In the 21st century, as the problems facing humanity grow, the importance of interdisciplinary research emerged as a solution. As a result, interdisciplinary research projects and support policies have increased, but there is a lack of research on indicators to measure the interdisciplinarity of proposed projects. Previous works measured the interdisciplinarity through two steps; they used a scholarly object model to calculate the distribution and then they measured its interdisciplinarity. However, while earlier scholarly objects use information such as authors or citations separately and previous interdisciplinarity measures shows low value when some salient disciplines are mixed with other disciplines. To tackle the problem, we propose a scholarly object model and an interdisciplinarity measure. This new model organizes types of information jointly through network/sentence embedding. The new interdisciplinarity measure separates certain salient disciplines and calculates the interdisciplinarity based on these disciplines. It can reduce the effect of non-salient disciplines during the calculation step. The experimental results show that using the joint information model can improve the performance of scholarly object classification and the results of the new measure are more similar to the results of human raters than are other measures.
21세기에 들어 인류가 풀어야 할 문제들이 거대해짐에 따라 이를 해결하기 위한 방법으로 융합 연구의 중요성이 부각되었다. 그 결과 융합 연구 사업들과 지원 정책들이 늘어났지만, 제안된 사업들의 융합도를 측정하기 위한 지표의 연구가 부족하였다. 기존 연구들은 학술 개체의 모델링과 융합 지수 계산의 두 단계를 통해 융합도를 측정하였다. 그러나 기존 모델은 학술 개체의 모델링 시에 저자나 인용 등의 정보를 따로 이용하였다는 문제가 있고, 융합 지수는 일부 중요 학제들이 그 외 학제들과 섞여 있는 형태의 융합 연구에서 낮은 융합 지수를 기록하는 문제가 있었다. 이러한 문제점들을 해결하기 위해 학술 개체에 대한 새로운 모델과 융합 지수를 제안한다. 제안하는 학술 개체 모델은 네트워크 표현과 문서 표현 방법을 통해 저자, 인용, 본문의 정보를 벡터화한다. 벡터화 된 정보를 분류기를 통해 학습시키는 것으로 여러 정보들을 같이 사용한 모델링이 가능하다. 새로운 융합 지수는 융합을 이루는 중요 학제들을 분리해낸 후 중요 학제들의 비율들을 고려하여 융합도를 계산한다. 이를 통해 중요하지 않은 학제의 영향을 줄이고 중요 학제들을 대상으로 융합도를 계산할 수 있다. 실험 결과 복수의 정보를 같이 사용하는 것으로 문서를 보다 잘 모델링 할 수 있었으며, 새로운 융합 지수는 일부 학제가 높은 비율을 차지하는 경우와 여러 학제들이 섞인 경우 양쪽에서 기존 지수들보다 사람에 가까운 평가 결과를 보였다.
