Essays on Science-Technology Knowledge Interaction and AI Innovation from a Network-based Knowledge Recombination Perspective = 네트워크 기반 지식 재조합 관점에서 본 과학?기술 지식 상호작용과 AI 혁신에 관한 연구

국문 초록 (Abstract)

과학지식은 기술혁신의 주요 원천으로써, 새로운 아이디어를 제안하고, 기술 혁신의 방향성을 제시한다. 그러나 과학지식의 기술 혁신 효과는 일관되게 동일하지 않으며, 기술·산업·조직 등 다양한 맥락에 따라 그 크기와 양상이 달라진다. 이러한 이질성은 각 맥락이 허용하거나 요구하는 지식 재조합의 형태가 서로 다르기 때문에 발생한다. 특히 동일한 기술 도메인 내에서도 구조적으로 다양한 지식 결합 양상이 나타나 그 효과가 달라질 수 있으며, 그 중에서도 지식 결합이 집중적으로 이루어지는 핵심 기술 영역과 이질적 지식 간 재조합이 활발한 응용·확산 영역은 구조적 대비가 명확하다. 본 연구는 이 두 영역을 각각 core technology와brokerage technology로 식별하고, 과학지식의 혁신 효과가 기술의 구조적 위치에 따라 어떻게 달라지는지를 분석함으로써, 특정 기술·산업 맥락에 한정되지 않고 보다 일반적인 과학지식의 혁신 메커니즘을 관찰하고자 한다.
과학지식이 기술 혁신으로 전환되는 실증적 현상은 특허가 과학 논문을 인용하는 특허-논문 간의 연결관계에서 관찰될 수 있다. 본 연구는 이를 활용해 과학과 기술 간의 상호작용(science-to-technology interaction)을 측정하고, 분석 대상으로 인공지능(artificial intelligence, AI) 기술 분야를 선택한다. AI는 과학적 지식이 알고리즘·모델·시스템으로 구현되어 주요 혁신이 빠르게 나타나는 대표적인 분야이지만, 최근의 급격한 기술적 진보에도 불구하고, 실질적인 산업 생산성으로 이어지기까지의 지연, 컴퓨팅 성능 등의 제약, 심화되는 관련 지식에 대한 부담 등으로 인해 새로운 혁신이 발생하는 조건과 메커니즘을 정교하게 설명할 필요성이 커지고 있다. 또한 AI는 핵심 기술의 성장과 다른 기술 도메인으로의 확장이 동시에 진행되며 지식 재조합이 활발하게 나타나, core와 brokerage 기술의 대비가 뚜렷하다. 이에 본 연구는 2002-2021년에 출원된 AI 특허와 이들이 인용한 과학 논문 데이터를 결합하여, 과학 지식이 core, brokerage 기술에서 각각 어떤 방식으로 재조합되고 혁신 성과로 연결되는지 그 메커니즘을 실증적으로 규명하고자 한다. 분석은 기술 지식 구조, 기술 특허, 기업 수준 등 세 가지 다양한 수준에서 분석하였다.
첫 번째 에세이는 과학 지식이 AI 기술로 전환되는 지식 상호작용이 기술 구조적인 구분에 따라서 다르게 나타남을 탐구한다. 네트워크 중심성 분석으로 AI 기술을 core 기술과 brokerage 기술로 구분하고, 각 초록을 대상으로 의미 기반 토픽 모델링(BERTopic), 생성형 AI를 통한 토픽 라벨링 등을 통해, 기술 특허와 과학 논문의 토픽을 비교하고 지식 흐름을 유형화하였다. 분석결과, core 기술은 과학 지식 개념이 그대로 기술 지식으로 구현되는 특징을 보였고, brokerage 기술은 기술 주도로 필요한 과학 지식을 활용하는 지식 흐름 유형이 나타났다.
두 번째 에세이는 특허 수준에서, AI 기술 지식 네트워크 내에서core 혹은 brokerage 기술 구조적 위치에 있는 특허가 과학 논문을 기반으로 할 때, 어떤 유형의 혁신이 나타나는지 분석하였다. 특허와 인용된 논문 초록의 의미론적 유사도로 기술의 과학 기반 정도를 측정하고, 네트워크 분석으로 특허의 구조적 위치를 수치화하였으며, 특허의 서지 정보를 분석하여 파괴적 혁신과 다양성 혁신의 정도를 정량화하였다. 도출된 수치로 회귀분석한 결과, core 기술에서 과학을 기반으로 할수록 파괴적 혁신을 창출할 가능성이 더 높았다. 반면, brokerage 기술에서 과학을 활용하면 기술적 다양성이 감소하는 경향을 보였다. 이러한 결과는 과학 지식이 혁신에 미치는 영향력이 기술 네트워크의 구조적 위치에 따라 달라짐을 보여준다.
세 번째 에세이는 분석 범위를 기업 조직 수준으로 확장하여, 기업의 특허 출원에서 과학 지식에 대한 활용도가 기술적 참신함을 창출할 때, 기업이 가진 기술 구조적 역량이 해당 관계를 매개하는지 살펴본다. 기업이 출원한 특허와 인용된 과학 논문 간의 의미적 유사도로 기업이 얼마나 과학지식을 활용하는지 측정하였고, 네트워크 분석에서 특정 CPC에 대한 기업의 기여도로 기업의 기술 구조적 역량을 정량화하였으며, 기업 특허에서 새로운 CPC의 등장 여부로 혁신의 참신함을 분석했다. 회귀분석 결과, 과학 지식은 기업의 기술 구조적 역량에 따라 참신한 혁신을 창출하는 정도가 다른 것으로 나타났다. Core 기술에 구조적 역량을 가진 기업은 과학 지식을 활용해 기업과 산업 차원 모두에서 기술 개발의 참신성을 달성하였고, brokerage 기술 구조적 역량을 가진 기업은 기업 차원의 기술 개발 참신성을 창출하는데에만 과학지식이 유효한 역할을 했다.
종합적으로, 본 논문은 과학 지식 기반의 기술 혁신을 이해하기 위한 통합적인 분석 프레임워크를 제시하였다. 또한 과학 지식과 기술 지식의 상호작용이 혁신을 창출하는 단일한 조건이 아니라, 기술 지식 조합의 구조적 위치에 따라 효과가 달라지는 과정으로 기존 개념을 확장한다. 따라서 본 연구는 지식 재조합, 기업의 지식 흡수역량, 과학 지식과 혁신의 관계에 관한 기존 문헌에 기여하였다. 실질적으로 과학의 혁신에 대한 영향력을 극대화하기 위해서는, 기술적, 조직적 구조 속에서 어떻게 재조합되고, 전략적으로 통합되는가에 달려있음을 보여준다. 본 연구의 결과는, 빠르고 폭넓게 성장하는 AI와 같은 분야에서 과학 지식의 활용과 기술 구조적 위치를 정렬함으로써, 혁신 성과를 창출하고자 하는 기업과 정책 입안자에게 실질적인 통찰을 제공한다.

다국어 초록 (Multilingual Abstract)

Scientific knowledge serves as a foundational source of technological innovation by generating new ideas and shaping the direction of technological development. However, its effects are not uniform; rather, the extent and form of its influence vary across technological, industrial, and organizational contexts. This heterogeneity emerges because different environments enable or require distinct modes of knowledge recombination. Even within the same technological domain, structurally divergent patterns of knowledge integration can arise, yielding different innovation outcomes. In particular, a clear structural contrast exists between core technological domains, where knowledge recombination is concentrated and cohesive, and application-oriented or diffusion domains, where heterogeneous recombination is more prevalent. This study conceptualizes these two structural domains as core and brokerage technologies and investigates how the innovation effects of scientific knowledge differ depending on a technology’s structural position. Through this approach, the study seeks to uncover generalizable mechanisms of science-driven innovation that extend beyond specific technological or industrial contexts.
The transformation of scientific knowledge into technological innovation can be empirically observed in the linkage between patents and scientific publications, particularly when patents cite scientific articles. Leveraging this citation-based connection, the study examines science-to-technology interactions using artificial intelligence (AI) as the empirical setting. AI represents a paradigmatic case in which scientific knowledge is rapidly translated into algorithms, models, and systems that deliver major technological advances. Despite the recent surge of progress, AI faces persistent challenges, including implementation lag, computational bottlenecks, and increasing burden of knowledge. These challenges highlight the need for a more nuanced understanding of the conditions and mechanisms under which innovation emerges. Moreover, AI is characterized by the simultaneous expansion of core technologies and diffusion into adjacent domains, accompanied by active knowledge recombination. This makes the distinction between core and brokerage technologies especially salient. Accordingly, this study combines AI patents filed between 2002 and 2021 with the scientific publications they cite to examine how scientific knowledge is recombined within core and brokerage technologies and how these processes shape innovation outcomes. The analysis spans three levels: the technological knowledge structure, the patent level, and the organizational level.
The first essay analyzes how the patterns of knowledge interaction that transform scientific knowledge into AI technologies differ depending on technological structural positions. Using network centrality measures, AI technologies are classified into core and brokerage categories. Semantic topic modeling (BERTopic) and generative AI–based topic labeling are applied to the abstracts of patents and scientific articles to compare topical structures and develop a typology of science-to-technology knowledge flows. The results show that core technologies tend to directly embed scientific concepts into technological knowledge, whereas brokerage technologies rely more selectively on scientific knowledge, drawing from it when necessary to meet technological demands.
The second essay investigates which types of innovation arise at the patent level when core and brokerage technologies draw on scientific knowledge. The degree of science-based knowledge is measured through the semantic similarity between patent abstracts and the abstracts of their cited scientific publications, while structural positions are quantified using network analysis. Patent bibliographic data are used to assess disruptive and diversity-oriented innovation. Regression analyses reveal that stronger reliance on scientific knowledge increases the likelihood of disruptive innovation within core technologies. In contrast, in brokerage technologies, scientific knowledge is associated with reduced technological diversity. These findings demonstrate that the effects of scientific knowledge on innovation outcomes depend on a technology’s structural position in the knowledge network.
The third essay extends the analysis to the firm level by examining whether a firm’s technological structural capability mediates the relationship between its use of scientific knowledge in patenting and its generation of technological novelty. Firms’ reliance on scientific knowledge is measured through semantic similarity between their patents and their cited scientific articles. Technological structural capability is assessed by the distribution of patents across CPC classes weighted by network centrality, and technological novelty is evaluated by detecting the emergence of new CPC classes in firm-level patent portfolios. The results indicate that the innovation-enhancing effects of scientific knowledge vary according to firms’ structural positions. Firms concentrated in core technologies achieve technological novelty at both the firm and industry levels when leveraging scientific knowledge, whereas brokerage-oriented firms predominantly realize novelty within the firm rather than at the industry level.
Overall, this dissertation proposes an integrated analytical framework for understanding science-based technological innovation. It advances existing perspectives by showing that the interaction between scientific knowledge and technological development does not operate under uniform conditions but unfolds through differentiated processes shaped by structural positions in the technological knowledge network. The findings contribute to the literature on knowledge recombination, absorptive capacity, and science-based innovation by emphasizing that the innovative value of scientific knowledge depends on how it is recombined and strategically embedded within technological and organizational structures. Substantively, the study offers practical insights for firms and policymakers seeking to enhance innovation outcomes by aligning the use of scientific knowledge with technological structural positions, particularly in rapidly evolving domains such as artificial intelligence.

목차 (Table of Contents)

• Abstract iii
• Contents viii
• List of Tables xi
• List of Figures xii
• Chapter 1. Introduction 1
• 1.1 Background 1
• 1.2 Research objectives 4
• 1.3 Research outline 6
• Chapter 2. Literature Review 9
• 2.1 Science–technology knowledge interaction 9
• 2.2 Science-based technology innovation 12
• 2.3 Structural perspective on knowledge recombination 15
• Chapter 3. Structural Patterns of Science–Technology Knowledge Interaction in AI 18
• 3.1 Introduction 18
• 3.2 Literature review 21
• 3.2.1 Science-technology knowledge interaction 21
• 3.2.2 Science-technology knowledge interaction in AI 25
• 3.3 Methodology 29
• 3.3.1 Data 29
• 3.3.2 Methodology 32
• 3.4 Results 40
• 3.4.1 Network analysis 40
• 3.4.2 BERTopic modeling and labeling 42
• 3.4.3 Additional analysis 52
• 3.5 Discussion 61
• 3.5.1 Conclusion 61
• 3.5.2 Implications 62
• 3.5.3 Limitations and Future Research 64
• Chapter 4. Innovation Outcomes of Science–Technology Knowledge Interaction in AI 66
• 4.1 Introduction 66
• 4.2 Literature review 70
• 4.2.1 Structural position and technological disruptiveness 70
• 4.2.2 Structural position and technological diversity 72
• 4.2.3 Moderating role of science-technology knowledge interaction 73
• 4.3 Methodology 77
• 4.3.1 Data 77
• 4.3.2 Research framework 79
• 4.3.3 Variables 81
• 4.3.4 Empirical model 87
• 4.4 Results 90
• 4.4.1 Network analysis 90
• 4.4.2 Embedding based similarity analysis 92
• 4.4.3 Regression analysis 93
• 4.4.4 Robustness check 104
• 4.5 Discussion 107
• Chapter 5. Firm Innovation from Science–Technology Knowledge Interaction in AI 110
• 5.1 Introduction 110
• 5.2 Literature review 114
• 5.2.1 Scientific knowledge and technological novelty 114
• 5.2.2 Scientific knowledge and technological novelty across structural capacity 117
• 5.2.3 Mediating role of firm’s technology structural capacity 121
• 5.3 Methodology 124
• 5.3.1 Data 124
• 5.3.2 Research framework 128
• 5.3.3 Variables 129
• 5.3.4 Empirical model 140
• 5.4 Results 143
• 5.4.1 Descriptive statistics 143
• 5.4.2 Regression analysis 145
• 5.5 Discussion 151
• 5.5.1 Conclusion 151
• 5.5.2 Implications 154
• Chapter 6. Conclusion 157
• 6.1 Summary 157
• 6.2 Contributions 159
• 6.3 Limitations and future research 160
• Bibliography 162
• Appendix 1. Query strategies for AI patents 185
• Appendix 2. Topic keywords from BERTopic modeling 188
• Appendix 3. Topics from label generation 192
• Appendix 4. Topic keywords from BERTopic modeling (10-years periods) 196
• Appendix 5. Topics from label generation (10-years periods) 198
• Appendix 6. Representative patents and their cited scientific publications by category (Period 4: 2017–2021) 200
• Appendix 7. Topic keywords from BERTopic modeling 202
• Abstract (Korean) 203