Evaluating the disruption of COVID-19 on AI innovation using patent filings
Notice bibliographique
Résumé
Economists have long recognized that technological innovation is a key contributor to economic growth due to its impact on productivity. In this paper, we explore the impact of COVID-19 on innovation in artificial intelligence (AI) to better understand future effects on economic growth and productivity. Using patents as a measure of innovation and knowledge production, we analyze monthly patent application filing data from January 2015 to June 2021 to compare and assess trends. Past research has shown that growth in patents in the fields of AI have accelerated since 2012, with 6.5 times more annual filings occurring from 2006 to 2017. Here, we focus specifically on determining if the pandemic has had an impact on this acceleration in AI-related innovation. To accomplish this task we must confront the challenge in using up-to-date patent data for this kind of analysis due to the fact that there are considerable time lags associated with patent filing dates and their ultimate publication dates. In real-time situations such as COVID-19, it is, therefore, difficult to ascertain impact using the publicly available patenting data directly. In this paper, we propose a novel approach for examining existing and up-to-date publicly available patent filing data and use that method to gain new insights into the pandemic’s effects on AI-related innovation. Our findings suggest that the pandemic has had a slowing impact on the rate of innovation in these areas but that the downturn may be reversing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».