“A IA pode garantir a publicação de pesquisas de alta qualidade, reduzir preconceitos e fornecer feedback mais rápido”

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 Cienciometria, Webometria e Bibliometria com IA

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

Conclusão, Limitações e Referências

Discussão

A pesquisa bibliográfica acima, esperamos que bastante completa, pelo menos extensa, permite uma avaliação crítica do estado da IA na ciência da informática.

Primeiro, as descobertas da Tabela 1 têm implicações significativas para a cienciometria. Eles destacam os benefícios e estratégias potenciais para a utilização de capacidades de inteligência artificial (IA) em análises cienciométricas. Os estudos mencionados demonstram claramente que a IA pode aumentar a precisão e a eficiência da coleta e análise de dados em cienciometria [21, 22, 32, 33]. Ao automatizar diversas tarefas, os algoritmos de IA podem reduzir erros humanos e preconceitos, garantindo resultados mais confiáveis e consistentes. Essa precisão e eficiência aprimoradas economizam tempo e recursos, permitindo que os pesquisadores se concentrem em análises e interpretações de alto nível.

Métodos de análise de citações baseados em IA, técnicas de desambiguação de autores e modelos preditivos apresentados nos estudos mencionados fornecem aos pesquisadores ferramentas poderosas para melhorar a coleta e análise de dados em cientometria [22, 24, 31, 34]. Os algoritmos de IA podem identificar com eficácia padrões de citação, analisar o impacto das publicações científicas e prever tendências de pesquisa. Estas capacidades permitem aos investigadores obter conhecimentos mais profundos sobre o panorama científico e tomar decisões informadas.

As contagens de citações tradicionais têm limitações na medição do impacto da pesquisa. No entanto, os estudos demonstram que as métricas baseadas em IA podem fornecer medidas mais abrangentes e precisas do impacto da pesquisa [25, 29]. Ao considerar vários fatores além das citações, como menções em mídias sociais, downloads e colaborações, os algoritmos de IA podem fornecer uma visão mais holística do impacto das publicações científicas.

As técnicas de IA apresentadas nos estudos podem analisar a literatura científica para identificar áreas de pesquisa emergentes e padrões de colaborações científicas [28, 30]. Isto permite que os investigadores se mantenham atualizados com as últimas tendências, descubram novos domínios de conhecimento e promovam colaborações com partes interessadas relevantes.

Os sistemas de revisão por pares baseados em IA, conforme destacado em um dos estudos, podem aumentar a eficiência e a objetividade do processo de revisão por pares [27, 57]. Ao automatizar partes do processo de revisão, a IA pode garantir a publicação de pesquisas de alta qualidade, reduzir preconceitos e fornecer feedback mais rápido aos autores. Isto melhora a qualidade geral das análises cienciométricas e acelera a disseminação do conhecimento científico.

Outro estudo demonstra que a IA pode ajudar na detecção de casos de má conduta científica, como plágio e fabricação de dados [55]. Ao analisar grandes volumes de dados e compará-los com padrões estabelecidos, os algoritmos de IA podem identificar potenciais casos de má conduta, garantindo a integridade das análises cienciométricas [17, 54, 55].

Em resumo, as conclusões da Tabela 1 demonstram que a IA tem o potencial de revolucionar as técnicas e abordagens da cienciometria. Os recursos de IA melhoram a precisão, eficiência e confiabilidade da coleta de dados, análise e avaliação do impacto da pesquisa. Permitem a identificação de áreas de investigação emergentes, redes de colaboração e casos de má conduta científica. Em última análise, estas descobertas contribuem para o avanço da investigação cienciométrica, melhorando a qualidade, a acessibilidade e a compreensão geral do panorama científico.

A Tabela 2 apresenta estudos que demonstram os benefícios e estratégias potenciais para a utilização de capacidades de inteligência artificial (IA) em webometria [9, 36-44, 46, 58-66]. As conclusões desta tabela têm implicações significativas para a webometria, pois destacam como a IA pode melhorar vários aspectos do campo.

Na verdade, os estudos mencionados na Tabela 2 mostram que a IA pode melhorar a recolha e análise de dados em webometria, e como. Em particular, os algoritmos de IA podem automatizar o processo de coleta de dados da web, como links da web, conteúdo da página e comportamento do usuário. Esta automação não só economiza tempo e esforço, mas também garante a coleta de conjuntos de dados maiores e mais diversos, levando a análises webométricas mais abrangentes.

Técnicas de IA, como aprendizado de máquina e análise de rede, são empregadas nos estudos para melhorar a análise de links da web em webometria [9, 43]. Essas técnicas permitem que os pesquisadores identifiquem sites, páginas da web e comunidades online influentes [42, 59]. Os algoritmos de IA podem analisar a estrutura e a dinâmica dos links da web, fornecendo insights sobre a conectividade e o impacto dos recursos da web [39, 42, 58, 59].

Algoritmos de IA podem analisar conteúdo da web para extrair informações relevantes e identificar tendências em webometria [41, 62, 64, 65]. Técnicas de processamento de linguagem natural (PNL) podem ser empregadas para extrair automaticamente palavras-chave, tópicos e sentimentos de páginas da web [40, 41, 62-65]. Esta análise automatizada aumenta a eficiência e a precisão dos estudos webométricos, permitindo aos pesquisadores obter insights sobre a disseminação e tendências de informações baseadas na web [40, 41].

Métricas e algoritmos baseados em IA podem fornecer avaliação avançada de impacto na web em webometria [46, 60]. Além das contagens de links tradicionais, os algoritmos de IA podem considerar fatores como comportamento do usuário, menções nas redes sociais e envolvimento com o conteúdo para medir o impacto dos recursos da web [37, 46, 60]. Esta avaliação abrangente ajuda pesquisadores e organizações a compreender o alcance e a influência do conteúdo da web [37, 46].

A mineração de uso da Web refere-se à análise do comportamento do usuário na web. Técnicas de IA, como aprendizado de máquina e mineração de dados, podem ser empregadas para analisar interações do usuário, caminhos de navegação e preferências em sites. Essa análise ajuda os pesquisadores a compreender os padrões de comportamento do usuário, melhorar o design da web e aprimorar a experiência do usuário.

Os algoritmos de IA podem melhorar a eficiência e a eficácia do rastreamento da web e da extração de dados em webometria. Esses algoritmos podem navegar automaticamente pelas páginas da web, extrair dados relevantes e filtrar informações irrelevantes ou duplicadas. Essa automação agiliza o processo de coleta de dados, permitindo que os pesquisadores analisem volumes maiores de dados da web.

Em suma, cabe mencionar que as conclusões da Tabela 2 demonstram que a IA tem o potencial de melhorar significativamente a webometria. Ao melhorar a coleta de dados, a análise de links da web, a análise de conteúdo, a avaliação de impacto, a mineração de uso da web e a extração de dados, os algoritmos de IA capacitam os pesquisadores a conduzir análises webométricas mais abrangentes e precisas. Esses avanços contribuem para uma compreensão mais profunda da disseminação de informações baseadas na web, do comportamento do usuário e do impacto dos recursos da web.

Em terceiro lugar, a Tabela 3 apresenta estudos que demonstram os benefícios e estratégias potenciais para a utilização de capacidades de inteligência artificial (IA) em bibliometria [21, 22, 24, 28, 30-34, 47-51, 53-56, 67-72]. As conclusões desta tabela têm implicações significativas para a bibliometria, pois destacam como a IA pode melhorar vários aspectos do campo.

Algoritmos de IA podem melhorar a análise de publicações em bibliometria [21, 22, 32, 33, 67]. Ao extrair automaticamente metadados de publicações científicas, como nomes de autores, afiliações, citações e palavras-chave, as técnicas de IA podem agilizar o processo de coleta de dados e melhorar a precisão [21, 22, 32, 33, 49, 67]. Essa automação permite aos pesquisadores analisar volumes maiores de publicações, facilitando análises bibliométricas abrangentes [21, 22, 32, 33, 67].

As técnicas de IA podem aprimorar a análise de citações em bibliometria. Algoritmos de IA podem identificar e analisar automaticamente padrões de citação, como cocitação e acoplamento bibliográfico [22, 24, 28, 31, 34, 68]. Esses algoritmos também podem identificar redes e clusters de citações, fornecendo insights sobre as relações entre publicações científicas [22, 24, 28, 31, 34, 68]. Esta análise ajuda os pesquisadores a compreender a influência e o impacto do trabalho acadêmico [24, 31, 34].

Algoritmos de IA podem auxiliar na desambiguação do autor, uma tarefa crítica em bibliometria [28, 30, 70-72]. Ao analisar vários fatores, como nomes de autores, afiliações e histórico de publicação, as técnicas de IA podem identificar e desambiguar com precisão autores com nomes semelhantes [30, 72]. Esta desambiguação garante a atribuição precisa do trabalho acadêmico e melhora a confiabilidade das análises bibliométricas [28, 30, 71, 72].

Técnicas de IA, como aprendizado de máquina e mineração de dados, podem ser empregadas para desenvolver modelos preditivos em bibliometria [50, 51, 55, 56]. Esses modelos podem prever tendências futuras de publicação, identificar áreas de pesquisa emergentes e prever o impacto da pesquisa [50, 51, 54, 55]. Ao analisar padrões e relações em grandes conjuntos de dados bibliográficos, os algoritmos de IA podem fornecer informações valiosas sobre a direção futura da pesquisa científica [54-56].

Algoritmos de IA podem analisar redes de colaboração entre pesquisadores em bibliometria. Ao analisar padrões de coautoria, afiliações e colaborações de pesquisa, as técnicas de IA podem identificar pesquisadores, grupos de pesquisa e instituições influentes. Esta análise não só ajuda os investigadores a compreender a dinâmica da colaboração, mas espera-se que promova a investigação interdisciplinar, além de ligações mais habituais.

As técnicas de IA podem melhorar a avaliação da pesquisa em bibliometria. Ao considerar vários fatores além da contagem tradicional de citações, como menções em mídias sociais, downloads e cobertura da mídia, os algoritmos de IA podem fornecer métricas mais abrangentes para avaliar o impacto da pesquisa. Esta avaliação abrangente ajuda investigadores, instituições e agências de financiamento a tomar decisões informadas e a alocar recursos de forma eficaz.

Além disso, algoritmos de IA melhorados ou especificamente escritos podem ajudar na detecção de casos de má conduta científica e provar plágio e fabricação de dados.

Concisamente, as conclusões da Tabela 3 demonstram que a IA tem o potencial de melhorar significativamente a bibliometria. Ao melhorar a análise de publicações, análise de citações, desambiguação de autores, modelos preditivos, análise de colaboração e avaliação de pesquisas, os algoritmos de IA capacitam os pesquisadores a conduzir análises bibliométricas mais abrangentes e precisas. Esses avanços contribuem para uma compreensão mais profunda da comunicação acadêmica, do impacto da pesquisa e da dinâmica de colaboração na comunidade científica.