"A IA pode aprimorar os processos de coleta, análise, previsão e avaliação de dados"

Tabela de links

Resumo e introdução

Materiais e métodos

Resultados

RQ 1: IA e cienciometria

RQ 2: IA e webometria

RQ 3: IA e bibliometria

Discussão

RQ 4: Futuro da Cientometria, Webometria e Bibliometria com IA

RQ 5: Considerações Éticas de Cientometria, Webometria e Bibliometria com IA

Conclusão, Limitações e Referências

Conclusão

Neste relatório, enfatizamos a importância e o potencial da integração de algoritmos de IA com cienciometria, webometria e bibliometria, através de numerosos exemplos na literatura. Foi demonstrado que a mudança de paradigma sofrida pelos algoritmos de IA nesses campos revelou novas possibilidades de análise, previsão e recomendações baseadas em mineração de padrões. Nesta revisão, o artigo contribui para sublinhar as perspectivas proeminentes e o valor da integração da IA na cienciometria, webometria e bibliometria, ou seja, para significar a sinergia que pode ser alcançada e promovida através desta integração.

Em resumo, a IA ajuda a cientometria, fornecendo métodos eficientes e precisos para analisar e obter insights de publicações científicas, redes de citações e relacionamentos colaborativos. Isto deverá permitir aos investigadores obter uma compreensão mais profunda do conhecimento científico, das tendências e do impacto, facilitando uma melhor tomada de decisões e avanços na investigação científica. Além disso, a IA melhora a webometria ao fornecer métodos eficientes e automatizados para analisar dados científicos baseados na web, compreender estruturas de links e interações sociais, avaliar o impacto da web e fornecer recomendações personalizadas. Isto permite aos investigadores obter conhecimentos sobre o ecossistema científico baseado na web, facilitar colaborações e melhorar a visibilidade e o impacto da investigação na era digital. Além disso, a IA aprimora o campo de atividades bibliométricas ao automatizar a coleta de dados, fornecer desambiguação precisa dos autores, analisar redes de citações, avaliar o impacto da pesquisa e fornecer recomendações personalizadas. Isso permite que os pesquisadores obtenham insights sobre a comunicação acadêmica, avaliem o desempenho da pesquisa e tomem decisões informadas em suas análises bibliométricas. No geral, a IA apresenta uma abordagem eficiente e escalável à cienciometria, webometria e bibliometria, permitindo aos investigadores extrair insights significativos de vastas e diversas fontes de informação científica.

Em conclusão, a integração da inteligência artificial (IA) na cienciometria, na webometria e na bibliometria tem um potencial significativo para o avanço da investigação e da compreensão nestes campos. A IA pode melhorar os processos de recolha, análise, previsão e avaliação de dados, fornecendo aos investigadores informações valiosas e melhorando os processos de tomada de decisão.

No entanto, a utilização da IA nestas áreas também levanta importantes considerações éticas que devem ser cuidadosamente abordadas. A privacidade e a segurança dos dados, o preconceito e a justiça, a transparência e a explicabilidade, a responsabilização e a responsabilidade, o consentimento informado, o impacto no emprego e na sociedade e a monitorização e avaliação contínuas estão entre as principais considerações éticas que devem ser tidas em conta. Para garantir a utilização responsável e ética da IA, a colaboração interdisciplinar, o envolvimento das partes interessadas e a avaliação contínua são cruciais. Pesquisadores, formuladores de políticas, especialistas em ética e partes interessadas de diversas áreas devem trabalhar juntos para desenvolver diretrizes, estruturas e melhores práticas que promovam o uso ético da IA em cienciometria, webometria e bibliometria. Ao abordar estas considerações éticas, podemos aproveitar todo o potencial da IA para promover o conhecimento, melhorar as práticas de investigação e contribuir para a melhoria da sociedade, garantindo ao mesmo tempo a justiça, a transparência e a responsabilização na utilização destas tecnologias.

Limitações

Neste estudo específico, não incluímos a literatura cinzenta em nosso processo de busca e revisão, nem pesquisamos manualmente no Google Scholar. Em vez disso, nossa intenção era focar na busca em bases de dados confiáveis. Embora o Google Scholar seja frequentemente referido como um banco de dados, na verdade é um mecanismo de pesquisa que pode não incluir artigos de alta qualidade e apenas recuperar estudos confiáveis. Ao não pesquisar no Google Acadêmico, objetivamos minimizar o número de estudos sobrepostos.

No entanto, é importante notar que esta abordagem altamente técnica pode ter resultado na negligência de certos artigos, o que poderia infelizmente levar o nosso estudo a excluir informações relevantes. Consideramos que até o momento da redação e submissão deste artigo, nos resguardamos contra muitas omissões. No entanto, para estudos futuros, pode ser benéfico realizar uma revisão abrangente que inclua a literatura cinzenta, a fim de fornecer aos leitores uma perspectiva mais ampla.

Referências

1. Darko A, Chan AP, Adabre MA, Edwards DJ, Hosseini MR, Ameyaw EE. Inteligência artificial na indústria AEC: Análise cienciométrica e visualização de atividades de pesquisa. Automação na Construção. 2020;112:103081.

   
   

2. Parque S, Parque HW. Uma análise de rede webométrica das características do boca a boca eletrônico (eWOM) e abordagem de aprendizado de máquina para comentários de consumidores durante uma crise. Profissional da Informação. 2020;29(5).

   
   

3. Van Raan A. Cientometria: Estado da Arte. Cientometria. 1997;38(1):205-18.

   
   

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

   
   

5. Thelwall M, Vaughan L, Björneborn L. Webometria. Revisão anual de ciência e tecnologia da informação. 2005;39(1):81-135.

   
   

6. Björneborn L, Ingwersen P. Perspectiva da webometria. Cientometria. 2001;50:65-82.

   
   

7. McBurney MK, Novak PL, editores. O que é bibliometria e por que você deveria se importar? Anais da conferência internacional de comunicação profissional IEEE; 2002: IEEE.

8. ID Cooper. Noções básicas de bibliometria. Jornal da Associação de Bibliotecas Médicas: JMLA. 2015;103(4):217.

   
   

9. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S, et al. Inteligência artificial: um paradigma poderoso para a pesquisa científica. A Inovação. 2021;2(4).

   
   

10. Melnikova E. Tecnologia de big data no conjunto de métodos e meios de pesquisa científica em cienciometria moderna. Processamento de informação científica e técnica. 2022;49(2):102-7.

    
    

11. Tapeh ATG, Naser M. Inteligência artificial, aprendizado de máquina e aprendizado profundo em engenharia estrutural: uma revisão cienciométrica de tendências e melhores práticas. Arquivos de Métodos Computacionais em Engenharia. 2023;30(1):115-59.

    
    

12. Saeidnia H. Usando ChatGPT como um robô de referência digital/inteligente: como o ChatGPT pode impactar os serviços de referência digital? Informação é importante. 2023;2(5).

    
    

13. Saeidnia H. Open AI, ChatGPT: Ser ou não ser, essa é a questão. Informação é importante. 2023;3(6).

    
    

14. Yuan S, Shao Z, Wei X, Tang J, Hall W, Wang Y, et al. Ciência por trás da IA: a evolução da tendência, mobilidade e colaboração. Cientometria. 2020;124:993-1013.

    
    

15. Chaudhuri N, Gupta G, Vamsi V, Bose I. Na plataforma, mas eles vão comprar? Prever o comportamento de compra dos clientes usando aprendizagem profunda. Sistemas de Suporte à Decisão. 2021;149:113622.

    
    

16. G. Martín A, Fernández-Isabel A, Martín de Diego I, Beltrán M. Uma pesquisa para análise do comportamento do usuário baseada em técnicas de aprendizado de máquina: modelos e aplicações atuais. Inteligência Aplicada. 2021;51(8):6029-55.

    
    

17. Saeidnia HR. Inteligência artificial ética (IA): enfrentando preconceitos e discriminação na biblioteca e na indústria da informação. Biblioteca Hi Tech News. 2023;antes da impressão(antes da impressão). doi: 10.1108/LHTN-10-2023-0182.

    
    

18. Hain D, Jurowetzki R, Lee S, Zhou Y. Aprendizado de máquina e inteligência artificial para ciência, tecnologia, mapeamento e previsão de inovação: revisão, síntese e aplicações. Cientometria. 2023;128(3):1465-72.

    
    

19. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D, et al. Extensão PRISMA para revisões de escopo (PRISMA-ScR): lista de verificação e explicação. Anais de medicina interna. 2018;169(7):467-

20. Epub 2018/09/05. doi: 10.7326/m18-0850. PMID PubMed: 30178033.

    
    

21. Holzmann GJ, Peled DA, Yannakakis M. Na primeira pesquisa em profundidade aninhada. O sistema de verificação de rotação. 1996;32:81-9.

    
    

22. Donthu N, Kumar S, Mukherjee D, Pandey N, Lim WM. Como realizar uma análise bibliométrica: visão geral e diretrizes. Jornal de pesquisa empresarial. 2021;133:285-96.

    
    

23. Caputo A, Kargina M. Um método fácil de usar para mesclar dados do Scopus e do Web of Science durante a análise bibliométrica. Jornal de Análise de Marketing. 2022;10(1):82-8.

    
    

24. Chen X, Chen J, Cheng G, Gong T. Tópicos e tendências em inteligência artificial ajudaram na pesquisa do cérebro humano. PLoS Um. 2020;15(4):e0231192.

    
    

25. Abrishami A, Aliakbary S. Previsão de contagens de citações com base em técnicas de aprendizado de rede neural profunda. Jornal de Informática. 2019;13(2):485-99.

    
    

26. Corea F, Corea F. Mapa de conhecimento de IA: como classificar as tecnologias de IA. Uma introdução aos dados: tudo o que você precisa saber sobre IA, big data e ciência de dados. 2019:25-9.

    
    

27. Jebari C, Herrera-Viedma E, Cobo MJ. O uso do contexto de citação para detectar a evolução de temas de pesquisa: uma análise em larga escala. Cientometria. 2021;126(4):2971-89.

    
    

28. Ma A, Liu Y, Xu X, Dong T. Um modelo de previsão de contagem de citações baseado em aprendizagem profunda com recursos semânticos de metadados em papel. Cientometria. 2021;126(8):6803-23.

    
    

29. Maghsoudi M, Shokouhyar S, Ataei A, Ahmadi S, Shokoohyar S. Análise de rede de coautoria de aplicações de IA em cadeias de abastecimento sustentáveis: principais atores e temas. Revista de produção mais limpa. 2023;422:138472.

    
    

30. Pedro F, Subosa M, Rivas A, Valverde P. Inteligência artificial na educação: Desafios e oportunidades para o desenvolvimento sustentável. 2019.

    
    

31. Ullah M, Shahid A, Roman M, Assam M, Fayaz M, Ghadi Y, et al. Análise de pesquisas interdisciplinares utilizando redes de coautoria. Complexidade. 2022;2022.

    
    

32. Zhao Q, Feng X. Utilizando estrutura de rede de citações para prever contagens de citações em artigos: uma abordagem de aprendizado profundo. Jornal de Informática. 2022;16(1):101235.

    
    

33. Saeidnia HR, Kozak M, Lund B, Mannuru NR, Keshavarz H, Elango B, et al. Projeto, desenvolvimento, implementação e avaliação de um aplicativo móvel para serviços de biblioteca acadêmica: um estudo em um país em desenvolvimento. Tecnologia da Informação e Bibliotecas. 2023;42(3).

    
    

34. Soleymani H, Saeidnia HR, Ausloos M, Hassanzadeh M. Disseminação seletiva de informações (SDI) na era da inteligência artificial (IA). Biblioteca Hi Tech News. 2023;antes da impressão(antes da impressão). doi: 10.1108/LHTN-08-2023-0156.

    
    

35. Fazeli-Varzaneh M, Ghorbi A, Ausloos M, Sallinger E, Vahdati S. Belas adormecidas da pesquisa sobre coronavírus. Iee Acesso. 2021;9:21192-205.

    
    

36. Ceptureanu S, Cerqueti R, Alexandru A, Popescu D, Dhesi G, Ceptureanu E. Influência da adoção de blockchain na transferência de tecnologia, desempenho e integração, flexibilidade e capacidade de resposta da cadeia de suprimentos. Um estudo de caso de empresas de médio porte de TI&C. Estudos em Informática e Controle. 2021;30(3):61-74.

    
    

37. Amjad S, Younas M, Anwar M, Shaheen Q, Shiraz M, Gani A. Técnicas de mineração de dados para analisar o impacto das mídias sociais no desempenho acadêmico de alunos do ensino médio. Comunicações sem fio e computação móvel. 2022;2022:1-11.

    
    

38. Barclay I, Taylor H, Preece A, Taylor I, Verma D, de Mel G. Uma estrutura para promover a transparência em modelos de inteligência artificial compartilhados, aumentando a visibilidade das contribuições. Simultaneidade e Computação: Prática e Experiência. 2021;33(19):e6129.

    
    

39. Grover P, Kar AK, Dwivedi YK. Compreendendo a adoção da inteligência artificial no gerenciamento de operações: insights da revisão da literatura acadêmica e das discussões nas mídias sociais. Anais de Pesquisa Operacional. 2022;308(1-2):177-213.

    
    

40. Khder MA. Web Scraping ou Web Crawling: Estado da Arte, Técnicas, Abordagens e Aplicação. Jornal Internacional de Avanços em Soft Computing e suas aplicações. 2021;13(3).

    
    

41. Maulud DH, Zeebaree SR, Jacksi K, Sadeeq MAM, Sharif KH. Estado da arte em análise semântica do processamento de linguagem natural. Jornal acadêmico Qubahan. 2021;1(2):21-8.

    
    

42. Serafini F, Reid SF. Análise de conteúdo multimodal: expandindo abordagens analíticas para análise de conteúdo. Comunicação visual. 2019:1470357219864133.

    
    

43. Serrano W. Redes neurais em big data e pesquisa na Web. Dados. 2018;4(1):7.

    
    

44. Wang W, Yu L. UCrawler: um rastreador da web baseado em aprendizagem usando uma base de conhecimento de URL. Jornal de Métodos Computacionais em Ciências e Engenharia. 2021;21(2):461-74.

    
    

45. Wu L, Dodoo NA, Wen TJ, Ke L. Compreendendo as conversas do Twitter sobre inteligência artificial em publicidade com base no processamento de linguagem natural. Revista Internacional de Publicidade. 2022;41(4):685-702.

    
    

46. Zhang Q, Lu J, Jin Y. Inteligência artificial em sistemas de recomendação. Sistemas Complexos 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. Inteligência artificial: um paradigma poderoso para a pesquisa científica. A Inovação. 2021;2(4):100179. doi: https://doi.org/10.1016/j.xinn.2021.100179 .

    
    

48. Abramo G, D’Angelo CA. Quão confiáveis são os algoritmos de desambiguação de autores não supervisionados na avaliação do desempenho da organização de pesquisa? Estudos Quantitativos de Ciências. 2023:1-26.

    
    

49. Al-Jamimi HA, BinMakhashen GM, Bornmann L. Uso de bibliometria para avaliação de pesquisas em economias de mercados emergentes: uma revisão e discussão de indicadores bibliométricos. Cientometria. 2022;127(10):5879-930.

    
    

50. Cox AM, Mazumdar S. Definindo inteligência artificial para bibliotecários. Revista de Biblioteconomia e Ciência da Informação.0(0):09610006221142029. doi: 10.1177/09610006221142029.

    
    

51. Eisenstein J. Introdução ao processamento de linguagem natural: imprensa do MIT; 2019.

    
    

52. Kang Y, Cai Z, Tan CW, Huang Q, Liu H. Processamento de linguagem natural (PNL) na pesquisa gerencial: uma revisão da literatura. Jornal de Análise de Gestão. 2020;7(2):139-72.

    
    

53. Empréstimo FA, Nasreen N, Bashir B. Os autores jogam limpo ou manipulam o índice h do Google Scholar? Biblioteca de alta tecnologia. 2022;40(3):676-84.

    
    

54. Rehs A. Uma abordagem de aprendizado de máquina supervisionado para desambiguação de autores na Web of Science. Jornal de Informática. 2021;15(3):101166.

    
    

55. Mohammadzadeh Z, Ausloos M, Saeidnia HR. ChatGPT: plágio de alta tecnologia aguarda luz verde para publicações acadêmicas. Token não fungível (NFT) pode ser uma saída. Biblioteca Hi Tech News. 2023.

    
    

56. Saeidnia HR, Lund BD. Tokens não fungíveis (NFT): uma forma segura e eficaz de prevenir o plágio em publicações científicas. Biblioteca Hi Tech News. 2023;40(2):18-9.

    
    

57. Mrowinski MJ, Fronczak P, Fronczak A, Ausloos M, Nedic O. Inteligência artificial na revisão por pares: Como a computação evolutiva pode apoiar os editores de periódicos? PloS um. 2017;12(9):e0184711.

    
    

58. Piva F, Tartari F, Giulietti M, Aiello MM, Cheng L, Lopez-Beltran A, et al. Prever a carga futura do câncer nos Estados Unidos por redes neurais artificiais. Oncologia do Futuro. 2020;17(2):159-68.

    
    

59. Brewer R, Westlake B, Hart T, Arauza O. A Ética do Rastreamento e Raspagem da Web na Pesquisa de Crimes Cibernéticos: Navegando em Questões de Consentimento, Privacidade e Outros Danos Potenciais Associados à Coleta Automatizada de Dados. In: Lavorgna A, Holt TJ, editores. Pesquisando crimes cibernéticos: metodologias, ética e abordagens críticas. Cham: Springer International Publishing; 2021. pág. 435-56.

    
    

60. Alaidi AHM, Roa'a M, ALRikabi H, Aljazaery IA, Abbood SH. Atividades ilegais da dark web rastreando e classificando usando técnicas de mineração de dados. iJIM. 2022;16(10):123.

    
    

61. Thomas DM, Mathur S, editores. Análise de dados por web scraping usando python. 2019 3ª Conferência Internacional sobre Eletrônica, Comunicação e Tecnologia Aeroespacial (ICECA); 2019: IEEE.

    
    

62. Korkmaz M, Sahingoz OK, Diri B, editores. Detecção de sites de phishing usando análise de URL baseada em aprendizado de máquina. 2020 11ª Conferência Internacional sobre Tecnologias de Computação, Comunicação e Redes (ICCCNT); 2020: IEEE.

    
    

63. Yuan H, Chen X, Li Y, Yang Z, Liu W, editores. Detecção de sites e alvos de phishing com base em URLs e links de páginas da web. 24ª Conferência Internacional sobre Reconhecimento de Padrões (ICPR) de 2018; 2018: IEEE.

    
    

64. Dutta AK. Detecção de sites de phishing usando técnica de aprendizado de máquina. PloS um. 2021;16(10):e0258361.

    
    

65. Jalil S, Usman M, Fong A. Detecção de URL de phishing altamente precisa com base em aprendizado de máquina. Jornal de Inteligência Ambiental e Computação Humanizada. 2023;14(7):9233-51.

    
    

66. Kiesel J, Meyer L, Kneist F, Stein B, Potthast M, editores. Uma comparação empírica de algoritmos de segmentação de páginas da web. Conferência Europeia sobre Recuperação de Informação; 2021: Springer.

    
    

67. Balaji T, Annavarapu CSR, Bablani A. Algoritmos de aprendizado de máquina para análise de mídia social: uma pesquisa. Revisão de Ciência da Computação. 2021;40:100395.

    
    

68. Rietz T. Projetando sistemas baseados em IA para coleta e análise de dados qualitativos. 2021.

    
    

69. Nicholson JM, Mordaunt M, Lopez P, Uppala A, Rosati D, Rodrigues NP, et al. Scite: um índice de citações inteligente que exibe o contexto das citações e classifica sua intenção usando aprendizado profundo. Estudos Quantitativos de Ciências. 2021;2(3):882-98.

    
    

70. Mihaljević H, Santamaría L. Desambiguação de entidades autoras em ADS usando métodos de aprendizagem supervisionada e teoria de grafos. Cientometria. 2021;126(5):3893-917. doi: 10.1007/s11192-021-03951-w.

    
    

71. Tekles A, Bornmann L. Desambiguação do nome do autor de dados bibliométricos: Uma comparação de várias abordagens não supervisionadas1. Estudos Quantitativos de Ciências. 2020;1(4):1510-28. doi: 10.1162/qss_a_00081.

    
    

72. Grodzinski N, Grodzinski B, Davies BM. As redes de coautoria podem ser usadas para prever o impacto da pesquisa do autor? Uma análise baseada em aprendizado de máquina no campo da pesquisa de mielopatia cervical degenerativa. Por favor, um. 2021;16(9):e0256997.

    
    

73. Fonseca Bde P, Sampaio RB, Fonseca MV, Zicker F. Análise de redes de coautoria em pesquisas em saúde: método e uso potencial. Políticas e sistemas de investigação em saúde. 2016;14(1):34. Epub 2016/05/04. doi: 10.1186/s12961-016-0104-5. PubMedPMID: 27138279; PubMed Central PMCID: PMCPMC4852432.

    
    

74. Hancock JT, Naaman M, Levy K. Comunicação mediada por IA: definição, agenda de pesquisa e considerações éticas. Jornal de Comunicação Mediada por Computador. 2020;25(1):89-100.

    
    

75. Safdar NM, Banja JD, Meltzer CC. Considerações éticas em inteligência artificial. Revista Europeia de Radiologia. 2020;122:108768.

    
    

76. Pratomo AB, Mokodenseho S, Aziz AM. Técnicas de criptografia e anonimato de dados para maior segurança e privacidade do sistema de informação. Sistema e Tecnologia de Informação Científica Ocidental. 2023;1(01):1-9.

    
    

77. Ferrer X, van Nuenen T, Such JM, Coté M, Criado N. Preconceito e discriminação em IA: uma perspectiva interdisciplinar. Revista IEEE de Tecnologia e Sociedade. 2021;40(2):72-80.

    
    

78. Ferrara E. Justiça e preconceito na inteligência artificial: um breve levantamento de fontes, impactos e estratégias de mitigação. Pré-impressão do arXiv arXiv:230407683. 2023.

    
    

79. Gichoya JW, Thomas K, Celi LA, Safdar N, Banerjee I, Banja JD, et al. Armadilhas da IA e o que não fazer: mitigando preconceitos na IA. O Jornal Britânico de Radiologia. 2023:20230023.

    
    

80. von Eschenbach WJ. Transparência e o problema da caixa preta: por que não confiamos na IA. Filosofia e Tecnologia. 2021;34(4):1607-22.

    
    

81. Yazdanpanah V, Gerding EH, Stein S, Dastani M, Jonker CM, Norman TJ, et al. Raciocínio sobre responsabilidade em sistemas autónomos: desafios e oportunidades. IA e SOCIEDADE. 2023;38(4):1453-64.