"L'IA peut améliorer les processus de collecte, d'analyse, de prédiction et d'évaluation 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

Conclusion

Dans ce rapport, nous soulignons l’importance et le potentiel de l’intégration des algorithmes d’IA avec la scientométrie, la webométrie et la bibliométrie, à travers de nombreux exemples tirés de la littérature. Il a été démontré que le changement de paradigme subi par les algorithmes d’IA dans ces domaines a révélé de nouvelles possibilités d’analyse, de prédiction et de recommandations basées sur l’exploration de modèles. Dans le cadre de cette revue, l'article contribue à souligner les perspectives importantes et la valeur de l'intégration de l'IA dans la scientométrie, la webométrie et la bibliométrie, c'est-à-dire pour signifier la synergie qui peut être obtenue et favorisée grâce à cette intégration.

En bref, l’IA aide la scientométrie en fournissant des méthodes efficaces et précises pour analyser et tirer des enseignements des publications scientifiques, des réseaux de citations et des relations de collaboration. Cela devrait permettre aux chercheurs d’acquérir une compréhension plus approfondie des connaissances scientifiques, des tendances et de leur impact, facilitant ainsi une meilleure prise de décision et les progrès de la recherche scientifique. De plus, l’IA améliore la webométrie en fournissant des méthodes efficaces et automatisées pour analyser les données scientifiques basées sur le Web, comprendre les structures de liens et les interactions sociales, évaluer l’impact du Web et fournir des recommandations personnalisées. Cela permet aux chercheurs d’acquérir des connaissances sur l’écosystème scientifique basé sur le Web, de faciliter les collaborations et d’améliorer la visibilité et l’impact de la recherche à l’ère numérique. De plus, l’IA améliore le domaine d’activité de la bibliométrie en automatisant la collecte de données, en fournissant une désambiguïsation précise des auteurs, en analysant les réseaux de citations, en évaluant l’impact de la recherche et en fournissant des recommandations personnalisées. Cela permet aux chercheurs de mieux comprendre la communication scientifique, d'évaluer les performances de la recherche et de prendre des décisions éclairées dans leurs analyses bibliométriques. Dans l’ensemble, l’IA présente une approche efficace et évolutive de la scientométrie, de la webométrie et de la bibliométrie, permettant aux chercheurs d’extraire des informations significatives à partir de sources d’informations scientifiques vastes et diverses.

En conclusion, l’intégration de l’intelligence artificielle (IA) dans la scientométrie, la webométrie et la bibliométrie recèle un potentiel important pour faire progresser la recherche et la compréhension dans ces domaines. L’IA peut améliorer les processus de collecte, d’analyse, de prévision et d’évaluation de données, en fournissant aux chercheurs des informations précieuses et en améliorant les processus de prise de décision.

Cependant, l’utilisation de l’IA dans ces domaines soulève également d’importantes considérations éthiques qui doivent être soigneusement prises en compte. La confidentialité et la sécurité des données, la partialité et l'équité, la transparence et l'explicabilité, la responsabilisation et la responsabilité, le consentement éclairé, l'impact sur l'emploi et la société, ainsi que le suivi et l'évaluation continus font partie des principales considérations éthiques qui doivent être prises en compte. Pour garantir une utilisation responsable et éthique de l’IA, la collaboration interdisciplinaire, l’engagement des parties prenantes et l’évaluation continue sont essentiels. Les chercheurs, les décideurs politiques, les éthiciens et les parties prenantes de divers domaines devraient travailler ensemble pour développer des lignes directrices, des cadres et des bonnes pratiques qui favorisent une utilisation éthique de l’IA en scientométrie, webométrie et bibliométrie. En abordant ces considérations éthiques, nous pouvons exploiter tout le potentiel de l’IA pour faire progresser les connaissances, améliorer les pratiques de recherche et contribuer à l’amélioration de la société tout en garantissant l’équité, la transparence et la responsabilité dans l’utilisation de ces technologies.

Limites

Dans cette étude particulière, nous n’avons pas inclus la littérature grise dans notre processus de recherche et d’examen, et nous n’avons pas non plus effectué de recherche manuelle dans Google Scholar. Notre intention était plutôt de nous concentrer sur la recherche dans des bases de données fiables. Bien que Google Scholar soit souvent qualifié de base de données, il s'agit en réalité d'un moteur de recherche qui peut ne pas inclure d'articles de haute qualité et ne récupérer que des études fiables. En ne recherchant pas dans Google Scholar, nous avons cherché à minimiser le nombre d’études qui se chevauchent.

Il est toutefois important de noter que cette approche très technique a pu conduire à omettre certains articles, ce qui pourrait malheureusement conduire à exclure de notre étude des informations pertinentes. Nous considérons qu'au moment de la rédaction et de la soumission de ce document, nous nous prémunissons contre de nombreuses omissions. Cependant, pour les études futures, il pourrait être utile de procéder à une revue complète incluant la littérature grise, afin de fournir aux lecteurs une perspective plus large.

Les références

1. Darko A, Chan AP, Adabre MA, Edwards DJ, Hosseini MR, Ameyaw EE. L'intelligence artificielle dans l'industrie AEC : Analyse scientométrique et visualisation des activités de recherche. Automatisation dans la construction. 2020;112:103081.

   
   

2. Parc S, Parc HW. Une analyse de réseau webométrique des caractéristiques du bouche à oreille électronique (eWOM) et une approche d'apprentissage automatique des commentaires des consommateurs pendant une crise. Professionnel de l'Information. 2020;29(5).

   
   

3. Van Raan A. Scientométrie : État de l'art. Scientométrie. 1997;38(1):205-18.

   
   

4. Bharvi D, Garg K, Bali A. Scientometrics de la revue internationale Scientometrics. Scientométrie. 2003;56(1):81-93.

   
   

5. Thelwall M, Vaughan L, Björneborn L. Webométrie. Revue annuelle des sciences et technologies de l'information. 2005;39(1):81-135.

   
   

6. Björneborn L, Ingwersen P. Perspective de la webométrie. Scientométrie. 2001;50 :65-82.

   
   

7. McBurney MK, Novak PL, éditeurs. Qu’est-ce que la bibliométrie et pourquoi devriez-vous vous en soucier ? Actes de la conférence internationale de communication professionnelle de l'IEEE ; 2002 : IEEE.

8. ID Cooper. Bases de la bibliométrie. Journal de l'Association des bibliothèques médicales : JMLA. 2015;103(4):217.

   
   

9. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S et al. Intelligence artificielle : Un paradigme puissant pour la recherche scientifique. L'innovation. 2021 ;2(4).

   
   

10. Melnikova E. La technologie Big Data dans l'ensemble des méthodes et moyens de recherche scientifique en scientométrie moderne. Traitement de l'information scientifique et technique. 2022;49(2):102-7.

    
    

11. Tapeh ATG, Naser M. Intelligence artificielle, apprentissage automatique et apprentissage profond en ingénierie structurelle : une revue scientimétrique des tendances et des meilleures pratiques. Archives des méthodes informatiques en ingénierie. 2023;30(1):115-59.

    
    

12. Saeidnia H. Utilisation de ChatGPT comme robot de référence numérique/intelligent : quel impact ChatGPT peut-il avoir sur les services de référence numérique ? L'information est importante. 2023 ;2(5).

    
    

13. Saeidnia H. Open AI, ChatGPT : Être ou ne pas être, telle est la question. L'information est importante. 2023;3(6).

    
    

14. Yuan S, Shao Z, Wei X, Tang J, Hall W, Wang Y et al. La science derrière l'IA : l'évolution des tendances, de la mobilité et de la collaboration. Scientométrie. 2020;124 : 993-1013.

    
    

15. Chaudhuri N, Gupta G, Vamsi V, Bose I. Sur la plateforme mais achèteront-ils ? Prédire le comportement d'achat des clients grâce au deep learning. Systèmes d'aide à la décision. 2021;149:113622.

    
    

16. G. Martín A, Fernández-Isabel A, Martín de Diego I, Beltrán M. Une enquête pour l'analyse du comportement des utilisateurs basée sur des techniques d'apprentissage automatique : modèles et applications actuels. Intelligence appliquée. 2021;51(8):6029-55.

    
    

17. Saeidnia RH. Intelligence artificielle (IA) éthique : lutter contre les préjugés et la discrimination dans le secteur des bibliothèques et de l'information. Bibliothèque Hi Tech News. 2023 ; avant l'impression (avant l'impression). est ce que je: 10.1108/LHTN-10-2023-0182.

    
    

18. Hain D, Jurowetzki R, Lee S, Zhou Y. Apprentissage automatique et intelligence artificielle pour la science, la technologie, la cartographie et la prévision de l'innovation : examen, synthèse et applications. Scientométrie. 2023;128(3):1465-72.

    
    

19. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D et al. Extension PRISMA pour les examens de cadrage (PRISMA-ScR) : liste de contrôle et explication. Annales de médecine interne. 2018;169(7):467-

20. Publication en ligne le 05/09/2018. est ce que je : 10.7326/m18-0850. PMID PubMed : 30178033.

    
    

21. Holzmann GJ, Peled DA, Yannakakis M. Sur la première recherche en profondeur imbriquée. Le système de vérification de rotation. 1996;32 :81-9.

    
    

22. Donthu N, Kumar S, Mukherjee D, Pandey N, Lim WM. Comment effectuer une analyse bibliométrique : un aperçu et des lignes directrices. Journal de recherche commerciale. 2021 ; 133 : 285-96.

    
    

23. Caputo A, Kargina M. Une méthode conviviale pour fusionner les données Scopus et Web of Science lors de l'analyse bibliométrique. Journal d'analyse marketing. 2022;10(1):82-8.

    
    

24. Chen X, Chen J, Cheng G, Gong T. Sujets et tendances de la recherche sur le cerveau humain assistée par l'intelligence artificielle. PLoS Un. 2020;15(4):e0231192.

    
    

25. Abrishami A, Aliakbary S. Prédiction du nombre de citations basée sur des techniques d'apprentissage de réseaux neuronaux profonds. Journal d'informatique. 2019;13(2):485-99.

    
    

26. Corea F, Corea F. Carte des connaissances en IA : Comment classer les technologies d'IA. Une introduction aux données : tout ce que vous devez savoir sur l'IA, le big data et la science des données. 2019 : 25-9.

    
    

27. Jebari C, Herrera-Viedma E, Cobo MJ. L'utilisation du contexte de citation pour détecter l'évolution des sujets de recherche : une analyse à grande échelle. Scientométrie. 2021;126(4):2971-89.

    
    

28. Ma A, Liu Y, Xu X, Dong T. Un modèle de prédiction du nombre de citations basé sur l'apprentissage profond avec des fonctionnalités sémantiques de métadonnées papier. Scientométrie. 2021;126(8):6803-23.

    
    

29. Maghsoudi M, Shokouhyar S, Ataei A, Ahmadi S, Shokoohyar S. Analyse du réseau de co-auteurs des applications de l'IA dans les chaînes d'approvisionnement durables : acteurs et thèmes clés. Journal de production plus propre. 2023;422:138472.

    
    

30. Pedro F, Subosa M, Rivas A, Valverde P. Intelligence artificielle dans l'éducation : défis et opportunités pour le développement durable. 2019.

    
    

31. Ullah M, Shahid A, Roman M, Assam M, Fayaz M, Ghadi Y et al. Analyser la recherche interdisciplinaire à l'aide de réseaux de co-auteurs. Complexité. 2022;2022.

    
    

32. Zhao Q, Feng X. Utiliser la structure du réseau de citations pour prédire le nombre de citations d'articles : une approche d'apprentissage en profondeur. Journal d'informatique. 2022;16(1):101235.

    
    

33. Saeidnia HR, Kozak M, Lund B, Mannuru NR, Keshavarz H, Elango B et al. Conception, développement, mise en œuvre et évaluation d'une application mobile pour les services de bibliothèque universitaire : une étude dans un pays en développement. Technologie de l'information et bibliothèques. 2023 ;42(3).

    
    

34. Soleymani H, Saeidnia HR, Ausloos M, Hassanzadeh M. Diffusion sélective de l'information (SDI) à l'ère de l'intelligence artificielle (IA). Bibliothèque Hi Tech News. 2023 ; avant l'impression (avant l'impression). est ce que je : 10.1108/LHTN-08-2023-0156.

    
    

35. Fazeli-Varzaneh M, Ghorbi A, Ausloos M, Sallinger E, Vahdati S. Belles endormies de la recherche sur les coronavirus. Accès IEEE. 2021;9:21192-205.

    
    

36. Ceptureanu S, Cerqueti R, Alexandru A, Popescu D, Dhesi G, Ceptureanu E. Influence de l'adoption de la blockchain sur le transfert de technologie, la performance et l'intégration, la flexibilité et la réactivité de la chaîne d'approvisionnement. Une étude de cas d'entreprises informatiques et technologiques de taille moyenne. Etudes en Informatique et Contrôle. 2021;30(3):61-74.

    
    

37. Amjad S, Younas M, Anwar M, Shaheen Q, Shiraz M, Gani A. Techniques d'exploration de données pour analyser l'impact des médias sociaux sur les résultats scolaires des élèves du secondaire. Communications sans fil et informatique mobile. 2022 ; 2022 : 1-11.

    
    

38. Barclay I, Taylor H, Preece A, Taylor I, Verma D, de Mel G. Un cadre pour favoriser la transparence dans les modèles d'intelligence artificielle partagés en augmentant la visibilité des contributions. Concurrence et calcul : pratique et expérience. 2021;33(19):e6129.

    
    

39. Grover P, Kar AK, Dwivedi YK. Comprendre l'adoption de l'intelligence artificielle dans la gestion des opérations : aperçus de l'examen de la littérature universitaire et des discussions sur les réseaux sociaux. Annales de recherche opérationnelle. 2022;308(1-2):177-213.

    
    

40. Khder MA. Web Scraping ou Web Crawling : état de l'art, techniques, approches et application. Journal international des avancées en matière de soft computing et de ses applications. 2021;13(3).

    
    

41. Maulud DH, Zeebaree SR, Jacksi K, Sadeeq MAM, Sharif KH. État de l’art pour l’analyse sémantique du traitement du langage naturel. Revue académique Qubahan. 2021;1(2):21-8.

    
    

42. Serafini F, Reid SF. Analyse de contenu multimodale : élargir les approches analytiques à l'analyse de contenu. Communication visuelle. 2019 : 1470357219864133.

    
    

43. Serrano W. Réseaux de neurones dans le big data et la recherche sur le Web. Données. 2018;4(1):7.

    
    

44. Wang W, Yu L. UCrawler : un robot d'exploration Web basé sur l'apprentissage utilisant une base de connaissances URL. Journal des méthodes informatiques en sciences et en ingénierie. 2021;21(2):461-74.

    
    

45. Wu L, Dodoo NA, Wen TJ, Ke L. Comprendre les conversations Twitter sur l'intelligence artificielle dans la publicité basée sur le traitement du langage naturel. Journal international de publicité. 2022;41(4):685-702.

    
    

46. Zhang Q, Lu J, Jin Y. Intelligence artificielle dans les systèmes de recommandation. Systèmes complexes et intelligents. 2021;7(1):439-57. est ce que je: 10.1007/s40747-020-00212-w.

    
    

47. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S et al. Intelligence artificielle : Un paradigme puissant pour la recherche scientifique. L'innovation. 2021;2(4):100179. est ce que je : https://doi.org/10.1016/j.xinn.2021.100179 .

    
    

48. Abramo G, D'Angelo CA. Quelle est la fiabilité des algorithmes non supervisés de désambiguïsation des auteurs dans l’évaluation des performances des organismes de recherche ? Études scientifiques quantitatives. 2023 : 1-26.

    
    

49. Al-Jamimi HA, BinMakhashen GM, Bornmann L. Utilisation de la bibliométrie pour l'évaluation de la recherche dans les économies de marchés émergents : examen et discussion des indicateurs bibliométriques. Scientométrie. 2022;127(10):5879-930.

    
    

50. Cox AM, Mazumdar S. Définir l'intelligence artificielle pour les bibliothécaires. Journal de bibliothéconomie et des sciences de l'information.0(0):09610006221142029. est ce que je: 10.1177/09610006221142029.

    
    

51. Eisenstein J. Introduction au traitement du langage naturel : presse MIT ; 2019.

    
    

52. Kang Y, Cai Z, Tan CW, Huang Q, Liu H. Traitement du langage naturel (NLP) dans la recherche en gestion : une revue de la littérature. Journal d'analyse de gestion. 2020;7(2):139-72.

    
    

53. Loan FA, Nasreen N, Bashir B. Les auteurs jouent-ils franc-jeu ou manipulent-ils l'index h de Google Scholar ? Bibliothèque Hi Tech. 2022;40(3):676-84.

    
    

54. Rehs A. Une approche d'apprentissage automatique supervisé pour la désambiguïsation des auteurs dans le Web of Science. Journal d'informatique. 2021;15(3):101166.

    
    

55. Mohammadzadeh Z, Ausloos M, Saeidnia HR. ChatGPT : le plagiat high-tech attend le feu vert de l’édition académique. Le jeton non fongible (NFT) peut être une issue. Bibliothèque Hi Tech News. 2023.

    
    

56. Saeidnia RH, Lund BD. Jetons non fongibles (NFT) : un moyen sûr et efficace de prévenir le plagiat dans l'édition scientifique. Bibliothèque Hi Tech News. 2023;40(2):18-9.

    
    

57. Mrowinski MJ, Fronczak P, Fronczak A, Ausloos M, Nedic O. L'intelligence artificielle dans l'évaluation par les pairs : Comment le calcul évolutif peut-il soutenir les éditeurs de revues ? PloS un. 2017;12(9):e0184711.

    
    

58. Piva F, Tartari F, Giulietti M, Aiello MM, Cheng L, Lopez-Beltran A et al. Prédire le futur fardeau du cancer aux États-Unis par des réseaux de neurones artificiels. Future oncologie. 2020;17(2):159-68.

    
    

59. Brewer R, Westlake B, Hart T, Arauza O. L'éthique de l'exploration du Web et du grattage du Web dans la recherche sur la cybercriminalité : naviguer dans les questions de consentement, de confidentialité et d'autres préjudices potentiels associés à la collecte automatisée de données. Dans : Lavorgna A, Holt TJ, éditeurs. Recherche sur la cybercriminalité : méthodologies, éthique et approches critiques. Cham : Springer International Publishing ; 2021. p. 435-56.

    
    

60. Alaidi AHM, Roa'a M, ALRikabi H, Aljazaery IA, Abbood SH. Activités illégales du Dark Web explorant et classifiant à l’aide de techniques d’exploration de données. iJIM. 2022;16(10):123.

    
    

61. Thomas DM, Mathur S, éditeurs. Analyse des données par web scraping à l'aide de python. 2019 3e Conférence internationale sur l'électronique, la communication et les technologies aérospatiales (ICECA) ; 2019 : IEEE.

    
    

62. Korkmaz M, Sahingoz OK, Diri B, éditeurs. Détection des sites Web de phishing à l'aide d'une analyse d'URL basée sur l'apprentissage automatique. 2020 11e Conférence internationale sur les technologies informatiques, de communication et de réseautage (ICCCNT) ; 2020 : IEEE.

    
    

63. Yuan H, Chen X, Li Y, Yang Z, Liu W, éditeurs. Détection des sites Web et des cibles de phishing en fonction des URL et des liens vers des pages Web. 2018 24e Conférence internationale sur la reconnaissance de formes (ICPR) ; 2018 : IEEE.

    
    

64. Dutta AK. Détection des sites Web de phishing à l'aide d'une technique d'apprentissage automatique. PloS un. 2021;16(10):e0258361.

    
    

65. Jalil S, Usman M, Fong A. Détection d'URL de phishing très précise basée sur l'apprentissage automatique. Journal de l'intelligence ambiante et de l'informatique humanisée. 2023;14(7):9233-51.

    
    

66. Kiesel J, Meyer L, Kneist F, Stein B, Potthast M, éditeurs. Une comparaison empirique des algorithmes de segmentation de pages Web. Conférence européenne sur la recherche d'informations ; 2021 : Springer.

    
    

67. Balaji T, Annavarapu CSR, Bablani A. Algorithmes d'apprentissage automatique pour l'analyse des médias sociaux : une enquête. Revue d'informatique. 2021;40:100395.

    
    

68. Rietz T. Conception de systèmes basés sur l'IA pour la collecte et l'analyse de données qualitatives. 2021.

    
    

69. Nicholson JM, Mordaunt M, Lopez P, Uppala A, Rosati D, Rodrigues NP et al. Scite : un index de citations intelligent qui affiche le contexte des citations et classe leur intention à l'aide du deep learning. Études scientifiques quantitatives. 2021;2(3):882-98.

    
    

70. Mihaljević H, Santamaría L. Désambiguïsation des entités auteurs dans ADS à l'aide de méthodes d'apprentissage supervisé et de théorie des graphes. Scientométrie. 2021;126(5):3893-917. est ce que je: 10.1007/s11192-021-03951-w.

    
    

71. Tekles A, Bornmann L. Désambiguïsation du nom de l'auteur des données bibliométriques : comparaison de plusieurs approches non supervisées1. Études scientifiques quantitatives. 2020;1(4):1510-28. est ce que je: 10.1162/qss_a_00081.

    
    

72. Grodzinski N, Grodzinski B, Davies BM. Les réseaux de co-auteurs peuvent-ils être utilisés pour prédire l’impact de la recherche des auteurs ? Une analyse basée sur l'apprentissage automatique dans le domaine de la recherche sur la myélopathie cervicale dégénérative. Plos un. 2021;16(9):e0256997.

    
    

73. Fonseca Bde P, Sampaio RB, Fonseca MV, Zicker F. Analyse des réseaux de co-auteurs dans la recherche en santé : méthode et utilisation potentielle. Politiques et systèmes de recherche en santé. 2016;14(1):34. Publication en ligne le 04/05/2016. est ce que je : 10.1186/s12961-016-0104-5. PMID PubMed : 27138279 ; PMCID PubMed Central : PMCPMC4852432.

    
    

74. Hancock JT, Naaman M, Levy K. Communication médiée par l'IA : définition, programme de recherche et considérations éthiques. Journal de communication assistée par ordinateur. 2020;25(1):89-100.

    
    

75. Safdar NM, Banja JD, Meltzer CC. Considérations éthiques en intelligence artificielle. Revue européenne de radiologie. 2020;122:108768.

    
    

76. Pratomo AB, Mokodenseho S, Aziz AM. Techniques de cryptage et d'anonymisation des données pour améliorer la sécurité et la confidentialité des systèmes d'information. Système d'information scientifique et technologie de l'Ouest. 2023;1(01):1-9.

    
    

77. Ferrer X, van Nuenen T, Such JM, Coté M, Criado N. Biais et discrimination dans l'IA : une perspective interdisciplinaire. Magazine IEEE Technologie et Société. 2021;40(2):72-80.

    
    

78. Ferrara E. Équité et biais dans l'intelligence artificielle : une brève enquête sur les sources, les impacts et les stratégies d'atténuation. Préimpression arXiv arXiv:230407683. 2023.

    
    

79. Gichoya JW, Thomas K, Celi LA, Safdar N, Banerjee I, Banja JD et al. Les pièges de l’IA et ce qu’il ne faut pas faire : atténuer les préjugés dans l’IA. Le Journal britannique de radiologie. 2023 : 20230023.

    
    

80. von Eschenbach WJ. Transparence et problème de la boîte noire : pourquoi nous ne faisons pas confiance à l'IA. Philosophie et technologie. 2021;34(4):1607-22.

    
    

81. Yazdanpanah V, Gerding EH, Stein S, Dastani M, Jonker CM, Norman TJ et al. Raisonner sur la responsabilité dans les systèmes autonomes : défis et opportunités. IA ET SOCIÉTÉ. 2023;38(4):1453-64.