„KI kann die Prozesse der Datenerfassung, -analyse, -vorhersage und -auswertung verbessern“

Linktabelle

Zusammenfassung und Einleitung

Materialen und Methoden

Ergebnisse

RQ 1: KI und Szientometrie

RQ 2: KI und Webometrie

RQ 3: KI und Bibliometrie

Diskussion

RQ 4: Zukunft der Szientometrie, Webometrie und Bibliometrie mit KI

RQ 5: Ethische Überlegungen zur Szientometrie, Webometrie und Bibliometrie mit KI

Schlussfolgerung, Einschränkungen und Referenzen

Abschluss

In diesem Bericht betonen wir anhand zahlreicher Beispiele aus der Literatur die Bedeutung und das Potenzial der Integration von KI-Algorithmen in die Szientometrie, Webometrie und Bibliometrie. Der Paradigmenwechsel, den KI-Algorithmen in diesen Bereichen durchlaufen haben, hat nachweislich neue Möglichkeiten für Analysen, Vorhersagen und auf Mustererkennung basierende Empfehlungen eröffnet. Im Rahmen dieser Übersicht trägt das Papier dazu bei, die herausragenden Aussichten und den Wert der Integration von KI in die Szientometrie, Webometrie und Bibliometrie zu unterstreichen, d. h. die Synergien aufzuzeigen, die durch diese Integration erreicht und gefördert werden können.

Kurz gesagt unterstützt KI die Szientometrie, indem sie effiziente und genaue Methoden zur Analyse und Ableitung von Erkenntnissen aus wissenschaftlichen Veröffentlichungen, Zitationsnetzwerken und kollaborativen Beziehungen bereitstellt. Dies soll Forschern ein tieferes Verständnis von wissenschaftlichen Erkenntnissen, Trends und Auswirkungen ermöglichen und so bessere Entscheidungen und Fortschritte in der wissenschaftlichen Forschung ermöglichen. Darüber hinaus verbessert KI die Webometrie, indem sie effiziente und automatisierte Methoden zur Analyse webbasierter wissenschaftlicher Daten, zum Verständnis von Linkstrukturen und sozialen Interaktionen, zur Bewertung der Webauswirkungen und zur Bereitstellung personalisierter Empfehlungen bereitstellt. Dies ermöglicht es Forschern, Einblicke in das webbasierte wissenschaftliche Ökosystem zu gewinnen, Kooperationen zu erleichtern und die Sichtbarkeit und Wirkung der Forschung im digitalen Zeitalter zu verbessern. Darüber hinaus verbessert KI den Tätigkeitsbereich der Bibliometrie, indem sie die Datenerfassung automatisiert, eine genaue Autorendisambiguierung ermöglicht, Zitationsnetzwerke analysiert, die Forschungsauswirkungen bewertet und personalisierte Empfehlungen bereitstellt. Dies ermöglicht es Forschern, Einblicke in die wissenschaftliche Kommunikation zu gewinnen, die Forschungsleistung zu bewerten und fundierte Entscheidungen in ihren bibliometrischen Analysen zu treffen. Insgesamt stellt KI einen effizienten und skalierbaren Ansatz für Szientometrie, Webometrie und Bibliometrie dar, der es Forschern ermöglicht, aus umfangreichen und vielfältigen Quellen wissenschaftlicher Informationen aussagekräftige Erkenntnisse zu gewinnen.

Zusammenfassend lässt sich sagen, dass die Integration künstlicher Intelligenz (KI) in die Szientometrie, Webometrie und Bibliometrie erhebliches Potenzial für die Weiterentwicklung der Forschung und des Verständnisses in diesen Bereichen bietet. KI kann die Prozesse der Datenerfassung, -analyse, -vorhersage und -auswertung verbessern, Forschern wertvolle Erkenntnisse liefern und Entscheidungsprozesse verbessern.

Der Einsatz von KI in diesen Bereichen wirft jedoch auch wichtige ethische Fragen auf, die sorgfältig behandelt werden müssen. Datenschutz und -sicherheit, Voreingenommenheit und Fairness, Transparenz und Erklärbarkeit, Rechenschaftspflicht und Verantwortung, informierte Zustimmung, Auswirkungen auf Beschäftigung und Gesellschaft sowie kontinuierliche Überwachung und Bewertung gehören zu den wichtigsten ethischen Überlegungen, die berücksichtigt werden sollten. Um den verantwortungsvollen und ethischen Einsatz von KI sicherzustellen, sind interdisziplinäre Zusammenarbeit, die Einbindung der Interessengruppen und eine kontinuierliche Bewertung von entscheidender Bedeutung. Forscher, politische Entscheidungsträger, Ethiker und Interessengruppen aus verschiedenen Bereichen sollten zusammenarbeiten, um Richtlinien, Rahmenbedingungen und bewährte Verfahren zu entwickeln, die den ethischen Einsatz von KI in der Szientometrie, Webometrie und Bibliometrie fördern. Indem wir diese ethischen Überlegungen berücksichtigen, können wir das volle Potenzial der KI nutzen, um das Wissen zu erweitern, Forschungspraktiken zu verbessern und zur Verbesserung der Gesellschaft beizutragen, während wir gleichzeitig Fairness, Transparenz und Rechenschaftspflicht beim Einsatz dieser Technologien gewährleisten.

Einschränkungen

In dieser speziellen Studie haben wir weder die graue Literatur in unseren Such- und Überprüfungsprozess einbezogen, noch haben wir manuell in Google Scholar gesucht. Stattdessen wollten wir uns auf die Suche in zuverlässigen Datenbanken konzentrieren. Obwohl Google Scholar oft als Datenbank bezeichnet wird, handelt es sich tatsächlich um eine Suchmaschine, die möglicherweise keine hochwertigen Artikel enthält und nur zuverlässige Studien abruft. Indem wir nicht in Google Scholar suchten, wollten wir die Anzahl sich überschneidender Studien minimieren.

Es ist jedoch wichtig anzumerken, dass dieser hochtechnische Ansatz möglicherweise dazu geführt hat, dass bestimmte Artikel übersehen wurden, was bedauerlicherweise dazu führen könnte, dass in unserer Studie relevante Informationen fehlen. Wir sind der Ansicht, dass wir bis zum Zeitpunkt des Schreibens und Einreichens dieses Artikels viele Auslassungen vermeiden konnten. Für zukünftige Studien kann es jedoch von Vorteil sein, eine umfassende Überprüfung durchzuführen, die die graue Literatur einschließt, um den Lesern eine breitere Perspektive zu bieten.

Verweise

1. Darko A, Chan AP, Adabre MA, Edwards DJ, Hosseini MR, Ameyaw EE. Künstliche Intelligenz in der AEC-Branche: Szientometrische Analyse und Visualisierung von Forschungsaktivitäten. Automatisierung im Bauwesen. 2020;112:103081.

   
   

2. Park S, Park HW. Eine webometrische Netzwerkanalyse der Merkmale elektronischer Mundpropaganda (eWOM) und ein maschineller Lernansatz für Verbraucherkommentare während einer Krise. Profesional de la Información. 2020;29(5).

   
   

3. Van Raan A. Szientometrie: Stand der Technik. Szientometrie. 1997;38(1):205-18.

   
   

4. Bharvi D, Garg K, Bali A. Scientometrics der internationalen Zeitschrift Scientometrics. Scientometrics. 2003;56(1):81-93.

   
   

5. Thelwall M, Vaughan L, Björneborn L. Webometrics. Jahresbericht der Informationswissenschaft und -technologie. 2005;39(1):81-135.

   
   

6. Björneborn L, Ingwersen P. Perspektive der Webometrie. Szientometrie. 2001;50:65-82.

   
   

7. McBurney MK, Novak PL, Herausgeber. Was ist Bibliometrie und warum ist sie für Sie wichtig? Tagungsband der IEEE International Professional Communication Conference; 2002: IEEE.

8. Cooper ID. Grundlagen der Bibliometrie. Journal of the Medical Library Association: JMLA. 2015;103(4):217.

   
   

9. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S, et al. Künstliche Intelligenz: Ein leistungsstarkes Paradigma für die wissenschaftliche Forschung. Die Innovation. 2021;2(4).

   
   

10. Melnikova E. Big-Data-Technologie im Methoden- und Mittelspektrum der wissenschaftlichen Forschung in der modernen Szientometrie. Wissenschaftliche und technische Informationsverarbeitung. 2022;49(2):102-7.

    
    

11. Tapeh ATG, Naser M. Künstliche Intelligenz, maschinelles Lernen und Deep Learning im Bauingenieurwesen: eine szientometrische Übersicht über Trends und bewährte Verfahren. Archives of Computational Methods in Engineering. 2023;30(1):115-59.

    
    

12. Saeidnia H. Verwendung von ChatGPT als digitaler/intelligenter Referenzroboter: Welchen Einfluss kann ChatGPT auf digitale Referenzdienste haben? Information Matters. 2023;2(5).

    
    

13. Saeidnia H. Open AI, ChatGPT: Sein oder Nichtsein, das ist hier die Frage. Information Matters. 2023;3(6).

    
    

14. Yuan S, Shao Z, Wei X, Tang J, Hall W, Wang Y, et al. Die Wissenschaft hinter der KI: Die Entwicklung von Trend, Mobilität und Zusammenarbeit. Szientometrie. 2020;124:993-1013.

    
    

15. Chaudhuri N, Gupta G, Vamsi V, Bose I. Auf der Plattform, aber werden sie kaufen? Vorhersage des Kaufverhaltens von Kunden mit Deep Learning. Entscheidungsunterstützungssysteme. 2021;149:113622.

    
    

16. G. Martín A, Fernández-Isabel A, Martín de Diego I, Beltrán M. Eine Umfrage zur Benutzerverhaltensanalyse basierend auf Techniken des maschinellen Lernens: aktuelle Modelle und Anwendungen. Angewandte Intelligenz. 2021;51(8):6029-55.

    
    

17. Saeidnia HR. Ethische künstliche Intelligenz (KI): Bekämpfung von Vorurteilen und Diskriminierung in der Bibliotheks- und Informationsbranche. Library Hi Tech News. 2023;ahead-of-print(ahead-of-print). doi: 10.1108/LHTN-10-2023-0182.

    
    

18. Hain D, Jurowetzki R, Lee S, Zhou Y. Maschinelles Lernen und künstliche Intelligenz für Wissenschaft, Technologie, Innovationsmapping und -prognosen: Überblick, Synthese und Anwendungen. Szientometrie. 2023;128(3):1465-72.

    
    

19. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D, et al. PRISMA-Erweiterung für Scoping Reviews (PRISMA-ScR): Checkliste und Erklärung. Annals of internal medicine. 2018;169(7):467-

20. Epub 2018/09/05. doi: 10.7326/m18-0850. PubMed PMID: 30178033.

    
    

21. Holzmann GJ, Peled DA, Yannakakis M. On nested depth first search. Das Spin Verification System. 1996;32:81-9.

    
    

22. Donthu N, Kumar S, Mukherjee D, Pandey N, Lim WM. So führen Sie eine bibliometrische Analyse durch: Ein Überblick und Richtlinien. Journal of Business Research. 2021;133:285-96.

    
    

23. Caputo A, Kargina M. Eine benutzerfreundliche Methode zum Zusammenführen von Scopus- und Web of Science-Daten während der bibliometrischen Analyse. Journal of Marketing Analytics. 2022;10(1):82-8.

    
    

24. Chen X, Chen J, Cheng G, Gong T. Themen und Trends in der künstlichen Intelligenz unterstützten die Erforschung des menschlichen Gehirns. PLoS One. 2020;15(4):e0231192.

    
    

25. Abrishami A, Aliakbary S. Vorhersage von Zitationszahlen basierend auf Deep-Neural-Network-Learning-Techniken. Journal of Informetrics. 2019;13(2):485-99.

    
    

26. Corea F, Corea F. KI-Wissenskarte: So klassifizieren Sie KI-Technologien. Eine Einführung in Daten: Alles, was Sie über KI, Big Data und Datenwissenschaft wissen müssen. 2019:25-9.

    
    

27. Jebari C, Herrera-Viedma E, Cobo MJ. Die Verwendung von Zitationskontexten zur Erkennung der Entwicklung von Forschungsthemen: eine groß angelegte Analyse. Szientometrie. 2021;126(4):2971-89.

    
    

28. Ma A, Liu Y, Xu X, Dong T. Ein Deep-Learning-basiertes Modell zur Vorhersage der Zitationsanzahl mit semantischen Merkmalen für Metadaten von Artikeln. Scientometrics. 2021;126(8):6803-23.

    
    

29. Maghsoudi M, Shokouhyar S, Ataei A, Ahmadi S, Shokoohyar S. Co-Autorenschafts-Netzwerkanalyse von KI-Anwendungen in nachhaltigen Lieferketten: Wichtige Akteure und Themen. Journal of cleaner production. 2023;422:138472.

    
    

30. Pedro F, Subosa M, Rivas A, Valverde P. Künstliche Intelligenz im Bildungswesen: Herausforderungen und Chancen für eine nachhaltige Entwicklung. 2019.

    
    

31. Ullah M, Shahid A, Roman M, Assam M, Fayaz M, Ghadi Y, et al. Analyse interdisziplinärer Forschung mithilfe von Co-Autorennetzwerken. Komplexität. 2022;2022.

    
    

32. Zhao Q, Feng X. Nutzung der Struktur von Zitationsnetzwerken zur Vorhersage der Anzahl von Papierzitaten: Ein Deep-Learning-Ansatz. Journal of Informetrics. 2022;16(1):101235.

    
    

33. Saeidnia HR, Kozak M, Lund B, Mannuru NR, Keshavarz H, Elango B, et al. Design, Entwicklung, Implementierung und Evaluierung einer mobilen Anwendung für akademische Bibliotheksdienste: Eine Studie in einem Entwicklungsland. Informationstechnologie und Bibliotheken. 2023;42(3).

    
    

34. Soleymani H, Saeidnia HR, Ausloos M, Hassanzadeh M. Selektive Verbreitung von Informationen (SDI) im Zeitalter der künstlichen Intelligenz (KI). Library Hi Tech News. 2023;ahead-of-print(ahead-of-print). doi: 10.1108/LHTN-08-2023-0156.

    
    

35. Fazeli-Varzaneh M, Ghorbi A, Ausloos M, Sallinger E, Vahdati S. Schlafende Schönheiten der Coronavirus-Forschung. Ieee-Zugriff. 2021;9:21192-205.

    
    

36. Ceptureanu S, Cerqueti R, Alexandru A, Popescu D, Dhesi G, Ceptureanu E. Einfluss der Blockchain-Einführung auf Technologietransfer, Leistung und Lieferkettenintegration, Flexibilität und Reaktionsfähigkeit. Eine Fallstudie von mittelständischen IT&C-Unternehmen. Studien in Informatik und Kontrolle. 2021;30(3):61-74.

    
    

37. Amjad S, Younas M, Anwar M, Shaheen Q, Shiraz M, Gani A. Data-Mining-Techniken zur Analyse der Auswirkungen sozialer Medien auf die schulischen Leistungen von Highschool-Schülern. Drahtlose Kommunikation und mobiles Computing. 2022;2022:1-11.

    
    

38. Barclay I, Taylor H, Preece A, Taylor I, Verma D, de Mel G. Ein Rahmenwerk zur Förderung der Transparenz in gemeinsam genutzten Modellen künstlicher Intelligenz durch Erhöhung der Sichtbarkeit von Beiträgen. Parallelität und Berechnung: Praxis und Erfahrung. 2021;33(19):e6129.

    
    

39. Grover P, Kar AK, Dwivedi YK. Den Einsatz künstlicher Intelligenz im Operations Management verstehen: Erkenntnisse aus der Durchsicht akademischer Literatur und Diskussionen in sozialen Medien. Annals of Operations Research. 2022;308(1-2):177-213.

    
    

40. Khder MA. Web Scraping oder Web Crawling: Stand der Technik, Techniken, Ansätze und Anwendung. International Journal of Advances in Soft Computing & Its Applications. 2021;13(3).

    
    

41. Maulud DH, Zeebaree SR, Jacksi K, Sadeeq MAM, Sharif KH. Stand der Technik für die semantische Analyse der Verarbeitung natürlicher Sprache. Wissenschaftliche Zeitschrift Qubahan. 2021;1(2):21-8.

    
    

42. Serafini F, Reid SF. Multimodale Inhaltsanalyse: Erweiterung analytischer Ansätze zur Inhaltsanalyse. Visuelle Kommunikation. 2019:1470357219864133.

    
    

43. Serrano W. Neuronale Netzwerke in Big Data und Websuche. Daten. 2018;4(1):7.

    
    

44. Wang W, Yu L. UCrawler: ein lernbasierter Webcrawler, der eine URL-Wissensdatenbank verwendet. Journal of Computational Methods in Sciences and Engineering. 2021;21(2):461-74.

    
    

45. Wu L, Dodoo NA, Wen TJ, Ke L. Twitter-Gespräche über künstliche Intelligenz in der Werbung auf der Grundlage natürlicher Sprachverarbeitung verstehen. International Journal of Advertising. 2022;41(4):685-702.

    
    

46. Zhang Q, Lu J, Jin Y. Künstliche Intelligenz in Empfehlungssystemen. Komplexe und intelligente Systeme. 2021;7(1):439-57. doi: 10.1007/s40747-020-00212-w.

    
    

47. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S, et al. Künstliche Intelligenz: Ein leistungsstarkes Paradigma für die wissenschaftliche Forschung. Die Innovation. 2021;2(4):100179. doi: https://doi.org/10.1016/j.xinn.2021.100179 .

    
    

48. Abramo G, D'Angelo CA. Wie zuverlässig sind unbeaufsichtigte Algorithmen zur Autoren-Disambiguierung bei der Beurteilung der Leistung von Forschungsorganisationen? Quantitative Wissenschaftsstudien. 2023:1-26.

    
    

49. Al-Jamimi HA, BinMakhashen GM, Bornmann L. Einsatz der Bibliometrie zur Forschungsbewertung in Schwellenländern: eine Überprüfung und Diskussion bibliometrischer Indikatoren. Szientometrie. 2022;127(10):5879-930.

    
    

50. Cox AM, Mazumdar S. Künstliche Intelligenz für Bibliothekare definieren. Journal of Librarianship and Information Science.0(0):09610006221142029. doi: 10.1177/09610006221142029.

    
    

51. Eisenstein J. Einführung in die Verarbeitung natürlicher Sprache: MIT Press; 2019.

    
    

52. Kang Y, Cai Z, Tan CW, Huang Q, Liu H. Natürliche Sprachverarbeitung (NLP) in der Managementforschung: Eine Literaturübersicht. Journal of Management Analytics. 2020;7(2):139-72.

    
    

53. Loan FA, Nasreen N, Bashir B. Spielen Autoren fair oder manipulieren sie den Google Scholar h-Index? Library Hi Tech. 2022;40(3):676-84.

    
    

54. Rehs A. Ein überwachter maschineller Lernansatz zur Autoren-Disambiguierung im Web of Science. Journal of Informetrics. 2021;15(3):101166.

    
    

55. Mohammadzadeh Z, Ausloos M, Saeidnia HR. ChatGPT: High-Tech-Plagiate warten auf grünes Licht für wissenschaftliche Veröffentlichungen. Non-fungible Token (NFT) können ein Ausweg sein. Library Hi Tech News. 2023.

    
    

56. Saeidnia HR, Lund BD. Nicht fungible Token (NFT): eine sichere und effektive Möglichkeit, Plagiate im wissenschaftlichen Publizieren zu verhindern. Library Hi Tech News. 2023;40(2):18-9.

    
    

57. Mrowinski MJ, Fronczak P, Fronczak A, Ausloos M, Nedic O. Künstliche Intelligenz im Peer Review: Wie kann die Evolutionsinformatik Zeitschriftenredakteure unterstützen? PloS one. 2017;12(9):e0184711.

    
    

58. Piva F, Tartari F, Giulietti M, Aiello MM, Cheng L, Lopez-Beltran A, et al. Vorhersage der zukünftigen Krebsbelastung in den Vereinigten Staaten durch künstliche neuronale Netze. Future Oncology. 2020;17(2):159-68.

    
    

59. Brewer R, Westlake B, Hart T, Arauza O. Die Ethik des Web Crawling und Web Scraping in der Cybercrime-Forschung: Umgang mit Fragen der Einwilligung, des Datenschutzes und anderer potenzieller Schäden im Zusammenhang mit der automatisierten Datenerfassung. In: Lavorgna A, Holt TJ, Herausgeber. Erforschung von Cybercrime: Methodologien, Ethik und kritische Ansätze. Cham: Springer International Publishing; 2021. S. 435-56.

    
    

60. Alaidi AHM, Roa'a M, ALRikabi H, Aljazaery IA, Abbood SH. Crawling und Klassifizierung illegaler Aktivitäten im Dark Web mithilfe von Data-Mining-Techniken. iJIM. 2022;16(10):123.

    
    

61. Thomas DM, Mathur S, Herausgeber. Datenanalyse durch Web Scraping mit Python. 2019 3. Internationale Konferenz für Elektronik, Kommunikation und Luft- und Raumfahrttechnologie (ICECA); 2019: IEEE.

    
    

62. Korkmaz M, Sahingoz OK, Diri B, Herausgeber. Erkennung von Phishing-Websites durch URL-Analyse auf Basis maschinellen Lernens. 2020 11. Internationale Konferenz für Computer-, Kommunikations- und Netzwerktechnologien (ICCCNT); 2020: IEEE.

    
    

63. Yuan H, Chen X, Li Y, Yang Z, Liu W, Herausgeber. Erkennen von Phishing-Websites und -Zielen anhand von URLs und Webseiten-Links. 24. Internationale Konferenz zur Mustererkennung (ICPR); 2018: IEEE.

    
    

64. Dutta AK. Erkennen von Phishing-Websites mithilfe von maschinellem Lernen. PloS one. 2021;16(10):e0258361.

    
    

65. Jalil S, Usman M, Fong A. Hochpräzise Phishing-URL-Erkennung basierend auf maschinellem Lernen. Journal of Ambient Intelligence and Humanized Computing. 2023;14(7):9233-51.

    
    

66. Kiesel J, Meyer L, Kneist F, Stein B, Potthast M, Herausgeber. Ein empirischer Vergleich von Algorithmen zur Segmentierung von Webseiten. European Conference on Information Retrieval; 2021: Springer.

    
    

67. Balaji T, Annavarapu CSR, Bablani A. Maschinelle Lernalgorithmen für die Analyse sozialer Medien: Eine Untersuchung. Computer Science Review. 2021;40:100395.

    
    

68. Rietz T. Gestaltung KI-basierter Systeme zur qualitativen Datenerhebung und -analyse. 2021.

    
    

69. Nicholson JM, Mordaunt M, Lopez P, Uppala A, Rosati D, Rodrigues NP, et al. Scite: Ein intelligenter Zitationsindex, der den Kontext von Zitaten anzeigt und ihre Absicht mithilfe von Deep Learning klassifiziert. Quantitative Science Studies. 2021;2(3):882-98.

    
    

70. Mihaljević H, Santamaría L. Disambiguierung von Autor-Entitäten in ADS mithilfe von Methoden des überwachten Lernens und der Graphentheorie. Szientometrie. 2021;126(5):3893-917. doi: 10.1007/s11192-021-03951-w.

    
    

71. Tekles A, Bornmann L. Autorennamen-Disambiguierung bibliometrischer Daten: Ein Vergleich mehrerer unüberwachter Ansätze1. Quantitative Science Studies. 2020;1(4):1510-28. doi: 10.1162/qss_a_00081.

    
    

72. Grodzinski N, Grodzinski B, Davies BM. Können Co-Autorennetzwerke verwendet werden, um die Forschungswirkung von Autoren vorherzusagen? Eine auf maschinellem Lernen basierende Analyse im Bereich der Forschung zur degenerativen zervikalen Myelopathie. Plos one. 2021;16(9):e0256997.

    
    

73. Fonseca Bde P, Sampaio RB, Fonseca MV, Zicker F. Co-Autorenschaftsnetzwerkanalyse in der Gesundheitsforschung: Methode und potenzielle Anwendung. Gesundheitsforschungspolitik und -systeme. 2016;14(1):34. Epub 2016/05/04. doi: 10.1186/s12961-016-0104-5. PubMed PMID: 27138279; PubMed Central PMCID: PMCPMC4852432.

    
    

74. Hancock JT, Naaman M, Levy K. KI-vermittelte Kommunikation: Definition, Forschungsagenda und ethische Überlegungen. Journal of Computer-Mediated Communication. 2020;25(1):89-100.

    
    

75. Safdar NM, Banja JD, Meltzer CC. Ethische Überlegungen zur künstlichen Intelligenz. European Journal of Radiology. 2020;122:108768.

    
    

76. Pratomo AB, Mokodenseho S, Aziz AM. Datenverschlüsselungs- und Anonymisierungstechniken für verbesserte Sicherheit und Privatsphäre in Informationssystemen. West Science Information System and Technology. 2023;1(01):1-9.

    
    

77. Ferrer X, van Nuenen T, Such JM, Coté M, Criado N. Voreingenommenheit und Diskriminierung in der KI: eine interdisziplinäre Perspektive. IEEE Technology and Society Magazine. 2021;40(2):72-80.

    
    

78. Ferrara E. Fairness und Voreingenommenheit in der künstlichen Intelligenz: Eine kurze Übersicht über Quellen, Auswirkungen und Minderungsstrategien. arXiv-Vorabdruck arXiv:230407683. 2023.

    
    

79. Gichoya JW, Thomas K, Celi LA, Safdar N, Banerjee I, Banja JD, et al. KI-Fallstricke und was man nicht tun sollte: Voreingenommenheit in der KI eindämmen. The British Journal of Radiology. 2023:20230023.

    
    

80. von Eschenbach WJ. Transparenz und das Blackbox-Problem: Warum wir KI nicht vertrauen. Philosophie & Technologie. 2021;34(4):1607-22.

    
    

81. Yazdanpanah V, Gerding EH, Stein S, Dastani M, Jonker CM, Norman TJ, et al. Denken über Verantwortung in autonomen Systemen: Herausforderungen und Chancen. AI & SOCIETY. 2023;38(4):1453-64.