"En bibliométrie, l'IA peut offrir plusieurs avantages spécifiques, notamment la collecte automatisée de données..."

Tableau des liens

Résumé et introduction

Matériels et méthodes

Résultats

QR 1 : IA et scientométrie

QR 2 : IA et webométrie

QR 3 : IA et bibliométrie

Discussion

QR 4 : L'avenir de la scientométrie, de la webométrie et de la bibliométrie avec l'IA

QR 5 : Considérations éthiques de la scientométrie, de la webométrie et de la bibliométrie avec l'IA

Conclusion, limites et références

QR 3 : IA et bibliométrie

En bibliométrie, l'IA peut offrir plusieurs avantages spécifiques, notamment la collecte automatisée de données, l'analyse des citations, la désambiguïsation des auteurs, l'analyse de la co-auteur, l'analyse de l'impact de la recherche, l'exploration de textes et les systèmes de recommandation (voir Figure 4), comme analysé dans [28-30, 47- 53].

Ces 6 études démontrent les avantages potentiels et les stratégies d'utilisation des capacités de l'IA en bibliométrie. Ils soulignent comment l’IA peut améliorer la qualité, l’accessibilité et les processus de collecte de données dans les analyses bibliométriques (Tableau 3), parmi les principaux résultats.

Il a été démontré que les algorithmes d'IA peuvent collecter automatiquement des données bibliographiques provenant de diverses sources, telles que des bases de données en ligne, des bibliothèques universitaires et des référentiels numériques [21, 49]. Cela fait gagner du temps et des efforts aux chercheurs impliqués dans la collecte de données, leur permettant de se concentrer sur d'autres aspects de l'analyse bibliométrique.

De manière stimulante, l'IA peut analyser les réseaux de citations pour identifier des articles, des auteurs et des revues influents [28, 31], - comme déjà mentionné dans la section « IA et scientométrie ». En examinant les modèles de citation et leurs relations, les algorithmes d’IA peuvent aider les chercheurs à comprendre l’impact et la visibilité des résultats de la recherche, ainsi qu’à identifier les principales tendances et collaborations en matière de recherche.

Il est intéressant de noter que les techniques d’IA peuvent être utilisées pour lever l’ambiguïté des auteurs portant des noms similaires, un problème courant en bibliométrie (47, 53). En analysant les affiliations des auteurs, l’historique des publications et les réseaux de co-auteurs, afin de garantir l’exactitude des analyses bibliométriques, les algorithmes d’IA peuvent identifier efficacement les auteurs portant des noms similaires et les distinguer les uns des autres.

Comme déjà mentionné dans la section « IA et scientométrie », grâce à l'IA, on peut analyser les réseaux de co-auteurs pour identifier les collaborations et les réseaux de recherche [28, 30]. En examinant les modèles et les relations de co-auteur, les algorithmes d’IA peuvent aider les chercheurs à comprendre la dynamique et la structure des collaborations, ainsi qu’à identifier les chercheurs et les équipes de recherche influents. Cela peut également être un avantage au moment du financement.

L'IA peut facilement analyser des indicateurs bibliométriques, tels que le nombre de citations et l'indice h, pour évaluer l'impact et la visibilité de chercheurs individuels, de groupes de recherche et d'institutions [21, 48, 52]. Ce faisant, les algorithmes d’IA peuvent fournir des informations sur la productivité de la recherche, les modèles de citations et l’impact de la recherche au fil du temps, aidant ainsi les chercheurs et les institutions à évaluer la renommée ou les performances de la recherche.

Enfin et surtout, les techniques d'IA, y compris le traitement du langage naturel, peuvent être utilisées pour analyser le contenu textuel des publications de recherche [50, 51]. De cette manière, des mots-clés, des sujets et des sentiments peuvent être extraits de la littérature, en mentionnant également le contrôle du plagiat [54, 55], facilitant ainsi une analyse et une compréhension complètes des résultats de la recherche [56].