模糊和嘈杂的，这可能会在数据中产生“幸存者偏差”（我们只分析成功出现的技术，而不分析那些本来可以出现但未能出现的技术的风险）。
围绕这一领域，新的文献已经开始出现，为新兴科学或技术领域提供操作性定义，并分析推动其发展的因素。创新地图对此贡献良多：其自然语言处理和聚类方法有助于在大量非结构化文本中识别新兴主题；其使用的某些数据集（如技术聚会活动、软件开发或科学预印本）比专利和出版物滞后性更低，有助于更及时地描绘新兴过程。当将其与其他数据集结合使用时，它可以帮助我们了解哪些类型的网络和生态系统更善于产生新颖的想法。
上述关于深度学习的论文说明了其中的一些内容。在其中，我们利用了一个非常及时的科学预印本数据集 (ArXiv)，我们通过使用文本挖掘 (主题建模) 方法分析数十万篇论文的摘要来确定一种新科学技术 (深度学习) 的出现。这使得我们不仅可以研究这种新技术是如何出现的以及在何处出现的，还可以研究它是如何传播并在其他计算机科学学科中占据主导地位的 (下图显示了它在计算机视觉、声音或语言等领域的扩展，以及这些“高 DL 采用率”领域在计算机科学中日益增长的重要性)。下一个有趣的步骤是使用相同的方法来识别最初遵循类似发展模式但最终被放弃的其他主题，并将它们的情况与深度学习进行比较。
从理论到实践
将映射与理论相连接并不是一个纯粹抽象的练习：它也可以产生重要的政策含义：我刚才提到的三个研究领域在产业、集群和研究与创新政策方面具有非常重要的应用，解决了如何建立有弹性 建筑师数据 的经济体、实施智能专业化、指导大胆的多样化和交叉（尤其是解决“创新任务”）以及让更多人享受新兴技术带来的好处等关键问题。
提高我们在每一个领域的知识水平，并通过交互式工具和可视化方式传达他们的研究成果，以满足政策用户和从业者的各种需求，可以产生许多实际利益，为当今的创新政策提供更好的信息，并为未来的创新政策提供数据跳板。
要实现这一目标，需要更多的跨学科合作，加强数据开发、研究和政策之间的交叉，以及政府的实验思维，无论是在使用的数据来源方面，还是在如何将它们整合到政策计划中以促进学习方面——这类似于我们在分析创新机构的工作方式时确定的“系统优化器角色” 。这些都不是简单的挑战，但解决它们可以带来巨大的好处。
如果您有兴趣进一步讨论这些内容，请联系[email protected]。我们希望与政策制定者讨论他们的需求、问题和应用，与研究人员讨论使用创新地图推进理论的潜在合作，并与同行地图绘制者讨论推动该领域发展的策略。