Laufende Forschungsprojekte

Beihilfen für Forschungsprojekte 2021

Die folgenden fünf Forschungsprojekte wurden 2021 zur Förderung vorgeschlagen.

"From scientific clusters to emerging technologies"

Dieses Projekt hat zum Ziel, spezifische Charakteristika in wissenschaftlichen Clustern zu identifizieren, die deren späteren Einfluss auf technologische Entwicklungen signalisieren. Zu diesem Zweck werden 1. quantitative Methoden der semantischen Analyse und Grafikeinbettung eingesetzt und auf wissenschaftliche Publikationen und Patentdaten angewandt, 2. fallspezifische Monografien auf verschiedenen wissenschaftlichen Gebieten (z. B. maschinelles Lernen, Krebs, mRNA, Cybersicherheit, CRISPR, Quanteninformatik) erstellt und 3. spezifische Charakteristika wissenschaftlicher Entdeckungen gemessen und untersucht, die deren spätere Auswirkungen beeinflussen könnten. Die Projektergebnisse werden einen analytischen Bericht sowie ein Toolkit umfassen, mit dem sich die potenziellen Auswirkungen spezifischer wissenschaftlicher Publikationen auf eine Technologie bewerten lassen.

Federführender Antragsteller	Federführendes Institut	Forschungsbereich
Dominique Guellec	Observatoire des Sciences et Techniques - Hcéres, Paris (FR)	Schwerpunktbereich A: Messung des Einflusses wissenschaftlicher Forschung auf den globalen technologischen Wandel

 

"Tracing the flow of knowledge from science to technology using deep learning"

Die Anführungen von Patenten in wissenschaftlichen Publikationen werden in der Regel als Indikatoren potenzieller Wissenstransfers interpretiert. Anführungen sind aber manchmal aus vielerlei Gründen problematisch, während bei textbasierten Alternativen Informationen verloren gehen und die Skalierbarkeit eingeschränkt ist. Wir schlagen daher vor, die semantische Ähnlichkeit zwischen Patenten und wissenschaftlichen Publikationen auszuschöpfen und die neuesten Fortschritte im Bereich des maschinellen Lernens zu nutzen. Unsere Lösung verwendet Transformer-Modelle, die semantisch ähnliche Dokumente identifizieren. Ein Patent, das einer früheren wissenschaftlichen Publikation sehr ähnlich ist, könnte von ihr beeinflusst worden sein. Mit unserem skalierbaren Ansatz können große Textmengen verarbeitet werden. Nach der semantischen Verknüpfung von Dokumenten werden aus den Daten Rückschlüsse darauf gezogen, wie wissenschaftliche Erkenntnisse sich in Publikationen und Patenten verbreiten und in Letzteren niederschlagen.

Federführender Antragssteller	Federführendes Institut	Forschungsbereich
Dietmar Harhoff	Max-Planck-Institut für Innovation und Wettbewerb, München (DE)	Schwerpunktbereich A: Messung des Einflusses wissenschaftlicher Forschung auf den globalen technologischen Wandel

"ViP@Scale: Visual and multimodal patent search at scale"

Aktuelle Abfragesysteme für die Patentrecherche stützen sich bei der Suche nach ähnlichen Dokumenten hauptsächlich auf Textinhalte. Die Forschung zur Nutzung der visuellen Inhalte in Abbildungen, z. B. in Diagrammen und schematischen Zeichnungen, oder sogar einer Kombination von Text und Bildern in Patenten ("multimodale Recherche") ist noch begrenzt. Ein rein multimodaler Ansatz verspricht jetzt jedoch Abhilfe bei bekannten Problemen der Patentrecherche, wie sie z. B. durch die sich ständig ändernde Terminologie der technologischen Entwicklung entstehen. Das vorgeschlagene Projekt untersucht und erweitert modernste Technologien zur Informationsextraktion und Ähnlichkeitssuche in Patentdatenbanken, der Schwerpunkt liegt dabei auf Deep-Learning-Techniken unter Verwendung umfangreicher Datensätze. Übergeordnetes Ziel ist es, Bildinformationen in Patenten zu nutzen und sie für ein optimiertes Abfrageergebnis mit Textinhalten zu verbinden.

Federführender Antragsteller	Federführendes Institut	Forschungsbereich
Ralph Ewerth	Leibniz Informationszentrum Technik und Naturwissenschaften, Hannover (DE)	Schwerpunktbereich B: Multimodale Informationserschließung

"Smart Learning and Assessment System (SLASys): Conceiving an innovative digital training system for intellectual property"

Zur Unterstützung der Studierenden stehen zahlreiche technologiebasierte Systeme zur Verfügung. Einige davon helfen im Lernprozess, indem sie Lernressourcen vorschlagen oder Maßnahmen empfehlen. Andere Systeme unterstützen in der Beurteilungsphase durch Feedback oder indem sie den Lernfortschritt überwachen und den besten Lernpfad für einen erfolgreichen Kursabschluss empfehlen. Wie gut die jeweiligen Funktionen geeignet sind, hängt von den Studierenden und den Kursanforderungen ab. Dieses Projekt hat folgende Ziele:

• Definition eines intelligenten Lernsystems, das mithilfe von Techniken der künstlichen Intelligenz zu einem erfolgreichen Lernprozess bei IP-Schulungen verhilft
• Definition der besten automatischen Bewertungsstrategie und Lernressourcen für ein automatisches Feedback-System
• Konzeption eines Chatbots, um die Interaktion zwischen Dozent und Studierenden zu simulieren

Federführender Antragsteller	Federführendes Institut	Forschungsbereich
David Baňeres	Universität Oberta de Catalunya, Barcelona (ES)	Schwerpunktbereich C: Relevanz intelligenter Tutorensysteme in der Aus- und Weiterbildung im IP-Bereich

"DOC-TRACK: STEM Doctoral graduates and inventive activities in four European countries"

Auf der Grundlage von Verzeichnissen elektronischer Doktorarbeiten werden Informationen über die Doktorandinnen und Doktoranden aus Frankreich, Deutschland, den Niederlanden und Spanien den Daten von Patenten und wissenschaftlichen Publikationen zugeordnet. So werden sowohl die Absolventinnen und Absolventen ermittelt, die eine Erfinderlaufbahn einschlagen, als auch diejenigen, die Wissenschaftler/in werden und Artikel veröffentlichen, die dann entweder direkt (Patent -> Publikationszitat) oder indirekt (Patent -> andere Publikationen -> Zitationskette der jeweiligen Publikation) in der Patentliteratur zitiert werden. Die gleichen Informationen werden zu den Betreuern und Betreuerinnen der jeweiligen Arbeiten erhoben. Anschließend werden – allerdings anhand erfindungsrelevanter Publikationen – die Faktoren untersucht, die die Wahrscheinlichkeit beeinflussen, dass eine Erfinderlaufbahn und/oder eine wissenschaftliche Laufbahn eingeschlagen wird. Zu diesen Faktoren gehören neben der geschlechtlichen Identität auch die wissenschaftlichen und innovationsbezogenen Aufzeichnungen der Betreuerinnen und Betreuer. Für Frankreich und Deutschland konzentrieren wir uns insbesondere auch auf die Beiträge ausländischer Absolventinnen und Absolventen.

Federführende Antragstellerin	Federführendes Institut	Forschungsbereich
Catalina Martínez	Spanish National Research Council, IPP-CSIC, Madrid (ES)	Schwerpunktbereich A: Wertschöpfung durch Technologietransfer von Universitäten zur Industrie in Europa