"Les algorithmes d'IA peuvent analyser de grands volumes de publications scientifiques et extraire des informations précieuses"

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 1 : IA et scientométrie

En scientométrie, l'IA peut offrir plusieurs avantages spécifiques, notamment l'analyse des publications, l'analyse des citations, la prévision de l'impact de la recherche, l'analyse de la collaboration, l'analyse des tendances de la recherche et la cartographie des connaissances. Les avantages de l'IA dans ces six sous-domaines (Figure 2) ont été discutés, par exemple dans [21-31].

Ces 12 études démontrent les avantages potentiels et les stratégies d’utilisation des capacités de l’IA en scientométrie. La manière dont l’IA peut améliorer la qualité, l’accessibilité et les processus de collecte de données dans les analyses scientométriques est mise en évidence dans le tableau 1.

Le point principal est que les algorithmes d’IA peuvent analyser de grands volumes de publications scientifiques et extraire des informations précieuses, telles que les noms des auteurs et co-auteurs, les affiliations, les mots-clés et les citations [21, 22]. En conséquence, les chercheurs peuvent avoir un aperçu des modèles de publication, des réseaux de recherche et des collaborations au sein d'un domaine scientifique particulier (32, 33).

De plus, les algorithmes d'IA peuvent analyser les réseaux de citations pour identifier l'impact et l'influence des articles scientifiques, ainsi que les relations entre les différents travaux de recherche [22, 24, 31]. Les chercheurs peuvent utiliser cette méthode pour identifier les articles très cités et influents, voire les belles endormies [34], ainsi que pour comprendre la dynamique de la diffusion des connaissances scientifiques.

Il est intéressant de noter que les techniques d’IA peuvent être utilisées pour prédire l’impact de la recherche scientifique en fonction de divers facteurs, tels que la réputation de l’auteur, la qualité des revues et les modèles de citations [27]. L'analyse des données historiques permet aux modèles d'IA de fournir des informations sur l'impact potentiel de la recherche, permettant ainsi aux chercheurs et aux institutions de déterminer le meilleur plan d'action.

Les réseaux de co-auteurs peuvent être analysés par l'IA pour identifier et comprendre les collaborations de recherche (28, 30). En analysant l’historique des publications, les affiliations des auteurs et les modèles de co-auteurs, l’IA peut aider les chercheurs à identifier les collaborateurs potentiels et les réseaux de recherche, permettant ainsi une meilleure collaboration et un meilleur échange de connaissances.

Afin d'identifier les tendances et les sujets de recherche émergents, l'IA peut analyser une littérature scientifique à grande échelle [23, 26, 35]. Par exemple, en utilisant des techniques de traitement du langage naturel, les algorithmes de l'IA peuvent extraire automatiquement des mots-clés, des sujets et des tendances à partir de publications scientifiques, aider les chercheurs à identifier de nouvelles orientations de recherche et à se tenir au courant des dernières avancées dans leur domaine.

« Enfin », l'IA peut cartographier le paysage des connaissances scientifiques en analysant les relations entre différents articles scientifiques, mots-clés et concepts [25, 29]. En plus de faciliter les revues de littérature, la génération d'hypothèses et la planification de la recherche, cette visualisation permet aux chercheurs de visualiser et de comprendre la structure et l'évolution des connaissances dans un domaine de recherche spécifique.