DOI: https://doi.org/10.1007/s11192-025-05512-x
تاريخ النشر: 2026-01-17
المؤلف: Siming Deng وآخرون
الموضوع الرئيسي: الملكية الفكرية وبراءات الاختراع
نظرة عامة
تناقش هذه القسم مفهوم التقارب التكنولوجي، الذي يتميز بتقليص الحدود بين المجالات التكنولوجية المختلفة، مما يسهل التكامل والابتكار. يقدم البحث مؤشر التقارب التكنولوجي المعزز بالذكاء الاصطناعي (TCI) المصمم لقياس التقارب على بعدين رئيسيين: العمق والعرض. يتم تقييم العمق باستخدام أوصاف نصية لتصنيف براءات الاختراع الدولية (IPC)، مدعومة ببيانات براءات الاختراع ضمن إطار عمل الرسم البياني غير المتجانس، الذي يتم نمذجته من خلال محولات الرسم البياني غير المتجانس (HGT) وSentence-BERT (SBERT). يتم قياس بعد العرض باستخدام مؤشر تنوع شانون (SDI) لتقييم تنوع التركيبات التكنولوجية الموجودة في براءات الاختراع.
يتم بناء TCI باستخدام طريقة وزن الانتروبيا (EWM) لتعيين أوزان لأبعاد العمق والعرض بناءً على انتروبيا المعلومات الخاصة بها. يتحقق البحث من صحة TCI من خلال مقارنته مع مقاييس التقارب الحالية ويظهر قوته من خلال تحليل الانحدار مقابل مؤشرات جودة البراءة. تكشف تطبيق هذه الإطار على براءات الاختراع الصينية المتعلقة بالتحول المزدوج عن علاقة إيجابية كبيرة بين التقارب التكنولوجي وجودة البراءة، مما يشير إلى أن التقارب الأكبر مرتبط بابتكارات ذات جودة أعلى. تقدم هذه النتائج رؤى حاسمة لسياسات الابتكار واستراتيجيات الصناعة في التنقل عبر التقنيات الناشئة عبر المجالات.
مقدمة
تناقش مقدمة ورقة البحث مفهوم التقارب التكنولوجي، الذي يتميز بدمج المجالات التكنولوجية المختلفة، والذي حظي باهتمام كبير بسبب تداعياته على الابتكار وتطور الصناعة. تشير التحليلات الأخيرة لبيانات براءات الاختراع إلى تزايد التداخل بين قطاعات التكنولوجيا التي كانت منفصلة سابقًا، مما يشير إلى أن التقارب يعزز الابتكارات الرائدة عند تقاطعات المجالات المختلفة. ومع ذلك، فإن قياس الطبيعة متعددة الأبعاد للتقارب التكنولوجي يقدم تحديات منهجية، خاصة في التمييز بين العمق (شدة تكامل المعرفة) والعرض (تنوع المجالات) للتقارب.
لمعالجة هذه التحديات، يقترح المؤلفون مؤشر التقارب التكنولوجي المعزز بالذكاء الاصطناعي (TCI) الذي يدمج التحليل الدلالي وتعلم الرسم البياني غير المتجانس. يجمع هذا المؤشر بين مشفر الجمل القائم على المحولات (Sentence-BERT) مع محول الرسم البياني غير المتجانس (HGT) لقياس كل من أبعاد العمق والعرض للتقارب التكنولوجي بشكل فعال. يتم قياس العمق من خلال عدم التشابه الكوني في مساحة تضمين مدمجة، بينما يتم تقييم العرض باستخدام مؤشر تنوع شانون. يتم التحقق من صحة TCI مقابل مقاييس جودة البراءة، مما يدعم الفرضية القائلة بأن التقارب التكنولوجي الأقوى يرتبط بجودة التكنولوجيا المحسنة. يطبق البحث TCI على براءات الاختراع الصينية المتعلقة بتقنيات التحول المزدوج، التي تمثل التفاعل بين التحولات الرقمية والخضراء، مما يوفر رؤى لصانعي السياسات وقادة الصناعة الذين يسعون للاستفادة من الابتكار الرقمي لتحقيق أهداف الاستدامة.
الطرق
تحدد قسم المنهجية النهج المنهجي المستخدم في البحث. يوضح تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، وإجراءات التحليل. استخدم البحث إطارًا كميًا، حيث تم استخدام طرق إحصائية لتحليل البيانات التي تم جمعها من مصادر متنوعة.
تم تحديد الأدوات والمعدات الرئيسية المستخدمة في القياس، مما يضمن موثوقية وصحة النتائج. يناقش القسم أيضًا الاعتبارات الأخلاقية التي تم أخذها في الاعتبار خلال عملية البحث، مثل الموافقة المستنيرة وسرية معلومات المشاركين. بشكل عام، تم هيكلة المنهجية لتوفير إطار واضح وقابل للتكرار للدراسات المستقبلية في هذا المجال.
النتائج
يقدم قسم النتائج في ورقة البحث أدلة تجريبية تدعم فعالية مؤشر التقارب التكنولوجي (TCI) في تقييم جودة البراءة ضمن سياقات الابتكار في العالم الحقيقي. يقيم البحث علاقة TCI مع مؤشرات جودة البراءة المعروفة، وخاصة المطالبات الأولى والاستشهادات المستقبلية، والتي تعتبر مؤشرات معترف بها للابتكار والجدة التأثير التكنولوجي، على التوالي. تكشف التحليلات عن علاقة إيجابية عامة بين TCI وهذه المؤشرات لجودة البراءة على مر الزمن وعبر أقسام تصنيف براءات الاختراع الدولية (IPC) المختلفة، مما يشير إلى أن قيم TCI الأعلى تتوافق مع تحسين خصائص البراءة. من الجدير بالذكر أن قوة العلاقة قد زادت في السنوات الأخيرة، مما يدل على الأهمية المتزايدة للتقارب التكنولوجي في تشكيل نتائج الابتكار.
تقدم مزيد من التحقق من صحة صلاحية TCI التنبؤية من خلال تحليل الانحدار العادي (OLS)، الذي يظهر علاقات إيجابية ذات دلالة إحصائية بين TCI وكلا من المطالبات الأولى والاستشهادات المستقبلية. تشير النتائج إلى أن براءات الاختراع ذات قيم TCI الأعلى تظهر مزيدًا من الجدة الابتكارية والاعتراف ضمن مجالاتها التكنولوجية. على الرغم من أن قيم R² منخفضة نسبيًا، مما يعكس التباين الفطري لبيانات البراءة، فإن قوة النتائج تتعزز من خلال الدلالة الإحصائية المستمرة عبر نماذج متعددة. بالإضافة إلى ذلك، يحدد البحث اتجاهات متميزة في التقارب التكنولوجي عبر أقسام IPC المختلفة، مع تباين ملحوظ في شدة التقارب. بشكل عام، تؤكد هذه النتائج على فائدة TCI في التقاط أنماط التقارب التكنولوجي في العالم الحقيقي وتعزيز استراتيجيات إدارة الابتكار.
المناقشة
يتناول قسم المناقشة في ورقة البحث مفهوم التقارب التكنولوجي، الذي يدمج المجالات التكنولوجية المختلفة لتعزيز الابتكار. يبرز وجهتين مؤثرتين: تجاوز الحدود، الذي يسهل تبادل المعرفة عبر مجالات متنوعة، وإعادة تركيب المعرفة، الذي يركز على إعادة هيكلة المعرفة الحالية بشكل إبداعي لتوليد حلول جديدة. يجادل البحث بأن كلا المنظورين ضروريان لفهم كيف تساهم تدفقات المعرفة عبر المجالات في التقارب التكنولوجي. بالإضافة إلى ذلك، يميز بين التقارب التكنولوجي والاندماج، حيث يركز الأول على التكامل على مستوى المحفظة والثاني على التشغيل المتبادل على مستوى المكونات.
يتناول القسم أيضًا التحديات في قياس التقارب التكنولوجي، مشيرًا إلى الاعتماد على بيانات البراءات ونظام تصنيف براءات الاختراع الدولية (IPC) للتحليل الفعال. يتم مناقشة أساليب القياس المختلفة، بما في ذلك مؤشرات التنوع وطرق التواجد المشترك، التي تلتقط عرض وتشابه المجالات التكنولوجية. ومع ذلك، يحدد المؤلفون الفجوات في المنهجيات الحالية، خاصة نقص إطار موحد يدمج العرض والعمق للتقارب. لمعالجة هذه القضايا، يقترح البحث مؤشر التقارب التكنولوجي (TCI) الذي يقيم هذه الأبعاد بشكل متزامن باستخدام تقنيات الذكاء الاصطناعي المتقدمة، مما يوفر أداة شاملة لتقييم التقارب التكنولوجي عبر أنظمة الابتكار. يهدف هذا النهج متعدد الأبعاد إلى تعزيز فهم كيفية تفاعل المجالات التكنولوجية وتطورها مع مرور الوقت، مما يسهم في إدارة الابتكار بشكل أكثر فعالية وتطوير السياسات.
القيود
يعترف البحث بعدة قيود قد تؤثر على قابلية تعميم نتائجه حول أنماط التقارب التكنولوجي. بشكل أساسي، يعتمد التحليل التجريبي على براءات الاختراع الصينية المتعلقة بالتحول المزدوج، مما قد يقيّد الصلاحية الخارجية للنتائج. لتعزيز قابلية تطبيق مؤشر التقارب التكنولوجي (TCI)، ينبغي أن تأخذ الأبحاث المستقبلية في الاعتبار توسيع مجموعة البيانات لتشمل معلومات براءات الاختراع وغير براءات الاختراع من أنظمة الابتكار المهمة الأخرى، مثل تلك الموجودة في أوروبا والولايات المتحدة واليابان وكوريا الجنوبية.
بالإضافة إلى ذلك، بينما تظهر تحليلات الانحدار ارتباطات تنبؤية قوية، يقترح المؤلفون أن فهمًا سببيًا أعمق يمكن تحقيقه من خلال استخدام صدمات السياسات الخارجية كتجارب شبه طبيعية. أخيرًا، على الرغم من أن الدراسة الحالية تركز على TCI ضمن إطار التحول المزدوج، فإن استكشاف صلته عبر مجالات متعددة التخصصات يمثل طريقًا قيمًا للبحث المستقبلي.
DOI: https://doi.org/10.1007/s11192-025-05512-x
Publication Date: 2026-01-17
Author(s): Siming Deng et al.
Primary Topic: Intellectual Property and Patents
Overview
This section discusses the concept of technological convergence, characterized by the diminishing boundaries between distinct technological domains, which facilitates integration and innovation. The study introduces an AI-enhanced Technological Convergence Index (TCI) designed to measure convergence along two key dimensions: depth and breadth. The depth is assessed using International Patent Classification (IPC) textual descriptions, augmented by patent metadata within a heterogeneous graph framework, modeled through Heterogeneous Graph Transformers (HGT) and Sentence-BERT (SBERT). The breadth dimension is quantified using the Shannon Diversity Index (SDI) to evaluate the variety of technological combinations present in patents.
The TCI is constructed using the Entropy Weight Method (EWM) to assign weights to the depth and breadth dimensions based on their information entropy. The study validates the TCI by comparing it with existing convergence measures and demonstrates its robustness through regression analysis against patent quality indicators. The application of this framework to Chinese patents related to the twin transition reveals a significant positive correlation between technological convergence and patent quality, indicating that greater convergence is linked to higher-quality innovations. These findings offer critical insights for innovation policy and industry strategies in navigating emerging cross-domain technologies.
Introduction
The introduction of the research paper discusses the concept of technological convergence, characterized by the merging of distinct technological domains, which has garnered significant attention due to its implications for innovation and industrial evolution. Recent analyses of patent data indicate an increasing overlap among previously separate technology sectors, suggesting that convergence fosters breakthrough innovations at the intersections of different fields. However, measuring the multidimensional nature of technological convergence presents methodological challenges, particularly in distinguishing between the depth (knowledge integration intensity) and breadth (diversity across fields) of convergence.
To address these challenges, the authors propose an AI-enhanced Technological Convergence Index (TCI) that integrates semantic analysis and heterogeneous graph learning. This index combines a transformer-based sentence encoder (Sentence-BERT) with a Heterogeneous Graph Transformer (HGT) to effectively measure both depth and breadth dimensions of technological convergence. The depth is quantified through cosine dissimilarity in a fused embedding space, while breadth is assessed using the Shannon Diversity Index. The TCI is validated against patent quality metrics, supporting the hypothesis that stronger technological convergence correlates with enhanced technology quality. The study applies the TCI to Chinese patents related to twin transition technologies, which exemplify the interplay between digital and green transformations, thereby providing insights for policymakers and industry leaders aiming to leverage digital innovation for sustainability goals.
Methods
The methodology section outlines the systematic approach employed in the research. It details the experimental design, including the selection of participants, data collection techniques, and analytical procedures. The study utilized a quantitative framework, employing statistical methods to analyze the data gathered from various sources.
Key instruments and tools used for measurement were specified, ensuring reliability and validity in the results. The section also discusses the ethical considerations taken into account during the research process, such as informed consent and confidentiality of participant information. Overall, the methodology is structured to provide a clear and replicable framework for future studies in the field.
Results
The results section of the research paper presents empirical evidence supporting the effectiveness of the Technological Convergence Index (TCI) in assessing patent quality within real-world innovation contexts. The study evaluates TCI’s correlation with established indicators of patent quality, specifically First Claims and Forward Citations, which are recognized proxies for innovation novelty and technological impact, respectively. The analysis reveals a generally positive correlation between TCI and these patent quality indicators over time and across various International Patent Classification (IPC) sections, suggesting that higher TCI values correspond to improved patent characteristics. Notably, the correlation strength has intensified in recent years, indicating the growing significance of technological convergence in shaping innovation outcomes.
Further validation of TCI’s predictive validity is provided through ordinary least squares (OLS) regression analysis, which demonstrates statistically significant positive relationships between TCI and both First Claims and Forward Citations. The findings indicate that patents with higher TCI values exhibit greater innovative novelty and recognition within their technological domains. Although the R² values are relatively low, reflecting the inherent heterogeneity of patent data, the robustness of the results is underscored by consistent statistical significance across multiple models. Additionally, the study identifies distinct trends in technological convergence across different IPC sections, with notable variability in convergence intensity. Overall, these findings affirm TCI’s utility in capturing real-world technological convergence patterns and enhancing innovation management strategies.
Discussion
The discussion section of the research paper delves into the concept of technological convergence, which integrates distinct technological domains to foster innovation. It highlights two influential perspectives: boundary spanning, which facilitates knowledge exchange across various fields, and knowledge recombination, which emphasizes the creative restructuring of existing knowledge to generate novel solutions. The paper argues that both perspectives are essential for understanding how cross-field knowledge flows contribute to technological convergence. Additionally, it distinguishes between technological convergence and fusion, with the former focusing on portfolio-level integration and the latter on component-level interoperability.
The section also addresses the challenges in measuring technological convergence, noting the reliance on patent data and the International Patent Classification (IPC) system for effective analysis. Various measurement approaches are discussed, including diversity indicators and co-occurrence methods, which capture the breadth and similarity of technological fields. However, the authors identify gaps in existing methodologies, particularly the lack of a unified framework that integrates breadth and depth of convergence. To address these issues, the study proposes a Technological Convergence Index (TCI) that simultaneously evaluates these dimensions using advanced AI techniques, thereby providing a comprehensive tool for assessing technological convergence across innovation systems. This multidimensional approach aims to enhance the understanding of how technological domains interact and evolve over time, ultimately contributing to more effective innovation management and policy development.
Limitations
The study acknowledges several limitations that may affect the generalizability of its findings on technological convergence patterns. Primarily, the empirical analysis is based on Chinese twin transition patents, which may restrict the external validity of the results. To enhance the applicability of the Technological Convergence Index (TCI), future research should consider expanding the dataset to include patent and non-patent information from other significant innovation systems, such as those in Europe, the United States, Japan, and South Korea.
Additionally, while the regression analyses demonstrate strong predictive associations, the authors suggest that a deeper causal understanding could be achieved by utilizing exogenous policy shocks as quasi-natural experiments. Finally, although the current study focuses on TCI within the twin transition framework, exploring its relevance across broader interdisciplinary domains presents a valuable avenue for future inquiry.