“Algoritmos de IA podem analisar grandes volumes de publicações científicas e extrair informações valiosas”

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

RQ 1: IA e cienciometria

Na cienciometria, a IA pode fornecer vários benefícios específicos, incluindo análise de publicações, análise de citações, previsão do impacto da pesquisa, análise de colaboração, análise de tendências de pesquisa e mapeamento de conhecimento. Os benefícios da IA nesses seis subcampos (Figura 2) foram discutidos, por exemplo, em [21-31].

Esses 12 estudos demonstram os benefícios e estratégias potenciais para a utilização dos recursos de IA na cienciometria. A forma como a IA pode melhorar a qualidade, a acessibilidade e os processos de recolha de dados nas análises cienciométricas é destacada na Tabela 1.

O ponto principal é que os algoritmos de IA podem analisar grandes volumes de publicações científicas e extrair informações valiosas, como nomes de autores e coautores, afiliações, palavras-chave e citações [21, 22]. Como resultado, os pesquisadores podem obter informações sobre padrões de publicação, redes de pesquisa e colaborações dentro de um campo científico específico [32, 33].

Além disso, os algoritmos de IA podem analisar redes de citações para identificar o impacto e a influência de artigos científicos, bem como as relações entre diferentes trabalhos de pesquisa [22, 24, 31]. Os investigadores podem utilizar este método para identificar artigos altamente citados e influentes - até mesmo belas adormecidas [34], bem como para compreender a dinâmica da disseminação do conhecimento científico.

Curiosamente, as técnicas de IA podem ser empregadas para prever o impacto da pesquisa científica com base em vários fatores, como reputação do autor, qualidade do periódico e padrões de citação [27]. A análise de dados históricos permite que os modelos de IA forneçam informações sobre o impacto potencial da investigação, permitindo que investigadores e instituições determinem o melhor curso de ação.

Redes de coautoria podem ser analisadas pela IA para identificar e compreender colaborações de pesquisa [28, 30]. Ao analisar o histórico de publicações, afiliações de autores e padrões de coautoria, a IA pode ajudar os investigadores a identificar potenciais colaboradores e redes de investigação, permitindo uma melhor colaboração e troca de conhecimentos.

Para identificar tendências e tópicos de pesquisa emergentes, a IA pode analisar literatura científica em grande escala [23, 26, 35]. Por exemplo, ao utilizar técnicas de processamento de linguagem natural, os algoritmos de IA podem extrair automaticamente palavras-chave, tópicos e tendências de publicações científicas, ajudando os pesquisadores a identificar novas direções de pesquisa e a se manterem atualizados com os avanços mais recentes em suas áreas.

“Finalmente”, a IA pode mapear o panorama do conhecimento científico analisando as relações entre diferentes artigos científicos, palavras-chave e conceitos [25, 29]. Além de facilitar revisões de literatura, geração de hipóteses e planejamento de pesquisas, essa visualização permite aos pesquisadores visualizar e compreender a estrutura e a evolução do conhecimento dentro de uma área específica de pesquisa.