paint-brush
「AIはデータの収集、分析、予測、評価のプロセスを強化できます」@decentralizeai
138 測定値

「AIはデータの収集、分析、予測、評価のプロセスを強化できます」

長すぎる; 読むには

本レポートでは、数多くの事例を通じて、AI アルゴリズムを科学計量学、ウェブ計量学、書誌計量学と統合することの重要性と可能性を強調しています。
featured image - 「AIはデータの収集、分析、予測、評価のプロセスを強化できます」
Decentralize AI, or Else  HackerNoon profile picture
0-item

著者:

(1)ハミド・レザ・サイードニア、タルビアト・モダレス大学情報科学・知識研究科、イラン・イスラム共和国テヘラン

(2)エラヘ・ホセイニ、アルザフラ大学心理学・教育科学部情報科学・知識研究科、イラン・イスラム共和国テヘラン

(3)シャディ・アブドリ、モントリオール大学情報科学部、カナダ、モントリオール

(4)マルセル・オースルース、レスター大学経営学部(英国レスター)およびブカレスト経済大学(ルーマニアブカレスト)。

リンク一覧

概要と序論

材料と方法

結果

RQ 1: AIと科学計量学

RQ 2: AIとウェブメトリクス

RQ 3: AIと計量書誌学

議論

RQ 4: AI を活用した科学計量学、ウェブ計量学、書誌計量学の将来

RQ 5: AI を用いた科学計量学、ウェブ計量学、文献計量学の倫理的考慮

結論、限界、参考文献

結論

本レポートでは、文献中の多数の例を通じて、AI アルゴリズムを科学計量学、ウェブ計量学、書誌計量学と統合することの重要性と可能性を強調しています。これらの分野で AI アルゴリズムが経験したパラダイム シフトにより、分析、予測、パターン マイニングに基づく推奨の新たな可能性が明らかになりました。このレビューでは、AI を科学計量学、ウェブ計量学、書誌計量学に統合することの顕著な展望と価値を強調し、この統合を通じて達成および促進できる相乗効果を示しています。


簡単に言えば、AI は、科学的出版物、引用ネットワーク、および共同関係を分析して洞察を引き出すための効率的で正確な方法を提供することで、科学計量学を支援します。これにより、研究者は科学的知識、傾向、および影響についてより深く理解できるようになり、科学研究におけるより良い意思決定と進歩が促進されます。さらに、AI は、Web ベースの科学データを分析し、リンク構造と社会的相互作用を理解し、Web の影響を評価し、パーソナライズされた推奨事項を提供するための効率的で自動化された方法を提供することで、Web 測定学を強化します。これにより、研究者は Web ベースの科学エコシステムに関する洞察を得て、コラボレーションを促進し、デジタル時代の研究の可視性と影響を向上させることができます。さらに、AI は、データ収集を自動化し、正確な著者の曖昧さ回避を提供し、引用ネットワークを分析し、研究の影響を評価し、パーソナライズされた推奨事項を提供することで、書誌学の活動分野を強化します。これにより、研究者は学術コミュニケーションに関する洞察を得て、研究のパフォーマンスを評価し、書誌学分析で情報に基づいた決定を下すことができます。全体として、AI は、科学計量学、ウェブ計量学、書誌計量学に対する効率的でスケーラブルなアプローチを提供し、研究者が膨大で多様な科学情報源から有意義な洞察を引き出すことを可能にします。


結論として、人工知能 (AI) を科学計量学、ウェブ計量学、書誌計量学に統合することは、これらの分野の研究と理解を前進させる大きな可能性を秘めています。AI は、データの収集、分析、予測、評価のプロセスを強化し、研究者に貴重な洞察を提供し、意思決定プロセスを改善します。


しかし、これらの分野での AI の使用は、慎重に対処しなければならない重要な倫理的考慮事項も引き起こします。データのプライバシーとセキュリティ、バイアスと公平性、透明性と説明可能性、説明責任と責任、インフォームドコンセント、雇用と社会への影響、継続的な監視と評価は、考慮すべき重要な倫理的考慮事項の一部です。AI の責任ある倫理的使用を確保するには、学際的なコラボレーション、利害関係者の関与、継続的な評価が不可欠です。さまざまな分野の研究者、政策立案者、倫理学者、利害関係者が協力して、科学計量学、ウェブ計量学、書誌計量学における AI の倫理的使用を促進するガイドライン、フレームワーク、ベストプラクティスを開発する必要があります。これらの倫理的考慮事項に対処することで、AI の潜在能力を最大限に活用して知識を進歩させ、研究慣行を改善し、これらのテクノロジーの使用における公平性、透明性、説明責任を確保しながら社会の改善に貢献することができます。

制限事項

この特定の研究では、検索とレビューのプロセスにグレー文献を含めず、Google Scholar で手動で検索もしませんでした。代わりに、信頼性の高いデータベースで検索することに重点を置くことを意図しました。Google Scholar はデータベースと呼ばれることがよくありますが、実際には検索エンジンであり、高品質の記事が含まれていない可能性があり、信頼性の高い研究のみを検索する可能性があります。Google Scholar で検索しないことで、重複する研究の数を最小限に抑えることを目指しました。


しかし、この非常に技術的なアプローチによって、特定の論文を見落とし、残念ながら本研究から関連情報が除外される可能性があることに留意することが重要です。本論文の執筆および提出の時点では、多くの省略を回避していると考えています。しかし、将来の研究では、読者により広い視点を提供するために、グレー文献を含む包括的なレビューを実施することが有益である可能性があります。

参考文献

  1. Darko A、Chan AP、Adabre MA、Edwards DJ、Hosseini MR、Ameyaw EE。AEC 業界における人工知能: 研究活動の科学計量分析と視覚化。Automation in Construction。2020;112:103081。


  2. Park S、Park HW。危機時の消費者コメントに対する電子口コミ(eWOM)特性と機械学習アプローチのウェブメトリックネットワーク分析。Profesional de la Información。2020;29(5)。


  3. Van Raan A. サイエントメトリクス:最先端技術。サイエントメトリクス。1997;38(1):205-18。


  4. Bharvi D、Garg K、Bali A。国際ジャーナルScientometricsのScientometrics。Scientometrics。2003;56(1):81-93。


  5. Thelwall M、Vaughan L、Björneborn L. Webometrics。情報科学技術の年次レビュー。2005;39(1):81-135。


  6. Björneborn L、Ingwersen P. ウェブメトリクスの展望。科学計量学。 2001;50:65-82.


  7. McBurney MK、Novak PL、編集者。計量書誌学とは何か、なぜ気にする必要があるのか? Proceedings IEEE international professional communication conference; 2002: IEEE。

  8. クーパーID. ビブリオメトリクスの基礎. 医学図書館協会ジャーナル: JMLA. 2015;103(4):217.


  9. Xu Y、Liu X、Cao X、Huang C、Liu E、Qian S、et al。人工知能:科学研究のための強力なパラダイム。イノベーション。2021;2(4)。


  10. Melnikova E. 現代の科学計量学における科学研究の方法と手段のセットにおけるビッグデータ技術。科学技術情報処理。2022;49(2):102-7。


  11. Tapeh ATG、Naser M. 構造工学における人工知能、機械学習、ディープラーニング:トレンドとベストプラクティスの科学計量学レビュー。工学における計算方法のアーカイブ。2023;30(1):115-59。


  12. Saeidnia H. ChatGPTをデジタル/スマートリファレンスロボットとして使用する:ChatGPTはデジタルリファレンスサービスにどのような影響を与えるか?Information Matters。2023;2(5)。


  13. Saeidnia H. Open AI、ChatGPT:存在するか、存在しないか、それが問題だ。Information Matters。2023;3(6)。


  14. Yuan S、Shao Z、Wei X、Tang J、Hall W、Wang Y、他「AIの背後にある科学:トレンド、モビリティ、コラボレーションの進化」Scientometrics. 2020;124:993-1013.


  15. Chaudhuri N、Gupta G、Vamsi V、Bose I。プラットフォーム上では購入しますか? ディープラーニングを使用した顧客の購入行動の予測。意思決定支援システム。2021;149:113622。


  16. G. Martín A、Fernández-Isabel A、Martín de Diego I、Beltrán M. 機械学習技術に基づくユーザー行動分析の調査:現在のモデルとアプリケーション。応用インテリジェンス。2021;51(8):6029-55。


  17. Saeidnia HR. 倫理的な人工知能(AI):図書館・情報業界における偏見と差別に立ち向かう。Library Hi Tech News。2023年、印刷前(印刷前)。doi:10.1108 / LHTN-10-2023-0182。


  18. Hain D、Jurowetzki R、Lee S、Zhou Y. 科学、技術、イノベーションのマッピングと予測のための機械学習と人工知能:レビュー、統合、およびアプリケーション。Scientometrics。2023;128(3):1465-72。


  19. Tricco AC、Lillie E、Zarin W、O'Brien KK、Colquhoun H、Levac D、et al。スコープレビューのための PRISMA 拡張 (PRISMA-ScR): チェックリストと説明。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. ネストされた深さ優先探索について。スピン検証システム。1996;32:81-9。


  22. Donthu N、Kumar S、Mukherjee D、Pandey N、Lim WM。書誌分析の実施方法:概要とガイドライン。ビジネス研究ジャーナル。2021;133:285-96。


  23. Caputo A、Kargina M. 書誌分析中にScopusとWeb of Scienceのデータを統合するユーザーフレンドリーな方法。マーケティング分析ジャーナル。2022;10(1):82-8。


  24. Chen X、Chen J、Cheng G、Gong T。人工知能を活用した人間の脳研究のトピックと動向。PLoS One。2020;15(4):e0231192。


  25. Abrishami A、Aliakbary S. ディープニューラルネットワーク学習技術に基づく引用数の予測。Journal of Informetrics。2019;13(2):485-99。


  26. Corea F、Corea F. AI ナレッジマップ: AI テクノロジーの分類方法。データ入門: AI、ビッグデータ、データサイエンスについて知っておくべきことすべて。2019:25-9。


  27. Jebari C、Herrera-Viedma E、Cobo MJ。研究トピックの進化を検出するための引用コンテキストの使用:大規模分析。Scientometrics。2021;126(4):2971-89。


  28. Ma A、Liu Y、Xu X、Dong T。論文メタデータの意味的特徴を備えたディープラーニングベースの引用数予測モデル。Scientometrics。2021;126(8):6803-23。


  29. Maghsoudi M、Shokouhyar S、Ataei A、Ahmadi S、Shokoohyar S. 持続可能なサプライチェーンにおけるAIアプリケーションの共著ネットワーク分析:主要なプレーヤーとテーマ。クリーナープロダクションジャーナル。2023;422:138472。


  30. Pedro F、Subosa M、Rivas A、Valverde P. 教育における人工知能:持続可能な開発の課題と機会。2019年。


  31. Ullah M、Shahid A、Roman M、Assam M、Fayaz M、Ghadi Y、他共著ネットワークを用いた学際研究の分析。複雑性。2022;2022。


  32. Zhao Q、Feng X。引用ネットワーク構造を利用して論文の引用数を予測する:ディープラーニングアプローチ。Journal of Informetrics。2022;16(1):101235。


  33. Saeidnia HR、Kozak M、Lund B、Mannuru NR、Keshavarz H、Elango B、他「学術図書館サービスのためのモバイルアプリケーションの設計、開発、実装、評価:発展途上国における研究」情報技術と図書館。2023;42(3)。


  34. Soleymani H、Saeidnia HR、Ausloos M、Hassanzadeh M。人工知能(AI)時代の選択的情報発信(SDI)。Library Hi Tech News。2023年、印刷前(印刷前)。doi:10.1108 / LHTN-08-2023-0156。


  35. Fazeli-Varzaneh M、Ghorbi A、Ausloos M、Sallinger E、Vahdati S. コロナウイルス研究の眠れる森の美女。Ieee Access。2021;9:21192-205。


  36. Ceptureanu S、Cerqueti R、Alexandru A、Popescu D、Dhesi G、Ceptureanu E。ブロックチェーン導入による技術移転、パフォーマンス、サプライチェーン統合、柔軟性、応答性への影響。IT&C中規模企業のケーススタディ。情報科学と制御の研究。2021;30(3):61-74。


  37. Amjad S、Younas M、Anwar M、Shaheen Q、Shiraz M、Gani A。ソーシャルメディアが高校生の学業成績に与える影響を分析するためのデータマイニング技術。ワイヤレス通信およびモバイルコンピューティング。2022;2022:1-11。


  38. Barclay I、Taylor H、Preece A、Taylor I、Verma D、de Mel G. 貢献の可視性を高めることで共有人工知能モデルの透明性を促進するフレームワーク。並行性と計算:実践と経験。2021;33(19):e6129。


  39. Grover P、Kar AK、Dwivedi YK。運用管理における人工知能の導入を理解する:学術文献のレビューとソーシャルメディアの議論からの洞察。Annals of Operations Research。2022;308(1-2):177-213。


  40. Khder MA. WebスクレイピングまたはWebクローリング:最新技術、テクニック、アプローチ、アプリケーション。ソフトコンピューティングとその応用の進歩に関する国際ジャーナル。2021;13(3)。


  41. Maulud DH、Zeebaree SR、Jacksi K、Sadeeq MAM、Sharif KH。自然言語処理の意味分析の最新状況。Qubahan学術ジャーナル。2021;1(2):21-8。


  42. Serafini F、Reid SF。マルチモーダルコンテンツ分析:コンテンツ分析への分析アプローチの拡張。ビジュアルコミュニケーション。2019:1470357219864133。


  43. Serrano W. ビッグデータとWeb検索におけるニューラルネットワーク。データ。2018;4(1):7。


  44. Wang W、Yu L. UCrawler: URL知識ベースを使用した学習ベースのWebクローラー。科学と工学における計算方法ジャーナル。2021;21(2):461-74。


  45. Wu L、Dodoo NA、Wen TJ、Ke L.自然言語処理に基づく広告における人工知能に関するTwitterでの会話の理解。国際広告ジャーナル。2022;41(4):685-702。


  46. Zhang Q、Lu J、Jin Y。レコメンデーションシステムにおける人工知能。複雑系・インテリジェントシステム。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。人工知能:科学研究のための強力なパラダイム。イノベーション。2021;2(4):100179。doi:https ://doi.org/10.1016/j.xinn.2021.100179


  48. Abramo G、D'Angelo CA。研究組織のパフォーマンス評価における教師なし著者曖昧性解消アルゴリズムの信頼性はどの程度か? 定量科学研究。2023:1-26。


  49. Al-Jamimi HA、BinMakhashen GM、Bornmann L. 新興市場経済における研究評価のための計量書誌学の活用:計量書誌学指標のレビューと議論。Scientometrics。2022;127(10):5879-930。


  50. Cox AM、Mazumdar S. 図書館員のための人工知能の定義。図書館学と情報科学ジャーナル。0(0):09610006221142029。doi: 10.1177/09610006221142029。


  51. Eisenstein J. 自然言語処理入門:MIT出版、2019年。


  52. Kang Y、Cai Z、Tan CW、Huang Q、Liu H。経営研究における自然言語処理(NLP):文献レビュー。Journal of Management Analytics。2020;7(2):139-72。


  53. Loan FA、Nasreen N、Bashir B. 著者は公正に行動しているのか、それともGoogle Scholarのh-indexを操作しているのか? Library Hi Tech。2022;40(3):676-84。


  54. Rehs A. Web of Scienceにおける著者の曖昧性解消に対する教師あり機械学習アプローチ。Journal of Informetrics。2021;15(3):101166。


  55. Mohammadzadeh Z、Ausloos M、Saeidnia HR。ChatGPT:ハイテク盗作は学術出版のゴーサインを待っている。非代替性トークン(NFT)は解決策となる可能性がある。Library Hi Tech News。2023年。


  56. Saeidnia HR、Lund BD。非代替性トークン(NFT):科学出版における盗作を防止する安全で効果的な方法。Library Hi Tech News。2023;40(2):18-9。


  57. Mrowinski MJ、Fronczak P、Fronczak A、Ausloos M、Nedic O. 査読における人工知能:進化的計算はジャーナル編集者をどのようにサポートできるか? PloS one. 2017;12(9):e0184711.


  58. Piva F, Tartari F, Giulietti M, Aiello MM, Cheng L, Lopez-Beltran A, et al. 人工ニューラルネットワークによる米国における将来の癌負担の予測。Future Oncology. 2020;17(2):159-68.


  59. Brewer R、Westlake B、Hart T、Arauza O。サイバー犯罪研究におけるウェブクロールとウェブスクレイピングの倫理:自動データ収集に伴う同意、プライバシー、その他の潜在的危害の問題への対応。Lavorgna A、Holt TJ 編。サイバー犯罪の研究:方法論、倫理、批判的アプローチ。Cham:Springer International Publishing、2021年、p.435-56。


  60. Alaidi AHM、Roa'a M、ALRikabi H、Aljazaery IA、Abbood SH。データマイニング技術を使用したダークウェブの違法行為のクロールと分類。iJIM。2022;16(10):123。


  61. Thomas DM、Mathur S、編集者。Python を使用した Web スクレイピングによるデータ分析。2019 第 3 回国際電子通信航空宇宙技術会議 (ICECA)、2019: IEEE。


  62. Korkmaz M、Sahingoz OK、Diri B、編集者。機械学習ベースの URL 分析を使用したフィッシング Web サイトの検出。2020 第 11 回国際コンピューティング、通信、ネットワーク技術会議 (ICCCNT)、2020: IEEE。


  63. Yuan H、Chen X、Li Y、Yang Z、Liu W、編集者。URL と Web ページ リンクに基づくフィッシング Web サイトとターゲットの検出。2018 第 24 回国際パターン認識会議 (ICPR)、2018: IEEE。


  64. Dutta AK.機械学習技術を使用したフィッシングサイトの検出。PloS one.2021;16(10):e0258361.


  65. Jalil S、Usman M、Fong A. 機械学習に基づく高精度のフィッシングURL検出。Journal of Ambient Intelligence and Humanized Computing。2023;14(7):9233-51。


  66. Kiesel J、Meyer L、Kneist F、Stein B、Potthast M、編集者。Webページセグメンテーションアルゴリズムの実証的比較。ヨーロッパ情報検索会議、2021年:Springer。


  67. Balaji T、Annavarapu CSR、Bablani A. ソーシャルメディア分析のための機械学習アルゴリズム:調査。コンピュータサイエンスレビュー。2021;40:100395。


  68. Rietz T. 定性データの収集と分析のための AI ベースシステムの設計。2021 年。


  69. Nicholson JM、Mordaunt M、Lopez P、Uppala A、Rosati D、Rodrigues NP、他。Scite:引用のコンテキストを表示し、ディープラーニングを使用してその意図を分類するスマート引用インデックス。定量科学研究。2021;2(3):882-98。


  70. Mihaljević H、Santamaría L. 教師あり学習とグラフ理論手法を用いたADSにおける著者エンティティの曖昧性解消。Scientometrics。2021;126(5):3893-917。doi: 10.1007/s11192-021-03951-w。


  71. Tekles A、Bornmann L. 書誌データの著者名の曖昧さ解消:いくつかの教師なしアプローチの比較1。定量科学研究。2020;1(4):1510-28。doi: 10.1162/qss_a_00081。


  72. Grodzinski N、Grodzinski B、Davies BM。共著ネットワークを使用して著者の研究の影響を予測できますか?変性頸椎脊髄症研究分野における機械学習ベースの分析。Plos one。2021;16(9):e0256997。


  73. Fonseca Bde P、Sampaio RB、Fonseca MV、Zicker F. 健康研究における共著ネットワーク分析:方法と潜在的な用途。健康研究政策とシステム。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. AIを介したコミュニケーション:定義、研究課題、倫理的配慮。コンピュータを介したコミュニケーションジャーナル。2020;25(1):89-100。


  75. Safdar NM、Banja JD、Meltzer CC。人工知能における倫理的配慮。ヨーロッパ放射線学ジャーナル。2020;122:108768。


  76. Pratomo AB、Mokodenseho S、Aziz AM。情報システムのセキュリティとプライバシーを強化するためのデータ暗号化と匿名化技術。West Science Information System and Technology。2023;1(01):1-9。


  77. Ferrer X、van Nuenen T、Such JM、Coté M、Criado N. AIにおける偏見と差別:学際的な視点。IEEEテクノロジーアンドソサエティマガジン。2021;40(2):72-80。


  78. Ferrara E. 人工知能における公平性と偏見:その原因、影響、緩和戦略に関する簡単な調査。arXiv プレプリント arXiv:230407683。2023 年。


  79. Gichoya JW、Thomas K、Celi LA、Safdar N、Banerjee I、Banja JD、他「AIの落とし穴とやってはいけないこと:AIにおけるバイアスの緩和」The British Journal of Radiology. 2023:20230023.


  80. von Eschenbach WJ. 透明性とブラックボックス問題:なぜAIを信頼しないのか。哲学とテクノロジー。2021;34(4):1607-22。


  81. Yazdanpanah V、Gerding EH、Stein S、Dastani M、Jonker CM、Norman TJ、他「自律システムにおける責任についての推論:課題と機会」AI & SOCIETY. 2023;38(4):1453-64.


この論文は、CC BY 4.0 DEED ライセンスの下でarxiv で公開されています