New quantitative methods for science and technology analysis

Call for paper – 

Special Issue  Revue d’Economie Industrielle 

New quantitative methods for science and technology  analysis 

Guest editors:

Stefano BIANCHINI (BETA, université de Strasbourg)

Jean‐Marc DELTORN (CEIPI‐BETA, université de Strasbourg)  

Dominique GUELLEC (OST)

Julien PENIN (BETA, université de Strasbourg) 

Context and aims of the special issue 

Recent advances in access to data and information processing techniques are revolutionizing  data‐based methods in social sciences and humanities. Among the most advanced techniques  are machine  learning,  text analysis  (Natural  Language  Processing – NLP),  image and  graph  analysis. These methods make it possible not only to process very large data sets (Big Data)  but also to use new, unstructured sources of information.  In  the  field  of  economics  of  innovation  and  industrial  organization,  patent  and  scientific  publication data have been used for several decades in empirical research. Their advantages  and disadvantages are now well known. With the new methods available, researchers can now  overcome several limitations and thus improve existing indicators (e.g., technology diffusion),  design new ones (e.g., novelty) and supplement data with alternative sources, often through  web scraping techniques.  Data‐driven approaches for science and technology analysis can be extremely powerful, but  need to be well understood if their potential is to be fully exploited and their pitfalls avoided.  For  that  purpose, more experience  needs  to  be  accumulated  and  its  results  shared  in  the  community of researchers.  In  this context,  the objective of  this special issue is  to bring  together a selection of studies  using new quantitative methods for exploiting patent data, scientific publications and others.  Articles  can  reflect  both  methodological  research  on  new  quantitative  techniques,  or applications  of  these  techniques  to  specific  issues  in  economics,  management  or  other  approaches to science and technology.  Due to the novelty of these techniques, we welcome early, exploratory research, as well as  interdisciplinary  research  conducted  with,  for  instance,  linguists,  computer  scientists,  engineers, etc.

Suggested topics : 

Submitted papers should deal with the following topics (list not exhaustive, other topics are  welcome):  ‐ Methodological issues related to the use of machine learning, NLP or graph analysis  with patent, scientific publication data or others (Aristodemou & Tietze, 2018;  Balsmeier et al., 2018);  ‐ How new quantitative methods impact technology forecasting (Lee et al., 2018)  and/or market sector dynamics forecasting (von Hippel & Kaulartz, S., 2020);  ‐ How new quantitative methods improve our understanding of the innovation process  (Cockburn et al., 2018; Feng, 2020; Guerzoni et al., 2020; von Hippel and Cann, 2020)  ‐ How new quantitative methods impacts science and its relations with industry  (Bianchini et al., 2020);  ‐ How new quantitative methods contribute to design new indicators and improve the  measurement of innovation (Fredström et al., 2021)  ‐ How new quantitative methods can improve design, monitoring and evaluation  practices of public policy? 

Timing and submission process 

‐ October 31, 2021: Submission of article proposals (full versions)  ‐ January 2022: Return of the first evaluation  ‐ May 2022: Submission of the modified versions  ‐ End of 2022: Publication of the special issue  Authors are asked to send an intention of submission (title and abstract of the proposal) to  the editors of the special issue before June 18, 2021 (contact: penin@unistra.fr) 

Proposals for articles should be submitted on the platform: 

https://journals.sfu.ca/rei/index.php/rei  Authors must select the tab "New quantitative methods for science and technology analysis"  as the journal section's choice (step 1 of the submission process).  Articles must be submitted in English. 

References 

Aristodemou, L., & Tietze, F. (2018). The state‐of‐the‐art on Intellectual Property Analytics  (IPA): A literature review on artificial intelligence, machine learning and deep learning  methods for analysing intellectual property (IP) data. World Patent Information, 55, 37‐51.  Balsmeier, B., Assaf, M., Chesebro, T., Fierro, G., Johnson, K., Johnson, S., ... & Fleming, L.  (2018). Machine learning and natural language processing on the patent corpus: Data, tools,  and new measures. Journal of Economics & Management Strategy, 27(3), 535‐553.  Bianchini, S., Müller, M., & Pelletier, P. (2020). Deep Learning in Science. arXiv preprint  arXiv:2009.01575. Cockburn, I. M., Henderson, R., & Stern, S. (2018). The impact of artificial intelligence on  innovation (No. w24449). National bureau of economic research.  Feng, S. (2020). The proximity of ideas: An analysis of patent text using machine  learning. PloS one, 15(7), e0234880.  Fredström, A., Wincent, J., Sjödin, D., Oghazi, P., & Parida, V. (2021). Tracking innovation  diffusion: AI analysis of large‐scale patent data towards an agenda for further  research. Technological Forecasting and Social Change, 165, 120524.  Guerzoni, M., Nava, C. R., & Nuccio, M. (2020). Start‐ups survival through a crisis. Combining  machine learning with econometrics to measure innovation. Economics of Innovation and  New Technology, 1‐26.  Lee, C., Kwon, O., Kim, M., & Kwon, D. (2018). Early identification of emerging technologies:  A machine learning approach using multiple patent indicators. Technological Forecasting and  Social Change, 127, 291‐303.  von Hippel, E., & Kaulartz, S. (2020). Next‐generation consumer innovation search:  Identifying early‐stage need‐solution pairs on the web. Research Policy, 104056.  von Hippel, C. D., & Cann, A. B. (2020). Behavioral innovation: Pilot study and new big data  analysis approach in household sector user innovation. Research Policy, 103992.