"AI는 데이터 수집, 분석, 예측, 평가 프로세스를 향상시킬 수 있습니다"

링크 표

초록 및 소개

재료 및 방법

결과

RQ 1: AI와 과학계량학

RQ 2: AI와 웹메트릭스

RQ 3: AI와 계량서지학

논의

RQ 4: AI를 통한 과학계량학, 웹 측정학, 계량서지학의 미래

RQ 5: AI를 이용한 과학계측학, 웹계량학, 계량서지학의 윤리적 고려사항

결론, 제한 사항 및 참고 자료

결론

이 보고서에서 우리는 문헌의 수많은 사례를 통해 AI 알고리즘을 과학계측학, 웹계량학, 계량서지학과 통합하는 것의 중요성과 잠재력을 강조합니다. 이러한 분야에서 AI 알고리즘이 겪은 패러다임 전환은 분석, 예측 및 패턴 마이닝 기반 권장 사항에 대한 새로운 가능성을 드러낸 것으로 나타났습니다. 본 리뷰에서 이 논문은 과학계량학, 웹계측학, 계량서지학에 AI를 통합하는 것의 두드러진 전망과 가치를 강조하는 데 기여합니다. 즉, 이러한 통합을 통해 달성하고 육성할 수 있는 시너지 효과를 나타냅니다.

간단히 말해서, AI는 과학 출판물, 인용 네트워크 및 협업 관계로부터 통찰력을 분석하고 도출할 수 있는 효율적이고 정확한 방법을 제공함으로써 과학계량학을 돕습니다. 이를 통해 연구자들은 과학 지식, 동향, 영향에 대해 더 깊이 이해할 수 있게 되어 더 나은 의사 결정을 내리고 과학 연구의 발전을 촉진할 수 있습니다. 또한 AI는 웹 기반 과학 데이터를 분석하고, 링크 구조와 사회적 상호 작용을 이해하고, 웹 영향을 평가하고, 개인화된 권장 사항을 제공하는 효율적이고 자동화된 방법을 제공함으로써 웹 측정을 향상시킵니다. 이를 통해 연구자들은 웹 기반 과학 생태계에 대한 통찰력을 얻고, 협업을 촉진하며, 디지털 시대의 연구 가시성과 영향력을 향상할 수 있습니다. 또한 AI는 데이터 수집을 자동화하고, 정확한 저자 명확성을 제공하고, 인용 네트워크를 분석하고, 연구 영향을 평가하고, 개인화된 추천을 제공함으로써 계량서지학 활동 분야를 향상시킵니다. 이를 통해 연구자는 학술 커뮤니케이션에 대한 통찰력을 얻고, 연구 성과를 평가하고, 참고문헌 분석에서 정보에 입각한 결정을 내릴 수 있습니다. 전반적으로 AI는 과학계량학, 웹계량학, 계량서지학에 대한 효율적이고 확장 가능한 접근 방식을 제시하여 연구자들이 방대하고 다양한 과학 정보 소스에서 의미 있는 통찰력을 추출할 수 있도록 해줍니다.

결론적으로, 인공지능(AI)을 과학계측학, 웹계량학, 계량서지학에 통합하는 것은 이러한 분야의 연구와 이해를 발전시키는 데 상당한 잠재력을 가지고 있습니다. AI는 데이터 수집, 분석, 예측 및 평가 프로세스를 향상하여 연구자들에게 귀중한 통찰력을 제공하고 의사 결정 프로세스를 개선할 수 있습니다.

그러나 이러한 분야에서 AI를 사용하면 신중하게 다루어야 하는 중요한 윤리적 고려 사항도 제기됩니다. 데이터 개인 정보 보호 및 보안, 편견 및 공정성, 투명성 및 설명 가능성, 책임 및 책임, 고지된 동의, 고용 및 사회에 미치는 영향, 지속적인 모니터링 및 평가는 고려해야 할 주요 윤리적 고려 사항 중 하나입니다. AI의 책임감 있고 윤리적인 사용을 보장하려면 학제간 협업, 이해관계자 참여 및 지속적인 평가가 중요합니다. 다양한 분야의 연구자, 정책 입안자, 윤리학자 및 이해관계자는 과학계량학, 웹계량학, 계량서지학에서 윤리적인 AI 사용을 촉진하는 지침, 프레임워크 및 모범 사례를 개발하기 위해 협력해야 합니다. 이러한 윤리적 고려 사항을 해결함으로써 우리는 AI의 잠재력을 최대한 활용하여 지식을 발전시키고 연구 관행을 개선하며 사회 개선에 기여하는 동시에 이러한 기술 사용에 대한 공정성, 투명성 및 책임성을 보장할 수 있습니다.

제한 사항

이 특정 연구에서는 검색 및 검토 과정에 회색 문헌을 포함하지 않았으며 Google Scholar에서 수동으로 검색하지도 않았습니다. 대신, 우리의 의도는 신뢰할 수 있는 데이터베이스 검색에 집중하는 것이었습니다. Google Scholar는 종종 데이터베이스로 언급되지만 실제로는 고품질 기사가 포함되지 않고 신뢰할 수 있는 연구만 검색할 수 있는 검색 엔진입니다. Google Scholar에서 검색하지 않음으로써 중복되는 연구의 수를 최소화하는 것을 목표로 했습니다.

그러나 이러한 고도의 기술적 접근 방식으로 인해 특정 기사가 간과될 수 있으며, 이로 인해 유감스럽게도 관련 정보를 제외하는 연구가 발생할 수 있다는 점에 유의하는 것이 중요합니다. 우리는 이 논문을 작성하고 제출하는 시점까지 많은 누락이 발생하지 않도록 보호한다고 생각합니다. 그러나 향후 연구에서는 독자들에게 더 넓은 관점을 제공하기 위해 회색 문헌을 포함하는 포괄적인 검토를 수행하는 것이 유익할 수 있습니다.

참고자료

1. Darko A, Chan AP, Adabre MA, Edwards DJ, Hosseini MR, Ameyaw EE. AEC 산업의 인공 지능: 연구 활동의 과학적인 분석 및 시각화. 건설 자동화. 2020;112:103081.

   
   

2. 박S, 박HW. 전자 입소문(eWOM) 특성에 대한 웹메트릭 네트워크 분석과 위기 상황에서 소비자 의견에 대한 기계 학습 접근 방식. 전문적인 정보 제공. 2020;29(5).

   
   

3. Van Raan A. 과학계량학: 최첨단 기술. 과학계량학. 1997;38(1):205-18.

   
   

4. Bharvi D, Garg K, Bali A. 국제 저널 Scientometrics의 Scientometrics. 과학계량학. 2003;56(1):81-93.

   
   

5. Thelwall M, Vaughan L, Björneborn L. Webometrics. 정보 과학 및 기술에 대한 연례 검토. 2005;39(1):81-135.

   
   

6. Björneborn L, Ingwersen P. 웹 측정학의 관점. 과학계량학. 2001;50:65-82.

   
   

7. McBurney MK, Novak PL, 편집자. 계량서지학이란 무엇이며 왜 관심을 가져야 합니까? 절차 IEEE 국제 전문 커뮤니케이션 컨퍼런스; 2002: IEEE.

8. 쿠퍼 아이디. 계량서지학의 기초. 의학도서관협회 저널: JMLA. 2015;103(4):217.

   
   

9. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S, 외. 인공 지능: 과학 연구를 위한 강력한 패러다임. 혁신. 2021;2(4).

   
   

10. Melnikova E. 현대 과학계량학의 과학 연구 방법 및 수단 집합에 포함된 빅 데이터 기술. 과학 및 기술 정보 처리. 2022;49(2):102-7.

    
    

11. Tapeh ATG, Naser M. 구조 공학의 인공 지능, 기계 학습 및 딥 러닝: 추세 및 모범 사례에 대한 과학계량학 검토. 공학의 계산 방법 기록 보관소. 2023;30(1):115-59.

    
    

12. Saeidnia H. ChatGPT를 디지털/스마트 참조 로봇으로 사용: ChatGPT가 디지털 참조 서비스에 어떤 영향을 미칠 수 있습니까? 정보가 중요합니다. 2023;2(5).

    
    

13. Saeidnia H. Open AI, ChatGPT: 존재하느냐 사느냐, 그것이 문제입니다. 정보가 중요합니다. 2023;3(6).

    
    

14. Yuan S, Shao Z, Wei X, Tang J, 홀 W, Wang Y 등 AI 뒤의 과학: 트렌드, 이동성 및 협업의 진화. 과학계량학. 2020;124:993-1013.

    
    

15. Chaudhuri N, Gupta G, Vamsi V, Bose I. 플랫폼에서 구매할까요? 딥러닝을 활용하여 고객의 구매 행동을 예측합니다. 의사결정 지원 시스템. 2021;149:113622.

    
    

16. G. Martín A, Fernández-Isabel A, Martín de Diego I, Beltrán M. 기계 학습 기술을 기반으로 한 사용자 행동 분석에 대한 설문조사: 현재 모델 및 애플리케이션. 응용지능. 2021;51(8):6029-55.

    
    

17. 사이이드니아 HR. 윤리적 인공지능(AI): 도서관 및 정보 산업의 편견과 차별에 맞서다. 도서관 하이테크 뉴스. 2023;ahead-of-print(인쇄 전). 도이: 10.1108/LHTN-10-2023-0182.

    
    

18. Hain D, Jurowetzki R, Lee S, Zhou Y. 과학, 기술, 혁신 매핑 및 예측을 위한 기계 학습 및 인공 지능: 검토, 합성 및 응용. 과학계량학. 2023;128(3):1465-72.

    
    

19. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D, 외. 범위 검토를 위한 PRISMA 확장(PRISMA-ScR): 체크리스트 및 설명. 내과의 연대기. 2018;169(7):467-

20. 이펍 2018/09/05. 도이: 10.7326/m18-0850. PubMed PMID: 30178033.

    
    

21. Holzmann GJ, Peled DA, Yannakakis M. 중첩된 깊이 우선 검색. 스핀 검증 시스템. 1996;32:81-9.

    
    

22. Donthu N, Kumar S, Mukherjee D, Pandey N, 임 WM. 계량서지학적 분석을 수행하는 방법: 개요 및 지침. 비즈니스 연구 저널. 2021;133:285-96.

    
    

23. Caputo A, Kargina M. 계량서지 분석 중에 Scopus와 Web of Science 데이터를 병합하는 사용자 친화적인 방법입니다. 마케팅 분석 저널. 2022;10(1):82-8.

    
    

24. Chen X, Chen J, Cheng G, Gong T. 인공 지능의 주제와 추세는 인간 두뇌 연구를 지원했습니다. PLoS 원. 2020;15(4):e0231192.

    
    

25. Abrishami A, Aliakbary S. 심층 신경망 학습 기술을 기반으로 인용 횟수 예측. 인포메트릭스 저널. 2019;13(2):485-99.

    
    

26. Corea F, Corea F. AI 지식 지도: AI 기술을 분류하는 방법. 데이터 소개: AI, 빅데이터, 데이터 과학에 대해 알아야 할 모든 것. 2019:25-9.

    
    

27. Jebari C, Herrera-Viedma E, Cobo MJ. 연구 주제의 진화를 감지하기 위한 인용 맥락의 사용: 대규모 분석. 과학계량학. 2021;126(4):2971-89.

    
    

28. Ma A, Liu Y, Xu X, Dong T. 논문 메타데이터 의미론적 특징을 갖춘 딥러닝 기반 인용 횟수 예측 모델. 과학계량학. 2021;126(8):6803-23.

    
    

29. Maghsoudi M, Shokouhyar S, Ataei A, Ahmadi S, Shokoohyar S. 지속 가능한 공급망의 AI 애플리케이션에 대한 공동 저작 네트워크 분석: 핵심 플레이어 및 테마. 청정 생산 저널. 2023;422:138472.

    
    

30. Pedro F, Subosa M, Rivas A, Valverde P. 교육에서의 인공 지능: 지속 가능한 개발을 위한 도전과 기회. 2019.

    
    

31. Ullah M, Shahid A, Roman M, Assam M, Fayaz M, Ghadi Y, 외. 공동저자 네트워크를 활용하여 학제간 연구를 분석합니다. 복잡성. 2022;2022.

    
    

32. Zhao Q, Feng X. 인용 네트워크 구조를 활용하여 논문 인용 횟수 예측: 딥 러닝 접근 방식. 인포메트릭스 저널. 2022;16(1):101235.

    
    

33. Saeidnia HR, Kozak M, Lund B, Mannuru NR, Keshavarz H, Elango B, 외. 학술 도서관 서비스를 위한 모바일 애플리케이션의 설계, 개발, 구현 및 평가: 개발도상국에서의 연구. 정보 기술 및 도서관. 2023;42(3).

    
    

34. Soleymani H, Saeidnia HR, Ausloos M, Hassanzadeh M. 인공 지능(AI) 시대의 정보(SDI) 선택적 보급. 도서관 하이테크 뉴스. 2023;ahead-of-print(인쇄 전). 도이: 10.1108/LHTN-08-2023-0156.

    
    

35. Fazeli-Varzaneh M, Ghorbi A, Ausloos M, Sallinger E, Vahdati S. 코로나바이러스 연구의 잠자는 숲속의 미녀. IEEE 액세스. 2021;9:21192-205.

    
    

36. Ceptureanu S, Cerqueti R, Alexandru A, Popescu D, Dhesi G, Ceptureanu E. 블록체인 채택이 기술 이전, 성능 및 공급망 통합, 유연성 및 대응성에 미치는 영향. IT&C 중견기업의 사례 연구입니다. 정보학 및 제어 연구. 2021;30(3):61-74.

    
    

37. Amjad S, Younas M, Anwar M, Shaheen Q, Shiraz M, Gani A. 고등학생의 학업 성과에 대한 소셜 미디어의 영향을 분석하는 데이터 마이닝 기술. 무선 통신 및 모바일 컴퓨팅. 2022;2022:1-11.

    
    

38. Barclay I, Taylor H, Preece A, Taylor I, Verma D, de Mel G. 기여 가시성을 높여 공유 인공 지능 모델의 투명성을 강화하기 위한 프레임워크입니다. 동시성 및 계산: 실습 및 경험. 2021;33(19):e6129.

    
    

39. 그로버 P, Kar AK, Dwivedi YK. 운영 관리에서 인공 지능 채택 이해: 학술 문헌 검토 및 소셜 미디어 토론에서 얻은 통찰력. 운영 연구 연보. 2022;308(1-2):177-213.

    
    

40. 크데르 MA. 웹 스크래핑 또는 웹 크롤링: 최신 기술, 기술, 접근 방식 및 응용 프로그램. 소프트 컴퓨팅 및 응용 분야의 발전에 관한 국제 저널. 2021;13(3).

    
    

41. Maulud DH, Zeebaree SR, Jacksi K, Sadeeq MAM, 샤리프 KH. 자연어 처리의 의미론적 분석을 위한 최신 기술입니다. 쿠바한 학술지. 2021;1(2):21-8.

    
    

42. 세라피니 F, 리드 SF. 다중 모드 콘텐츠 분석: 콘텐츠 분석에 대한 분석적 접근 방식을 확장합니다. 시각적 커뮤니케이션. 2019:1470357219864133.

    
    

43. Serrano W. 빅 데이터 및 웹 검색의 신경망. 데이터. 2018;4(1):7.

    
    

44. Wang W, Yu L. UCrawler: URL 지식 기반을 사용하는 학습 기반 웹 크롤러. 과학 및 공학의 계산 방법 저널. 2021;21(2):461-74.

    
    

45. Wu L, Dodoo NA, Wen TJ, Ke L. 자연어 처리를 기반으로 한 광고의 인공 지능에 대한 트위터 대화를 이해합니다. 국제 광고 저널. 2022;41(4):685-702.

    
    

46. Zhang Q, Lu J, Jin Y. 추천 시스템의 인공 지능. 복잡하고 지능적인 시스템. 2021;7(1):439-57. 도이: 10.1007/s40747-020-00212-w.

    
    

47. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S, 외. 인공 지능: 과학 연구를 위한 강력한 패러다임. 혁신. 2021;2(4):100179. 도이: https://doi.org/10.1016/j.xinn.2021.100179 .

    
    

48. Abramo G, D'Angelo CA. 연구 기관 성과 평가에서 감독되지 않은 저자 명확성 알고리즘은 얼마나 신뢰할 수 있습니까? 정량적 과학 연구. 2023:1-26.

    
    

49. Al-Jamimi HA, BinMakhashen GM, Bornmann L. 신흥 시장 경제의 연구 평가를 위한 계량서지 활용: 계량서지 지표에 대한 검토 및 토론. 과학계량학. 2022;127(10):5879-930.

    
    

50. Cox AM, Mazumdar S. 사서를 위한 인공 지능 정의. 사서정보과학저널.0(0):09610006221142029. 도이: 10.1177/09610006221142029.

    
    

51. Eisenstein J. 자연어 처리 소개: MIT 출판물; 2019.

    
    

52. Kang Y, Cai Z, Tan CW, Huang Q, Liu H. 경영 연구에서의 자연어 처리(NLP): 문헌 검토. 경영 분석 저널. 2020;7(2):139-72.

    
    

53. 대출 FA, Nasreen N, Bashir B. 저자는 공정하게 플레이하거나 Google Scholar h-index를 조작합니까? 도서관 하이테크. 2022;40(3):676-84.

    
    

54. Rehs A. Web of Science의 저자 명확성에 대한 지도형 기계 학습 접근 방식. 인포메트릭스 저널. 2021;15(3):101166.

    
    

55. Mohammadzadeh Z, Ausloos M, Saeidnia HR. ChatGPT: 첨단 기술 표절이 학술 출판 승인을 기다리고 있습니다. 대체 불가능한 토큰(NFT)이 탈출구가 될 수 있습니다. 도서관 하이테크 뉴스. 2023.

    
    

56. Saeidnia HR, 룬드 BD. 대체 불가능한 토큰(NFT): 과학 출판에서 표절을 방지하는 안전하고 효과적인 방법입니다. 도서관 하이테크 뉴스. 2023;40(2):18-9.

    
    

57. Mrowinski MJ, Fronczak P, Fronczak A, Ausloos M, Nedic O. 동료 검토의 인공 지능: 진화 컴퓨팅이 저널 편집자를 어떻게 지원할 수 있습니까? PloS 하나. 2017;12(9):e0184711.

    
    

58. Piva F, Tartari F, Giulietti M, Aiello MM, Cheng L, Lopez-Beltran A, 외. 인공 신경망을 통한 미국의 미래 암 부담 예측. 미래 종양학. 2020;17(2):159-68.

    
    

59. Brewer R, Westlake B, Hart T, Arauza O. 사이버 범죄 연구에서 웹 크롤링 및 웹 스크래핑의 윤리: 자동화된 데이터 수집과 관련된 동의, 개인 정보 보호 및 기타 잠재적 피해 문제 탐색. In: Lavorgna A, Holt TJ, 편집자. 사이버 범죄 연구: 방법론, 윤리 및 중요한 접근 방식. 참: Springer International Publishing; 2021.p. 435-56.

    
    

60. Alaidi AHM, Roa'a M, ALRikabi H, Aljazaery IA, Abbood SH. 데이터마이닝 기법을 이용한 다크웹 불법 크롤링 및 분류 활동. 아이짐. 2022;16(10):123.

    
    

61. Thomas DM, Mathur S, 편집자. Python을 이용한 웹 스크래핑을 통한 데이터 분석. 2019 제3차 전자, 통신, 항공우주기술 국제회의(ICECA); 2019: IEEE.

    
    

62. Korkmaz M, Sahingoz OK, Diri B, 편집자. 머신러닝 기반 URL 분석을 활용한 피싱 웹사이트 탐지 2020 제11회 컴퓨팅, 통신 및 네트워킹 기술에 관한 국제 컨퍼런스(ICCCNT); 2020: IEEE.

    
    

63. Yuan H, Chen X, Li Y, Yang Z, Liu W, 편집자. URL 및 웹페이지 링크를 기반으로 피싱 웹사이트 및 대상을 탐지합니다. 2018 제24회 패턴인식에 관한 국제회의(ICPR); 2018: IEEE.

    
    

64. 두타 AK. 머신러닝 기술을 활용하여 피싱 웹사이트를 탐지합니다. PloS 하나. 2021;16(10):e0258361.

    
    

65. Jalil S, Usman M, Fong A. 기계 학습을 기반으로 매우 정확한 피싱 URL 탐지. 주변 지능 및 인간화 컴퓨팅 저널. 2023;14(7):9233-51.

    
    

66. Kiesel J, Meyer L, Kneist F, Stein B, Potthast M, 편집자. 웹페이지 분할 알고리즘의 실증적 비교. 정보 검색에 관한 유럽 회의; 2021: 스프링거.

    
    

67. Balaji T, Annavarapu CSR, Bablani A. 소셜 미디어 분석을 위한 기계 학습 알고리즘: 설문조사. 컴퓨터 과학 검토. 2021;40:100395.

    
    

68. Rietz T. 정성적 데이터 수집 및 분석을 위한 AI 기반 시스템 설계. 2021.

    
    

69. Nicholson JM, Mordaunt M, Lopez P, Uppala A, Rosati D, Rodrigues NP 등. Scite: 딥러닝을 사용하여 인용의 맥락을 표시하고 의도를 분류하는 스마트 인용 색인입니다. 정량적 과학 연구. 2021;2(3):882-98.

    
    

70. Mihaljević H, Santamaría L. 지도 학습 및 그래프 이론 방법을 사용하여 ADS의 작성자 엔터티를 명확하게 합니다. 과학계량학. 2021;126(5):3893-917. 도이: 10.1007/s11192-021-03951-w.

    
    

71. Tekles A, Bornmann L. 저자 이름 계량서지 데이터의 명확성: 여러 비지도 접근 방식의 비교1. 정량적 과학 연구. 2020;1(4):1510-28. 도이: 10.1162/qss_a_00081.

    
    

72. 그로진스키 N, 그로진스키 B, 데이비스 BM. 공동 저자 네트워크를 사용하여 저자 연구 영향을 예측할 수 있나요? 퇴행성 경추 척수병증 연구 분야의 머신러닝 기반 분석입니다. 하나. 2021;16(9):e0256997.

    
    

73. Fonseca Bde P, Sampaio RB, Fonseca MV, Zicker F. 건강 연구의 공동 저자 네트워크 분석: 방법 및 잠재적 사용. 보건 연구 정책 및 시스템. 2016;14(1):34. 이펍 2016/05/04. 도이: 10.1186/s12961-016-0104-5. PubMed PMID: 27138279; PubMed Central PMCID: PMCPMC4852432.

    
    

74. Hancock JT, Naaman M, Levy K. AI를 통한 커뮤니케이션: 정의, 연구 의제 및 윤리적 고려 사항. 컴퓨터 중재 커뮤니케이션 저널. 2020;25(1):89-100.

    
    

75. Safdar NM, Banja JD, Meltzer CC. 인공지능의 윤리적 고려사항. 유럽 방사선학 저널. 2020;122:108768.

    
    

76. Pratomo AB, Mokodenseho S, Aziz AM. 향상된 정보 시스템 보안 및 개인 정보 보호를 위한 데이터 암호화 및 익명화 기술. 웨스트 사이언스 정보 시스템 및 기술. 2023;1(01):1-9.

    
    

77. Ferrer X, van Nuenen T, Such JM, Coté M, Criado N. AI의 편견과 차별: 학제간 관점. IEEE 기술 및 사회 매거진. 2021;40(2):72-80.

    
    

78. Ferrara E. 인공 지능의 공정성과 편견: 출처, 영향 및 완화 전략에 대한 간략한 조사. arXiv 사전 인쇄 arXiv:230407683. 2023.

    
    

79. Gichoya JW, Thomas K, Celi LA, Safdar N, Banerjee I, Banja JD 등 AI의 함정과 하지 말아야 할 것: AI의 편견 완화. 영국 방사선학 저널. 2023:20230023.

    
    

80. 폰 Eschenbach WJ. 투명성과 블랙박스 문제: 우리가 AI를 신뢰하지 않는 이유 철학과 기술. 2021;34(4):1607-22.

    
    

81. Yazdanpanah V, Gerding EH, Stein S, Dastani M, Jonker CM, Norman TJ 등 자율 시스템의 책임에 대한 추론: 도전과 기회. AI와 사회. 2023;38(4):1453-64.