"La IA puede mejorar los procesos de recopilación, análisis, predicción y evaluación de datos"

Tabla de enlaces

Resumen e introducción

Materiales y métodos

Resultados

Pregunta 1: IA y cienciometría

Pregunta 2: IA y webmetría

RQ 3: IA y bibliometría

Discusión

Pregunta 4: El futuro de la cienciometría, la webometría y la bibliometría con IA

Pregunta 5: Consideraciones éticas de la cienciometría, la webometría y la bibliometría con IA

Conclusión, limitaciones y referencias

Conclusión

En este informe, enfatizamos la importancia y el potencial de integrar algoritmos de IA con cienciometría, webometría y bibliometría, a través de numerosos ejemplos en la literatura. Se ha demostrado que el cambio de paradigma experimentado por los algoritmos de IA en estos campos ha revelado nuevas posibilidades de análisis, predicción y recomendaciones basadas en minería de patrones. Dentro de esta revisión, el artículo contribuye a subrayar las perspectivas destacadas y el valor de integrar la IA en la cienciometría, la webometría y la bibliometría, es decir, a señalar la sinergia que se puede lograr y fomentar a través de esta integración.

En resumen, la IA ayuda a la cienciometría al proporcionar métodos eficientes y precisos para analizar y obtener conocimientos de publicaciones científicas, redes de citas y relaciones de colaboración. Esto debería permitir a los investigadores obtener una comprensión más profunda del conocimiento, las tendencias y el impacto científicos, facilitando una mejor toma de decisiones y avances en la investigación científica. Además, la IA mejora la webmetría al proporcionar métodos eficientes y automatizados para analizar datos científicos basados en la web, comprender las estructuras de enlaces y las interacciones sociales, evaluar el impacto de la web y proporcionar recomendaciones personalizadas. Esto permite a los investigadores obtener información sobre el ecosistema científico basado en la web, facilitar colaboraciones y mejorar la visibilidad y el impacto de la investigación en la era digital. Además, la IA mejora el campo de actividades de la bibliometría al automatizar la recopilación de datos, proporcionar una desambiguación precisa de los autores, analizar redes de citas, evaluar el impacto de la investigación y brindar recomendaciones personalizadas. Esto permite a los investigadores obtener conocimientos sobre la comunicación académica, evaluar el desempeño de la investigación y tomar decisiones informadas en sus análisis bibliométricos. En general, la IA presenta un enfoque eficiente y escalable para la cienciometría, la webometría y la bibliometría, lo que permite a los investigadores extraer conocimientos significativos de fuentes vastas y diversas de información científica.

En conclusión, la integración de la inteligencia artificial (IA) en la cienciometría, la webometría y la bibliometría tiene un potencial significativo para avanzar en la investigación y la comprensión en estos campos. La IA puede mejorar los procesos de recopilación, análisis, predicción y evaluación de datos, proporcionando a los investigadores conocimientos valiosos y mejorando los procesos de toma de decisiones.

Sin embargo, el uso de la IA en estas áreas también plantea importantes consideraciones éticas que deben abordarse cuidadosamente. Entre las consideraciones éticas clave que deben tenerse en cuenta se encuentran la privacidad y la seguridad de los datos, el sesgo y la equidad, la transparencia y la explicabilidad, la rendición de cuentas y la responsabilidad, el consentimiento informado, el impacto en el empleo y la sociedad, y el seguimiento y la evaluación continuos. Para garantizar el uso responsable y ético de la IA, la colaboración interdisciplinaria, la participación de las partes interesadas y la evaluación continua son cruciales. Investigadores, formuladores de políticas, especialistas en ética y partes interesadas de diversos campos deberían trabajar juntos para desarrollar directrices, marcos y mejores prácticas que promuevan el uso ético de la IA en cienciometría, webmetría y bibliometría. Al abordar estas consideraciones éticas, podemos aprovechar todo el potencial de la IA para promover el conocimiento, mejorar las prácticas de investigación y contribuir al mejoramiento de la sociedad, al tiempo que garantizamos la equidad, la transparencia y la responsabilidad en el uso de estas tecnologías.

Limitaciones

En este estudio en particular, no incluimos la literatura gris en nuestro proceso de búsqueda y revisión, ni realizamos búsquedas manuales en Google Scholar. En cambio, nuestra intención era centrarnos en buscar en bases de datos confiables. Si bien a menudo se hace referencia a Google Scholar como una base de datos, en realidad es un motor de búsqueda que puede no incluir artículos de alta calidad y solo puede recuperar estudios confiables. Al no realizar búsquedas en Google Scholar, nuestro objetivo era minimizar el número de estudios superpuestos.

Sin embargo, es importante señalar que este enfoque altamente técnico puede haber dado lugar a que se pasen por alto ciertos artículos, lo que lamentablemente podría llevar a que nuestro estudio excluya información relevante. Consideramos que hasta el momento de escribir y enviar este documento, nos salvaguardamos contra muchas omisiones. Sin embargo, para estudios futuros, puede ser beneficioso realizar una revisión exhaustiva que incluya la literatura gris, a fin de brindar a los lectores una perspectiva más amplia.

Referencias

1. Darko A, Chan AP, Adabre MA, Edwards DJ, Hosseini MR, Ameyaw EE. Inteligencia artificial en la industria AEC: análisis cienciométrico y visualización de actividades de investigación. Automatización en la Construcción. 2020;112:103081.

   
   

2. Parque S, Parque HW. Un análisis de red webométrico de las características del boca a boca electrónico (eWOM) y un enfoque de aprendizaje automático para los comentarios de los consumidores durante una crisis. Profesional de la Información. 2020;29(5).

   
   

3. Van Raan A. Cienciometría: estado del arte. Cienciometría. 1997;38(1):205-18.

   
   

4. Bharvi D, Garg K, Bali A. Scientometrics de la revista internacional Scientometrics. Cienciometría. 2003;56(1):81-93.

   
   

5. Thelwall M, Vaughan L, Björneborn L. Webometrics. Revisión anual de ciencia y tecnología de la información. 2005;39(1):81-135.

   
   

6. Björneborn L, Ingwersen P. Perspectiva de la webometría. Cienciometría. 2001;50:65-82.

   
   

7. McBurney MK, Novak PL, editores. ¿Qué es la bibliometría y por qué debería importarle? Actas de la conferencia internacional de comunicación profesional IEEE; 2002: IEEE.

8. Identificación de Cooper. Conceptos básicos de bibliometría. Revista de la Asociación de Bibliotecas Médicas: JMLA. 2015;103(4):217.

   
   

9. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S, et al. Inteligencia artificial: un poderoso paradigma para la investigación científica. La Innovación. 2021;2(4).

   
   

10. Melnikova E. La tecnología de big data en el conjunto de métodos y medios de investigación científica en la cienciometría moderna. Procesamiento de Información Científica y Técnica. 2022;49(2):102-7.

    
    

11. Tapeh ATG, Naser M. Inteligencia artificial, aprendizaje automático y aprendizaje profundo en ingeniería estructural: una revisión cienciométrica de tendencias y mejores prácticas. Archivos de métodos computacionales en ingeniería. 2023;30(1):115-59.

    
    

12. Saeidnia H. Uso de ChatGPT como robot de referencia digital/inteligente: ¿Cómo puede afectar ChatGPT a los servicios de referencia digital? La información importa. 2023;2(5).

    
    

13. Saeidnia H. Open AI, ChatGPT: Ser o no ser, esa es la cuestión. La información importa. 2023;3(6).

    
    

14. Yuan S, Shao Z, Wei X, Tang J, Hall W, Wang Y, et al. La ciencia detrás de la IA: la evolución de las tendencias, la movilidad y la colaboración. Cienciometría. 2020;124:993-1013.

    
    

15. Chaudhuri N, Gupta G, Vamsi V, Bose I. En la plataforma, pero ¿comprarán? Predecir el comportamiento de compra de los clientes mediante aprendizaje profundo. Sistemas de Soporte a la Decisión. 2021;149:113622.

    
    

16. G. Martín A, Fernández-Isabel A, Martín de Diego I, Beltrán M. Una encuesta para el análisis del comportamiento del usuario basada en técnicas de aprendizaje automático: modelos y aplicaciones actuales. Inteligencia aplicada. 2021;51(8):6029-55.

    
    

17. Saeidnia HR. Inteligencia artificial (IA) ética: enfrentar los prejuicios y la discriminación en la industria bibliotecaria y de la información. Noticias de alta tecnología de la biblioteca. 2023;ahead-of-print(ahead-of-print). doi: 10.1108/LHTN-10-2023-0182.

    
    

18. Hain D, Jurowetzki R, Lee S, Zhou Y. Aprendizaje automático e inteligencia artificial para ciencia, tecnología, mapeo y pronóstico de innovación: revisión, síntesis y aplicaciones. Cienciometría. 2023;128(3):1465-72.

    
    

19. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D, et al. Extensión PRISMA para revisiones de alcance (PRISMA-ScR): lista de verificación y explicación. Anales de medicina interna. 2018;169(7):467-

20. Publicación electrónica 05/09/2018. doi: 10.7326/m18-0850. PMID de PubMed: 30178033.

    
    

21. Holzmann GJ, Peled DA, Yannakakis M. Sobre la primera búsqueda en profundidad anidada. El sistema de verificación de giro. 1996;32:81-9.

    
    

22. Donthu N, Kumar S, Mukherjee D, Pandey N, Lim WM. Cómo realizar un análisis bibliométrico: descripción general y directrices. Revista de investigación empresarial. 2021;133:285-96.

    
    

23. Caputo A, Kargina M. Un método fácil de usar para fusionar datos de Scopus y Web of Science durante el análisis bibliométrico. Revista de análisis de marketing. 2022;10(1):82-8.

    
    

24. Chen X, Chen J, Cheng G, Gong T. Temas y tendencias en inteligencia artificial ayudaron a la investigación del cerebro humano. Más uno. 2020;15(4):e0231192.

    
    

25. Abrishami A, Aliakbary S. Predicción del recuento de citas basándose en técnicas de aprendizaje de redes neuronales profundas. Revista de informetría. 2019;13(2):485-99.

    
    

26. Corea F, Corea F. Mapa de conocimiento de IA: cómo clasificar las tecnologías de IA. Una introducción a los datos: todo lo que necesita saber sobre IA, big data y ciencia de datos. 2019:25-9.

    
    

27. Jebari C, Herrera-Viedma E, Cobo MJ. El uso del contexto de citas para detectar la evolución de temas de investigación: un análisis a gran escala. Cienciometría. 2021;126(4):2971-89.

    
    

28. Ma A, Liu Y, Xu X, Dong T. Un modelo de predicción de recuento de citas basado en aprendizaje profundo con características semánticas de metadatos en papel. Cienciometría. 2021;126(8):6803-23.

    
    

29. Maghsoudi M, Shokouhyar S, Ataei A, Ahmadi S, Shokoohyar S. Análisis de red de coautoría de aplicaciones de IA en cadenas de suministro sostenibles: actores y temas clave. Revista de producción más limpia. 2023;422:138472.

    
    

30. Pedro F, Subosa M, Rivas A, Valverde P. Inteligencia artificial en la educación: Retos y oportunidades para el desarrollo sostenible. 2019.

    
    

31. Ullah M, Shahid A, Roman M, Assam M, Fayaz M, Ghadi Y, et al. Analizar la investigación interdisciplinaria utilizando redes de coautoría. Complejidad. 2022;2022.

    
    

32. Zhao Q, Feng X. Utilización de la estructura de la red de citas para predecir el recuento de citas en artículos: un enfoque de aprendizaje profundo. Revista de informetría. 2022;16(1):101235.

    
    

33. Saeidnia HR, Kozak M, Lund B, Mannuru NR, Keshavarz H, Elango B, et al. Diseño, desarrollo, implementación y evaluación de una aplicación móvil para servicios de biblioteca académica: un estudio en un país en desarrollo. Tecnologías de la Información y Bibliotecas. 2023;42(3).

    
    

34. Soleymani H, Saeidnia HR, Ausloos M, Hassanzadeh M. Difusión selectiva de información (IDE) en la era de la inteligencia artificial (IA). Noticias de alta tecnología de la biblioteca. 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. Bellas durmientes de la investigación del coronavirus. Acceso IEEE. 2021;9:21192-205.

    
    

36. Ceptureanu S, Cerqueti R, Alexandru A, Popescu D, Dhesi G, Ceptureanu E. Influencia de la adopción de blockchain en la transferencia de tecnología, el rendimiento y la integración, flexibilidad y capacidad de respuesta de la cadena de suministro. Un estudio de caso de medianas empresas de TI&C. Estudios en Informática y Control. 2021;30(3):61-74.

    
    

37. Amjad S, Younas M, Anwar M, Shaheen Q, Shiraz M, Gani A. Técnicas de minería de datos para analizar el impacto de las redes sociales en el rendimiento académico de los estudiantes de secundaria. Comunicaciones inalámbricas y computación móvil. 2022;2022:1-11.

    
    

38. Barclay I, Taylor H, Preece A, Taylor I, Verma D, de Mel G. Un marco para fomentar la transparencia en modelos de inteligencia artificial compartidos mediante el aumento de la visibilidad de las contribuciones. Concurrencia y Computación: Práctica y Experiencia. 2021;33(19):e6129.

    
    

39. Grover P, Kar AK, Dwivedi YK. Comprender la adopción de la inteligencia artificial en la gestión de operaciones: conocimientos de la revisión de la literatura académica y los debates en las redes sociales. Anales de investigación de operaciones. 2022;308(1-2):177-213.

    
    

40. Khder MA. Web Scraping o Web Crawling: estado del arte, técnicas, enfoques y aplicaciones. Revista internacional de avances en informática informática y sus aplicaciones. 2021;13(3).

    
    

41. Maulud DH, Zeebaree SR, Jacksi K, Sadeeq MAM, Sharif KH. Estado del arte para el análisis semántico del procesamiento del lenguaje natural. Revista académica de Qubahan. 2021;1(2):21-8.

    
    

42. Serafini F, Reid SF. Análisis de contenido multimodal: ampliación de los enfoques analíticos al análisis de contenido. Comunicación visual. 2019:1470357219864133.

    
    

43. Serrano W. Redes neuronales en big data y búsqueda web. Datos. 2018;4(1):7.

    
    

44. Wang W, Yu L. UCrawler: un rastreador web basado en el aprendizaje que utiliza una base de conocimientos de URL. Revista de Métodos Computacionales en Ciencias e Ingeniería. 2021;21(2):461-74.

    
    

45. Wu L, Dodoo NA, Wen TJ, Ke L. Comprensión de las conversaciones de Twitter sobre inteligencia artificial en publicidad basada en el procesamiento del lenguaje natural. Revista Internacional de Publicidad. 2022;41(4):685-702.

    
    

46. Zhang Q, Lu J, Jin Y. Inteligencia artificial en sistemas de recomendación. Sistemas complejos e inteligentes. 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. Inteligencia artificial: un poderoso paradigma para la investigación científica. La Innovación. 2021;2(4):100179. doi: https://doi.org/10.1016/j.xinn.2021.100179 .

    
    

48. Abramo G, D'Angelo CA. ¿Qué tan confiables son los algoritmos de desambiguación de autores no supervisados en la evaluación del desempeño de las organizaciones de investigación? Estudios de ciencias cuantitativas. 2023:1-26.

    
    

49. Al-Jamimi HA, BinMakhashen GM, Bornmann L. Uso de bibliometría para la evaluación de investigaciones en economías de mercados emergentes: una revisión y discusión de indicadores bibliométricos. Cienciometría. 2022;127(10):5879-930.

    
    

50. Cox AM, Mazumdar S. Definición de inteligencia artificial para bibliotecarios. Revista de Biblioteconomía y Ciencias de la Información.0(0):09610006221142029. doi: 10.1177/09610006221142029.

    
    

51. Eisenstein J. Introducción al procesamiento del lenguaje natural: prensa del MIT; 2019.

    
    

52. Kang Y, Cai Z, Tan CW, Huang Q, Liu H. Procesamiento del lenguaje natural (PNL) en la investigación de gestión: una revisión de la literatura. Revista de análisis de gestión. 2020;7(2):139-72.

    
    

53. Loan FA, Nasreen N, Bashir B. ¿Los autores juegan limpio o manipulan el índice h de Google Scholar? Biblioteca de alta tecnología. 2022;40(3):676-84.

    
    

54. Rehs A. Un enfoque de aprendizaje automático supervisado para la desambiguación de autores en Web of Science. Revista de informetría. 2021;15(3):101166.

    
    

55. Mohammadzadeh Z, Ausloos M, Saeidnia HR. ChatGPT: el plagio de alta tecnología espera luz verde para las publicaciones académicas. Los tokens no fungibles (NFT) pueden ser una salida. Noticias de alta tecnología de la biblioteca. 2023.

    
    

56. Saeidnia HR, Lund BD. Tokens no fungibles (NFT): una forma segura y eficaz de prevenir el plagio en publicaciones científicas. Noticias de alta tecnología de la biblioteca. 2023;40(2):18-9.

    
    

57. Mrowinski MJ, Fronczak P, Fronczak A, Ausloos M, Nedic O. Inteligencia artificial en la revisión por pares: ¿Cómo puede la computación evolutiva apoyar a los editores de revistas? Más uno. 2017;12(9):e0184711.

    
    

58. Piva F, Tartari F, Giulietti M, Aiello MM, Cheng L, López-Beltrán A, et al. Predecir la carga futura de cáncer en los Estados Unidos mediante redes neuronales artificiales. Oncología del futuro. 2020;17(2):159-68.

    
    

59. Brewer R, Westlake B, Hart T, Arauza O. La ética del rastreo y raspado web en la investigación sobre delitos cibernéticos: cómo abordar cuestiones de consentimiento, privacidad y otros daños potenciales asociados con la recopilación automatizada de datos. En: Lavorgna A, Holt TJ, editores. Investigación de delitos cibernéticos: metodologías, ética y enfoques críticos. Cham: Springer International Publishing; 2021. pág. 435-56.

    
    

60. Alaidi AHM, Roa'a M, ALRikabi H, Aljazaery IA, Abbood SH. Actividades ilegales de la web oscura que rastrean y clasifican mediante técnicas de minería de datos. iJIM. 2022;16(10):123.

    
    

61. Thomas DM, Mathur S, editores. Análisis de datos mediante web scraping usando python. 2019 3ra Conferencia Internacional sobre Electrónica, Comunicaciones y Tecnología Aeroespacial (ICECA); 2019: IEEE.

    
    

62. Korkmaz M, Sahingoz OK, Diri B, editores. Detección de sitios web de phishing mediante análisis de URL basado en aprendizaje automático. 2020 11ª Conferencia Internacional sobre Tecnologías de Computación, Comunicaciones y Redes (ICCCNT); 2020: IEEE.

    
    

63. Yuan H, Chen X, Li Y, Yang Z, Liu W, editores. Detección de sitios web y objetivos de phishing en función de URL y enlaces a páginas web. 2018 24ª Conferencia Internacional sobre Reconocimiento de Patrones (ICPR); 2018: IEEE.

    
    

64. Dutta AK. Detección de sitios web de phishing mediante técnica de aprendizaje automático. Más uno. 2021;16(10):e0258361.

    
    

65. Jalil S, Usman M, Fong A. Detección de URL de phishing de alta precisión basada en aprendizaje automático. Revista de Inteligencia Ambiental y Computación Humanizada. 2023;14(7):9233-51.

    
    

66. Kiesel J, Meyer L, Kneist F, Stein B, Potthast M, editores. Una comparación empírica de algoritmos de segmentación de páginas web. Conferencia europea sobre recuperación de información; 2021: Saltador.

    
    

67. Balaji T, Annavarapu CSR, Bablani A. Algoritmos de aprendizaje automático para el análisis de redes sociales: una encuesta. Revisión de informática. 2021;40:100395.

    
    

68. Rietz T. Diseño de sistemas basados en IA para la recopilación y análisis de datos cualitativos. 2021.

    
    

69. Nicholson JM, Mordaunt M, López P, Uppala A, Rosati D, Rodrigues NP, et al. Scite: un índice de citas inteligente que muestra el contexto de las citas y clasifica su intención mediante el aprendizaje profundo. Estudios de ciencias cuantitativas. 2021;2(3):882-98.

    
    

70. Mihaljević H, Santamaría L. Desambiguación de entidades de autor en ADS utilizando métodos de aprendizaje supervisado y teoría de grafos. Cienciometría. 2021;126(5):3893-917. doi: 10.1007/s11192-021-03951-w.

    
    

71. Tekles A, Bornmann L. Desambiguación del nombre del autor de datos bibliométricos: una comparación de varios enfoques no supervisados1. Estudios de ciencias cuantitativas. 2020;1(4):1510-28. doi: 10.1162/qss_a_00081.

    
    

72. Grodzinski N, Grodzinski B, Davies BM. ¿Se pueden utilizar las redes de coautoría para predecir el impacto de la investigación del autor? Un análisis basado en el aprendizaje automático dentro del campo de la investigación de la mielopatía cervical degenerativa. Más uno. 2021;16(9):e0256997.

    
    

73. Fonseca Bde P, Sampaio RB, Fonseca MV, Zicker F. Análisis de redes de coautoría en investigaciones en salud: método y uso potencial. Políticas y sistemas de investigación sanitaria. 2016;14(1):34. Publicación electrónica 04/05/2016. doi: 10.1186/s12961-016-0104-5. PMID de PubMed: 27138279; PMCID central de PubMed: PMCPMC4852432.

    
    

74. Hancock JT, Naaman M, Levy K. Comunicación mediada por IA: definición, agenda de investigación y consideraciones éticas. Revista de comunicación mediada por computadora. 2020;25(1):89-100.

    
    

75. Safdar NM, Banja JD, Meltzer CC. Consideraciones éticas en inteligencia artificial. Revista europea de radiología. 2020;122:108768.

    
    

76. Pratomo AB, Mokodenseho S, Aziz AM. Técnicas de cifrado y anonimización de datos para mejorar la seguridad y privacidad del sistema de información. Tecnología y sistema de información científica occidental. 2023;1(01):1-9.

    
    

77. Ferrer X, van Nuenen T, Such JM, Coté M, Criado N. Sesgo y discriminación en la IA: una perspectiva interdisciplinaria. Revista IEEE Tecnología y Sociedad. 2021;40(2):72-80.

    
    

78. Ferrara E. Equidad y sesgo en la inteligencia artificial: un breve estudio de las fuentes, los impactos y las estrategias de mitigación. arXiv preimpresión arXiv:230407683. 2023.

    
    

79. Gichoya JW, Thomas K, Celi LA, Safdar N, Banerjee I, Banja JD, et al. Errores de la IA y qué no hacer: mitigar el sesgo en la IA. La revista británica de radiología. 2023:20230023.

    
    

80. Von Eschenbach WJ. Transparencia y el problema de la caja negra: por qué no confiamos en la IA. Filosofía y Tecnología. 2021;34(4):1607-22.

    
    

81. Yazdanpanah V, Gerding EH, Stein S, Dastani M, Jonker CM, Norman TJ, et al. Razonamientos sobre responsabilidad en sistemas autónomos: desafíos y oportunidades. IA y SOCIEDAD. 2023;38(4):1453-64.